Implementasi Framework Tensorflow Object Detection API Dalam Mengklasifikasi Jenis Kendaraan Bermotor
DOI:
https://doi.org/10.35793/jti.v15i3.29775Keywords:
Deep Learning, Deteksi Objek, Tensorflow, YOLOAbstract
Jenis kendaraan yang melewati suatu lalu lintas jalan sangat berpengaruh terhadap kepadatan lalu lintas jalan tersebut. Jika jumlah setiap jenis kendaraan yang melewati suatu lalu lintas jalan dapat diketahui, maka strategi lalu lintas yang baik dapat diatur oleh pihak yang berwenang. Dengan memanfaatkan perkembangan teknologi di dalam bidang computer vision dan deep learning, penelitian ini bertujuan untuk mendeteksi dan menghitung objek kendaraan yang melewati suatu lalu lintas jalan berdasarkan klasifikasi jenis kendaraan. Penelitian ini menggunakan Framework Tensorflow Object Detection API dan algoritma dari pretrained model object detection YOLO v3 untuk melakukan deteksi dan klasifikasi. Berdasarkan hasil pengujian pada kelima video uji coba, sistem yang dibangun berhasil menghasilkan suatu data yang berisi jumlah setiap jenis kendaraan yang lewat di suatu lintas jalan dengan tingkat akurasi deteksi objek rata-rata adalah 90.8%.References
Wijanarko, I., & Ridlo, M. A. (2019). Faktor-Faktor Pendorong Penyebab Terjadinya Kemacetan Studi Kasus : Kawasan Sukun Banyumanik Kota Semarang. Jurnal Planologi, 14(1), 63.
https://doi.org/10.30659/jpsa.v14i1.3859
Finnish Transport Agency. (2010). Road traffic management strategy.
Strategies of the Finnish Transport Agency, 3/2010, 16p.
http://alk.tiehallinto.fi/julkaisut/pdf3/lto_2010-
_road_traffic_web.pdf%0Ahttps://trid.trb.org/view/1097649
Lazaro, A., Buliali, J. L., & Amaliah, B. (2017). Deteksi Jenis Kendaraan di Jalan Menggunakan OpenCV. Jurnal Teknik ITS, 6(2).
https://doi.org/10.12962/j23373539.v6i2.23175
Janrao, A., Gupta, M., Chandwani, D., & A., U. (2017). Real Time Traffic Density Count using Image Processing. International Journal of Computer Applications, 162(10), 8–12. https://doi.org/10.5120/ijca2017913334
Al Kautsar, H., & Adi, K. (2016). Implementasi Object Tracking Untuk
Mendeteksi Dan Menghitung Jumlah Kendaraan Secara Otomatis
Menggunakan Metode Kalman Filter Dan Gaussian Mixture Model.
Youngster Physics Journal, 5(1), 13–20.
Tobi, M. D. (2015). Rancang Bangun Purwarupa Sistem Pendeteksi
Kendaraan Menggunakan Pustaka Opencv. Electro Luceat, 1(1).
https://doi.org/10.32531/jelekn.v1i1.3
Purnomo, G. A., Cholissodin, I., & Utaminingrum, F. (2018). Intellegence Vehicle Counting Menggunakan Metode Combination Value Saturation Pada Video Lalu Lintas. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(6), 2192–2199.
O’Shea, K., & Nash, R. (2015). An Introduction to Convolutional Neural Networks. December. http://arxiv.org/abs/1511.08458
Lecun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature,
(7553), 436–444. https://doi.org/10.1038/nature14539
Wiley, V., & Lucas, T. (2018). Computer Vision and Image Processing: A Paper Review. International Journal of Artificial Intelligence Research, 2(1), 22. https://doi.org/10.29099/ijair.v2i1.42
Planche B & Andres E. (2019). Hands-On Computer Vision with TensorFlow 2
Redmon, J., & Farhadi, A. (2018). YOLOv3: An Incremental Improvement. http://arxiv.org/abs/1804.02767
