Klasifikasi Kondisi Trafik Jalan Raya Menggunakan Convolutional Neural Network

Chang, Nicholas (2023) Klasifikasi Kondisi Trafik Jalan Raya Menggunakan Convolutional Neural Network. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07211940000029-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (7MB) | Request a copy

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan tingkat kemacetan lalu lintas berdasarkan citra publik dari CCTV dengan cara mengembangkan model klasifikasi menggunakan Convolutional Neural Network. Masukan data yang digunakan dari penelitian ini diperoleh dari aplikasi untuk perangkat berbasis Android bernama SITS CCTV Surabaya untuk memantau kondisi trafik di kota tersebut. Di mana, citra yang dikumpulkan diambil dengan mengambil screenshot dari aplikasi. Klasifikasi hanya dibatasi pada dua kelas yaitu macet dan tidak macet. Hal ini dikarenakan kondisi macet dan tidak macet lebih pasti. Serta klasifikasi akan dilakukan pada kondisi pagi, siang, dan malam tanpa menyertakan pengujian terkait dengan pencahayaan. Hal ini dilanjutkan dengan pelabelan citra yang didasarkan oleh kode warna jalan aplikasi Google Maps untuk proses pemisahan data. Lalu dataset dipindah ke laptop untuk pelatihan model. Penelitian mencapai hasil positif dengan pembuatan empat model pembelajaran mesin dengan arsitektur yang berbeda. Model yang menunjukkan kinerja terbaik adalah VGG19 dengan sparse categorical crossentropy dan softmax, yang mencapai rata-rata nilai akurasi sebesar 96,33% dan standar deviasi 0,59%. Model ini juga memiliki presisi, recall, dan F-1 Score sebesar 0,96 yang menunjukkan peningkatan kinerja dibandingkan penelitian serupa sebelumnya.
======================================================================================================================================
This research aims to classify the level of traffic congestion based on public CCTV images by developing a classification model using Convolutional Neural Network (CNN). The input data for this study was obtained from an Android-based application called SITS CCTV Surabaya, which monitors traffic conditions in the city. The collected images were taken by capturing screenshots from the application. The classification is limited to two classes, namely congested and not congested. This is because the conditions of congestion and non-congestion are more certain. And the classification will be done in the morning, afternoon, and night conditions without including anything related to lighting. This is followed by image labeling based on the road color code of the Google Maps application for data separation process. Then the dataset is moved to a laptop for model training. The research achieved positive results by creating four machine learning models with different architectures. The model that showed the best performance was VGG19 with Sparse Categorical Crossentropy and softmax, which achieved an average accuracy value of 96.33% and a standard deviation of 0.59%. This model also has precision, recall, and F-1 Score of 0.96 which shows an improvement in performance compared to previous similar studies.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Convolutional Neural Network, Dataset, Google Maps, SITS CCTV Surabaya
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T58.62 Decision support systems T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques T Technology > TE Highway engineering. Roads and pavements > TE228.3 Intelligent transportation systems.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Nicholas Chang
Date Deposited:	06 Aug 2023 10:36
Last Modified:	06 Aug 2023 10:36
URI:	http://repository.its.ac.id/id/eprint/101948

Actions (login required)

View Item