Penghitungan Jumlah Kendaraan dengan Model StrongSORT

Vivekananda, I Gusti Agung (2023) Penghitungan Jumlah Kendaraan dengan Model StrongSORT. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 06111940000111-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (3MB) | Request a copy

Abstract

Perkembangan jumlah kendaraan di Indonesia terus meningkat. Hal ini menyebabkan kemacetan dan penambahan jumlah emisi yang menjadi kontributor utama terhadap perubahan iklim global. Salah satu cara menyelesaikan permasalahan tersebut adalah dengan menerapkan Intelligent Transportation Systems (ITS). Perhitungan jumlah kendaraan merupakan komponen penting dalam ITS karena jumlah kendaraan memberikan informasi penting mengenai arus lalu lintas seperti kondisi lalu lintas, okupansi lajur, dan tingkat kemacetan, yang dapat dimanfaatkan untuk peringatan kecelakaan, dan pencegahan kemacetan. Dari beberapa model Multiple Object Tracking (MOT) yang ada, model StrongSORT merupakan salah satu model MOT dengan performa yang menjanjikan. Hal ini dibuktikan dengan hasil uji coba beberapa benchmark pada penelitian sebelumnya. Model StrongSORT menggunakan Noise Scale Adaptive (NSA) Kalman Filter yang meningkatkan performa dalam prediksi pergerakan objek dan appearance feature extractor dengan model berarsitektur ResNet-50 yang mampu mengekstrak lebih banyak discriminative features pada objek. Penelitian ini mengembangkan sistem penghitungan jumlah kendaraan dengan menggunakan model StrongSORT untuk melakukan pelacakan pada objek kendaraan dan You Only Look Once versi 8 untuk mendeteksi objek kendaraan. Data latih yang digunakan untuk pendeteksi objek diperoleh dari Common Objects in Context dan kamera Internet Protocol di kota Surabaya yang dilakukan anotasi secara manual. Penelitian ini melakukan uji coba pada sepuluh skenario dari enam titik di kota Surabaya dengan berbagai karakteristik untuk menguji akurasi model dalam melakukan perhitungan kendaraan serta mengetahui pengaruh kondisi cahaya, kendaraan menjauhi atau mendekati kamera, keramaian kendaraan pada hasil akurasi perhitungan. Hasilnya sistem dari model StrongSORT mampu menghitung kendaraan dengan rata-rata akurasi sebesar 86,27% dan unggul dari model SORT yang hanya menghasilkan akurasi sebesar 75.90%. Model StrongSORT juga menunjukkan keunggulan pada jenis kendaraan motor dengan memiliki selisih akurasi sebesar 15.47% dari model SORT.
=================================================================================================================================
The development of the number of vehicles in Indonesia continues to increase. This has led to traffic congestion and an increase in emissions, which is a major contributor to global climate change. One way to address this issue is by implementing Intelligent Transportation Systems (ITS). The calculation of the number of vehicles is a crucial component of ITS as it provides essential information about traffic flow, lane occupancy, congestion levels, which can be utilized for accident warnings and congestion prevention. Among several existing Multiple Object Tracking (MOT) models, StrongSORT is one promising model with impressive performance. This is evidenced by benchmark results from previous research. The StrongSORT model utilizes the Noise Scale Adaptive (NSA) Kalman Filter, which improves object movement prediction, and an appearance feature extractor with a ResNet-50 architecture, capable of extracting more discriminative features from objects. This study develops a vehicle counting system using the StrongSORT model for object tracking and You Only Look Once version 8 for vehicle detection. Training data for object detection is obtained from Common Objects in Context and Internet Protocol cameras in the city of Surabaya, annotated manually. The research conducts experiments in ten scenarios from six points in Surabaya with various characteristics to test the model’s accuracy in vehicle counting and to understand the impact of lighting conditions, vehicles moving away from or approaching the camera, and vehicle density on counting accuracy. The results show that the StrongSORT model’s system can count vehicles with an average accuracy of 86.27%, outperforming the SORT model, which only achieved 75.90% accuracy. The StrongSORT model also demonstrated superiority in counting motor vehicles with an accuracy difference of 15.47% compared to the SORT model.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	YOLOv8, StrongSORT, Computer Vision, Multi Object Tracking, Intelligent Transportation Systems
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	I Gusti Agung Vivekananda
Date Deposited:	28 Nov 2023 08:43
Last Modified:	28 Nov 2023 08:43
URI:	http://repository.its.ac.id/id/eprint/102045

Actions (login required)

View Item