Klasifikasi Jenis Kendaraan Darat di Indonesia Menggunakan Pendekatan Deep Learning

Amiruddin, Muh. Nur Fajrin (2024) Klasifikasi Jenis Kendaraan Darat di Indonesia Menggunakan Pendekatan Deep Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111940000005-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2026. Download (6MB) | Request a copy

Abstract

Proses klasifikasi jenis kendaraan dengan menggunakan pendekatan Deep Learning dalam hal ini menggunakan metode Convolutional Neural Networks (CNN), ada beberapa masalah yang muncul yaitu ketergantungan pada data pelatihan yang besar dan generalisasi data, CNN memerlukan dataset pelatihan yang besar dan bervariasi untuk melakukan pelatihan yang efektif. Jumlah data pelatihan yang terbatas dapat menyebabkan overfitting, di mana model menjadi terlalu beradaptasi dengan data pelatihan dan tidak dapat melakukan generalisasi dengan baik pada data yang belum pernah dilihat sebelumnya, sehingga membuat proses klasifikasi jenis kendaraan tidak maksimal. Penelitian ini bertujuan untuk melakukan klasifikasi jenis kendaraan darat di Indonesia ke dalam 5 kelas yaitu Bus, Minibus, Sedan, SUV, dan Truk menggunakan 5 (lima) jenis model arsitektur CNN yaitu ResNet50V2, MobileNetV2, InceptionV3, Xception, dan InceptionResNetV2, dimana dataset yang digunakan bersumber dari internet sebanyak 750 citra kendaraan melalui pengumpulan dataset dengan menggunakan teknik web scraping. Setiap model arsitektur CNN tersebut dilakukan 4 (empat) skenario uji coba pengujian yaitu (1) melakukan klasifikasi jenis kendaraan menggunakan dataset asli tanpa Augmentasi, skenario (2) melakukan klasifikasi jenis kendaraan menggunakan dataset asli dengan Augmentasi, skenario (3) melakukan klasifikasi jenis kendaraan menggunakan K-Fold tanpa Augmentasi, dan skenario (4) melakukan klasifikasi jenis kendaraan menggunakan K-Fold dengan Augmentasi. Hasil eksperimen menunjukkan bahwa model terbaik didapatkan oleh ResNet50V2 pada skenario keempat dengan accuracy sebesar 99%, precision sebesar 99%, recall sebesar 99%, dan F1-score sebesar 99%. Setelah mendapatkan model terbaik dari skenario uji coba K-Fold dengan Augmentasi yakni ResNet50V2, kemudian model tersebut dilakukan pengujian menggunakan data baru berupa rekaman video yang diperoleh dari CCTV Gate ITS. Dalam penelitian ini dengan bantuan metode YOLOv3-Tiny digunakan untuk mendeteksi objek dan model classifier terbaik sebagai klasifikasi dari jenis kendaraan yang dideteksi. Kemudian pengujian dilakukan untuk mengukur seberapa baik kinerja model terbaik dalam hal ini ResNet50V2 dalam melakukan klasifikasi jenis kendaraan. Hasil akhir akurasi yang didapatkan oleh model ResNet50V2 dalam melakukan klasifikasi pada data CCTV Gate ITS sebesar 65%.
=============================================================================================================================
In the process of classifying vehicle types using a Deep Learning approach, in this case, using the Convolutional Neural Networks (CNN) method, several problems arise, namely the dependence on large training data and data generalization. CNN requires large and varied training datasets to conduct effective training. A limited amount of training data can cause overfitting, where the model becomes too adapted to the training data and cannot generalize well to data that has never been seen before, thus making the vehicle type classification process not optimal. This research aims to classify vehicle types in Indonesia into 5 classes, namely Bus, Minibus, Sedan, SUV, and Truck using 5 (five) types of CNN architecture models, namely ResNet50V2, MobileNetV2, InceptionV3, Xception, and InceptionResNetV2, where the dataset used is sourced from the internet and includes as many as 750 vehicle images through dataset collection with web scraping techniques. Each CNN architecture model carried out 4 (fourth) test scenarios, namely (1) classifying vehicle types using the original dataset without Augmentation, (2) classifying vehicle types using the original dataset with Augmentation, (3) performing vehicle type classification using K-Fold without Augmentation, and scenario (4) performing vehicle type classification using K-Fold with Augmentation. The experimental results show that the best model is obtained by ResNet50V2 in the fourth scenario with accuracy of 99%, precision of 99%, recall of 99%, and F1-score of 99%. After getting the best model from the K-Fold trial scenario with Augmentation, namely ResNet50V2, then the model is tested using new data in the form of video recordings obtained from CCTV Gate ITS. In this study the YOLOv3-Tiny method was used to detect objects and the ResNet50V2 model was used to classify the type of vehicle detected. Then testing is done to measure how well the best model performs in this case ResNet50V2 in classifying vehicle types. The final result of the accuracy obtained by the ResNet50V2 model in classifying ITS CCTV Gate data is 65%.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	CNN, Deep Learning, Jenis Kendaraan Darat, Klasifikasi, YOLOv3-Tiny, Land Vehicle Types, Classification
Subjects:	T Technology > T Technology (General) T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Muh. Nur Fajrin Amiruddin
Date Deposited:	15 Feb 2024 07:15
Last Modified:	15 Feb 2024 07:15
URI:	http://repository.its.ac.id/id/eprint/107121

Actions (login required)

View Item