Rancang Bangun Sistem Weigh-InMotion dengan Array Load Cell dan Convolutional Neural Network untuk Pengukuran dan Klasifikasi Distribusi Berat Kendaraan Muatan Secara Real-Time

Putra, Darma Susila (2025) Rancang Bangun Sistem Weigh-InMotion dengan Array Load Cell dan Convolutional Neural Network untuk Pengukuran dan Klasifikasi Distribusi Berat Kendaraan Muatan Secara Real-Time. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5009211103-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Over Dimension and Over Load (ODOL) pada kendaraan angkutan barang merupakan permasalahan serius yang dapat merusak infrastruktur jalan dan membahayakan keselamatan lalu lintas. Sistem Weigh-in-Motion (WIM) hadir sebagai solusi untuk mendeteksi kendaraan bermuatan berlebih secara real-time tanpa menghentikan arus lalu lintas. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem weigh-in-motion (WIM) berbasis array sensor load cell yang dilengkapi dengan Convolutional Neural Network (CNN) untuk pengukuran dan klasifikasi distribusi berat kendaraan secara real-time. Sistem dirancang dengan delapan sensor load cell yang disusun dalam konfigurasi array untuk mendeteksi distribusi beban kendaraan saat melintas di atas sistem. Model CNN dikembangkan untuk mengklasifikasikan dua variabel utama, yaitu jenis kendaraan (berdasarkan jumlah as roda) dan distribusi beban (kiri, kanan, atau seimbang). Proses pelatihan CNN dilakukan dengan dataset hasil pembacaan sensor pada berbagai kondisi kecepatan dan variasi beban. Hasil pengujian statis menunjukkan akurasi tinggi dengan rata-rata error sebesar 1,78% pada kendaraan dua as dan 2,66% pada kendaraan tiga as. Pada pengujian dinamis, akurasi menurun seiring bertambahnya kecepatan, dengan rata-rata error 4,72% untuk kendaraan dua as dan 10,49% untuk kendaraan tiga as. Model CNN menunjukkan akurasi klasifikasi distribusi beban dan jenis kendaraan mencapai lebih dari 99% saat diuji pada kecepatan rendah, namun performanya menurun pada kecepatan tinggi dan kondisi distribusi beban kompleks. Hasil ini menunjukkan bahwa sistem WIM yang dikembangkan memiliki potensi baik untuk diterapkan pada pengukuran massa kendaraan secara dinamis dan klasifikasi distribusi beban secara otomatis.
================================================================================================================================
Over Dimension and Over Load (ODOL) violations in freight vehicles pose a serious threat to road infrastructure and traffic safety. The Weigh-in-Motion (WIM) system emerges as a solution to detect overloaded vehicles in real time without interrupting traffic flow. This study aims to design and develop a WIM system based on an array of load cell sensors integrated with a Convolutional Neural Network (CNN) for real-time vehicle weight measurement and load distribution classification. The system is designed using eight load cell sensors arranged in an array configuration to detect the load distribution of vehicles as they pass over the system. A CNN model was developed to classify two main variables: vehicle type (based on the number of axles) and load distribution (left, right, or balanced). The CNN was trained using sensor datasets collected under varying speeds and load conditions. Static tests showed high accuracy, with an average error of 1.78% for two-axle vehicles and 2.66% for three-axle vehicles. In dynamic tests, accuracy decreased with increasing speed, yielding an average error of 4.72% and 10.49% for two-axle and three-axle vehicles, respectively. The CNN model achieved over 99% classification accuracy for load distribution and vehicle type at low speeds, though performance declined at higher speeds and under complex load conditions. These results indicate that the developed WIM system has strong potential for dynamic vehicle weight measurement and automated load distribution classification.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	CNN, Distribusi Beban, Klasifikasi Kendaraan, Load cell, Weigh-in-Motion, CNN, Load cell, Load Distribution, Vehicle Classification, Weigh-in-Motion
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > Q Science (General) > Q337.5 Pattern recognition systems Q Science > QC Physics > QC100.5 Measuring instruments (General) T Technology > TJ Mechanical engineering and machinery > TJ213 Automatic control.
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Physics Engineering > 30101-(S2) Master Thesis
Depositing User:	Darma Susila Putra
Date Deposited:	06 Aug 2025 07:47
Last Modified:	06 Aug 2025 07:47
URI:	http://repository.its.ac.id/id/eprint/127818

Actions (login required)

View Item