Modifikasi Arsitektur Alexnet untuk Deteksi Ketersediaan Tempat Parkir Mobil pada Data Video CCTV

Tanuwijaya, Evan (2020) Modifikasi Arsitektur Alexnet untuk Deteksi Ketersediaan Tempat Parkir Mobil pada Data Video CCTV. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 05111850010033-Master_Thesis.pdf Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Sulitnya menemukan tempat parkir di tempat-tempat umum, terutama saat jam sibuk adalah masalah yang dialami oleh pengemudi. Untuk membantu pengemudi dalam menemukan ketersediaan tempat parkir, diperlukan sistem untuk memantau ketersediaan tempat parkir. Banyak penelitian untuk mendeteksi ketersediaan tempat parkir memanfaatkan CCTV. Namun, penelitian tentang ketersediaan tempat parkir pada data CCTV memiliki beberapa masalah seperti mendeteksi tempat parkir yang dilakukan secara manual menjadi tidak efisien ketika diterapkan pada tempat parkir yang berbeda. Selain itu, penelitian untuk mendeteksi ketersediaan tempat parkir menggunakan metode Convolution Neural Network (CNN) dengan arsitektur yang ada memiliki banyak parameter. Oleh karena itu, penelitian ini mengusulkan strategi untuk mendeteksi ketersediaan tempat parkir menggunakan You Only Look Once (YOLO) V3 dan Lite Alexnet yang memiliki beberapa parameter untuk mempercepat proses mendeteksi ketersediaan ruang parkir. Strategi ini menggunakan kotak pembatas dari YOLO V3 untuk mendeteksi tempat parkir secara otomatis. Proses selanjutnya adalah mengklasifikasikan ketersediaan tempat parkir menggunakan CNN dengan arsitektur Alexnet yang dimodifikasi oleh jumlah lapisan dan parameter yang disebut Lite Alexnet. Akurasi terbaik dari tahap penandaan menggunakan YOLO V3 adalah 92,31% di mana cuaca mendung. Untuk Lite Alexnet yang diusulkan dapatkan rata-rata waktu pelatihan terbaik yaitu 7 detik dibandingkan dengan metode lain yang ada dan akurasi rata-rata di setiap kondisi adalah 92,33% lebih baik daripada metode lain.
====================================================================================================================================
The difficulty of finding a parking space in public places, especially during peak hours is a problem experienced by drivers. To assist the driver in finding parking space availability, a system is needed to monitor parking availability. One study to detect the availability of parking lots utilizing CCTV. However, research on the availability of parking spaces on CCTV data has several problems, detecting parking slots that are done manually to be inefficient when applied to different parking lots. In addition, research to detect the availability of parking lots using the Convolution Neural Network (CNN) method with existing architecture has many parameters. Therefore, this study proposes a strategy to detect the availability of car parking lots using You Only Look Once (YOLO) V3 and Lite Alexnet which has few parameters to speed up the process of detecting parking space availability. This strategy utilizes a bounding box from YOLO V3 to detect parking slots automatically. The next process is the classifying the availability of parking lots using CNN with Alexnet architecture modified by the number of layers and parameters called Lite Alexnet. The best accuracy of the marking stage using YOLO V3 is 92.31% where the weather was cloudy. For the proposed Lite Alexnet get the best time training average which is 7 second compare to other existing methods and the average accuracy in every condition is 92.33% better than other methods.

Item Type:	Thesis (Masters)
Additional Information:	RTIf 006.32 Tan m-1 2020 3100020084994
Uncontrolled Keywords:	Deteksi ketersediaan tempat parkir, YOLO V3, CNN, Alexnet
Subjects:	T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques. Image analysis--Data processing.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Evan Tanuwijaya
Date Deposited:	07 Nov 2025 04:04
Last Modified:	07 Nov 2025 04:04
URI:	http://repository.its.ac.id/id/eprint/72854

Actions (login required)

View Item