Klasifikasi Dan Penghitungan Kendaraan Bergerak Berbasis Deep Learning Dengan Metode Faster R-Cnn

Octavia, Rumia (2021) Klasifikasi Dan Penghitungan Kendaraan Bergerak Berbasis Deep Learning Dengan Metode Faster R-Cnn. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 06111850010013-Master-Thesis.pdf Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Kemacetan lalu lintas merupakan masalah yang setiap hari dijumpai dan masih belum teratasi dengan tuntas. Seiring dengan pesatnya ilmu pengetahuan dan teknologi saat ini telah diterapkannya TMS untuk mengurangi masalah kemacetan. Salah satu data yang digunakan dalam TMS adalah data klasifikasi dan penghitungan kendaraan bergerak. Sistem yang daigunakan untuk klasifikasi jenis kendaraan secara otomatis berdasarkan deep learning diususlkan untuk menangani arus lalu lintas yang kompleks. Dengan input berupa video arus lalu lintas pada jalan satu arah, model Faster R-CNN dapat melakukan pengklasifikasian jenis kendaraan dengan tepat. Tahapan dalam penelitian ini, yang pertama adalah tahap preprocessing, yaitu mengubah video menjadi frame-frame dan meningkatkan kualitas gambar yang akan dijadikan sebagai input dalam melatih model ini untuk meningkatkan akurasi. Tahap kedua adalah training untuk melatih sistem dalam klasifikasi kendaraan dan tahap ketiga adalah tahap klasifikasi dan penghitungan kendaraan. Kendaraan diklasifikasikan menjadi lima kelas, yaitu mobil, bus, truk, sepeda motor dan sepeda. Hasil penelitian menunjukkan bahwa sistem yang diusulkan dapat mengklasifikasikan jenis kendaraan pada arus lalu lintas sedang dan arus lalu lintas padat. Sistem dapat melakukan klasifikasi jenis sangat baik pada kendaraan mobil dengan akurasi sebesar 97,33% dan dapat mengklasifikasikan sepeda dengan cukup baik dengan akurasi sebesar 87,32%. Dan sistem dapat melakukan penghitungan kendaraan sesuai dengan jenis kendaraannya dengan akurasi 87,89% pada video arus lalu lintas sedang, serta akurasi 87,68% pada video arus lalu lintas padat.
================================================================================================
Traffic congestion is a problem that is encountered every day and still not completely resolved. Along with the rapid development of science and technology, TMS has been implemented to reduce congestion problems. One of the data used in the TMS is the classification and calculation data of moving vehicles. The system used for automatic classification of vehicle types based on deep learning is used to handle complex traffic flows. With input in the form of a video of traffic flows on a one-way road, the Faster R-CNN model can classify the type of vehicle correctly. The stages in this research, the first is the preprocessing stage, which is converting the video into frames and increasing the image quality that will be used as input in training this model to increase accuracy. The second stage is training to train the system in vehicle classification and the third stage is the classification and calculation of vehicles. Vehicles are classified into five classes, namely cars, buses, trucks, motorbikes and bicycles. The results showed that the proposed system can classify the types of vehicles in moderate traffic flow and heavy traffic flow. The system can perform classification types very well on car vehicles with an accuracy of 97.33% and can classify bicycles quite well with an accuracy of 87.32%. And the system can perform vehicle calculations according to the type of vehicle with an accuracy of 87,89% on moderate traffic flow videos, and 87.68% accuracy on heavy traffic flow videos.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	kendaraan bergerak, faster R-CNN, klasifikasi, penghitungan, moving vehicle, faster R-CNN, classification, counting
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44101-(S2) Master Thesis
Depositing User:	Rumia Octavia
Date Deposited:	08 Mar 2021 05:56
Last Modified:	08 Mar 2021 05:56
URI:	http://repository.its.ac.id/id/eprint/83725

Actions (login required)

View Item