Klasifikasi Jenis Kendaraan Pada Data Video Kendaraan Menggunakan Convolutional Neural Network Secara Real-Time

Romadhon, Rama (2021) Klasifikasi Jenis Kendaraan Pada Data Video Kendaraan Menggunakan Convolutional Neural Network Secara Real-Time. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Text 05111740007009-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2023. Download (4MB) | Request a copy

Abstract

Pada saat ini, ada banyak penelitian tentang klasifikasi kendaraan yang berfokus untuk meningkatkan akurasi klasifikasi. Namun, pada praktiknya akurasi yang tinggi saja tidak cukup. Beberapa hal yang penting untuk diperhatikan adalah akurasi, kecepatan, ukuran model, dan efisiensi energi. Akurasi yang tinggi dibutuhkan agar proses klasifikasi dapat mencapai hasil yang terbaik. Kecepetan yang tinggi dibutuhkan agar mengurangi latensi loop kontrol kendaraan. Ukuran model yang kecil dibutuhkan agar konsumsi energi yang dibutuhkan lebih sedikit.
tujuan dari tugas akhir ini adalah mengembangkan sistem klasifikasi jenis kendaraan dengan metode YOLO untuk model deteksi objek dan CNN untuk model klasifikasi jenis kendaraan. YOLO merupakan salah satu metode deteksi objek berbasis Convolutional Neural Network yang terkenal dengan kecepatannya. Klasifikasi jenis kendaraan dilakukan dengan melakukan deteksi kendaraan menggunakan YOLO dan melakukan klasifikasi dengan classifier CNN.
Dataset yang dipakai untuk pelatihan adalah data TAU Vehicle Type dan data video aktifitas yang terjadi pada jalan raya sebagai data uji. Jenis kendaraan yang digunakan yaitu Bicycle, Bus, Car, Motorcycle dan Truck. Berdasarkan hasil pengujian, model terbaik didapatkan dari pelatihan menggunakan arsitektur ResNet, optimizer Stochastic Gradient Descent (SGD) dan learning rate 0.001 dengan akurasi sebesar 82,85%.
================================================================================================
nowadays, there are many research on vehicle classification which focus on improving classification accuracy. However, in practice high accuracy is not enough. Some important things to note are accuracy, speed, model size, and energy efficiency. High accuracy is needed so that the classification process can achieve the best results. High speed is required to reduce vehicle control loop latency. Small model size is needed so that less energy consumption is needed.
The purpose of this final project is to develop a vehicle type classification system using the YOLO method for object detection models and CNN for vehicle type classification models. YOLO is one method of object detection based on Convolutional Neural Network which is famous for its speed. Classification of vehicle types is carried out by detecting vehicles using YOLO and classifying them with the CNN classifier.
The dataset used for training are TAU Vehicle Type data and video data of activities that occur on the highway as test data. The types of vehicles used are Bicycle, Bus, Car, Motorcycle and Truck. Based on the test results, the best model was obtained from training using the ResNet architecture, the optimizer Stochastic Gradient Descent (SGD) and a learning rate of 0.001 with an accuracy of 82.85%.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Deteksi Kendaraan, Klasifikasi Kendaraan, Convolutional Neural Network, YOLO Vehicle Detection, Vehicle Classification, Convolutional Neural Network, YOLO
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA336 Artificial Intelligence R Medicine > R Medicine (General) > R858 Deep Learning
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Rama Romadhon
Date Deposited:	20 Aug 2021 05:29
Last Modified:	20 Aug 2021 05:29
URI:	http://repository.its.ac.id/id/eprint/87883

Actions (login required)

View Item