Otomasi Klasifikasi Jenis dan Deteksi Rata-Rata Kecepatan Kendaraan Untuk Mendukung Perencanaan Perbaikan Jalan

Maranatha, William Zefanya (2024) Otomasi Klasifikasi Jenis dan Deteksi Rata-Rata Kecepatan Kendaraan Untuk Mendukung Perencanaan Perbaikan Jalan. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5025201167-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (12MB) | Request a copy

Abstract

Infrastruktur jalan yang berkualitas sangat penting untuk mendukung mobilitas masyarakat. Namun, seringkali perbaikan jalan menyebabkan antrian kendaraan yang mengganggu kelancaran lalu lintas. Oleh karena itu, pemahaman yang mendalam mengenai karakteristik lalu lintas menjadi krusial dalam perencanaan perbaikan infrastruktur jalan. Penelitian ini mengembangkan sistem otomatis untuk klasifikasi jenis kendaraan dan deteksi kecepatan rata-rata kendaraan di Indonesia menggunakan rekaman CCTV. Data yang dihasilkan dari sistem ini dapat menjadi acuan untuk perbaikan infrastruktur jalan. Sistem klasifikasi kendaraan yang dibangun menggunakan model RT-DETR telah dievaluasi menggunakan metrik mean average precision (mAP) pada ambang batas IoU 0.5 dan 0.5-0.95. Hasil evaluasi menunjukkan bahwa model RT-DETR dengan backbone Resnet50 memiliki nilai mAP@0,5 sebesar 0.992 dan pada mAP@0.5-0.95 sebesar 0.888. Sedangkan model dengan backbone Resnet101 mencapai nilai mAP@0.5 sebesar 0.992 dan pada mAP@0.5-0.95 sebesar 0.891. Dalam hal performa terhadap kualitas video, model RT-DETR dengan backbone Resnet50 menunjukkan keunggulan dalam mengklasifikasikan kendaraan pada video berkualitas rendah. Sementara itu, model dengan backbone Resnet101 lebih unggul pada video berkualitas tinggi. Evaluasi ini menunjukkan bahwa pemilihan backbone yang tepat dapat meningkatkan kinerja sistem klasifikasi kendaraan berdasarkan kondisi kualitas video yang berbeda. Untuk estimasi kecepatan kendaraan, sistem ini mengintegrasikan model RT-DETR, algoritma pelacakan ByteTrack, dan perhitungan perubahan perspektif menggunakan library Open CV. Evaluasi menggunakan metrik mean absolute percentage error (MAPE) menunjukkan bahwa model RT-DETR dengan backbone Resnet50 memiliki nilai MAPE sebesar 8.751%, sedangkan model dengan backbone Resnet101 memiliki nilai MAPE sebesar 9.761%. Hasil ini mengindikasikan bahwa kesalahan estimasi kecepatan berkisar pada 8.751% dan 9.761%. Dengan demikian, sistem ini diharapkan dapat meningkatkan kualitas analisis karakteristik lalu lintas, sehingga mendukung perencanaan infrastruktur jalan yang lebih efektif di Indonesia.

========================================================================================================================

High-quality road infrastructure is crucial to support public mobility. However, road repairs often lead to vehicle queues that disrupt traffic flow. Therefore, a deep understanding of traffic characteristics becomes essential in planning road infrastructure improvements. This study developed an automated system for classifying vehicle types and detecting the average speed of vehicles in Indonesia using CCTV footage. The data produced by this system can serve as a reference for road infrastructure improvements. The vehicle classification system built using the RT-DETR model has been evaluated using the mean average precision (mAP) metric at IoU thresholds of 0.5 and 0.5-0.95. Evaluation results show that the RT-DETR model with a Resnet50 backbone achieved an mAP@0.5 of 0.992 and an mAP@0.5-0.95 of 0.888. Meanwhile, the model with a Resnet101 backbone achieved an mAP@0.5 of 0.992 and an mAP@0.5-0.95 of 0.891. In terms of performance against video quality, the RT-DETR model with a Resnet50 backbone showed superiority in classifying vehicles in low-quality videos. On the other hand, the model with a Resnet101 backbone excelled in high-quality videos. This evaluation indicates that selecting the appropriate backbone can enhance the performance of the vehicle classification system based on different video quality conditions. For vehicle speed estimation, this system integrates the RT-DETR model, the ByteTrack tracking algorithm, and perspective transformation calculations using the OpenCV library. Evaluation using the mean absolute percentage error (MAPE) metric showed that the RT-DETR model with a Resnet50 backbone had a MAPE value of 8.751%, while the model with a Resnet101 backbone had a MAPE value of 9.761%. These results indicate that the speed estimation error ranges from 8.751% to 9.761%. Therefore, this system is expected to improve the quality of traffic characteristic analysis, thereby supporting more effective road infrastructure planning in Indonesia.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Deteksi Kecepatan, Klasifikasi Kendaraan, Perbaikan Jalan, RT-DETR, Road Repairs, RT-DETR, Speed Detection, Vehicle Classification.
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence T Technology > TL Motor vehicles. Aeronautics. Astronautics > TL725.3 Traffic Control
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	William Zefanya Maranatha
Date Deposited:	12 Aug 2024 02:43
Last Modified:	12 Aug 2024 02:43
URI:	http://repository.its.ac.id/id/eprint/112307

Actions (login required)

View Item