Analisis dan Penerapan Algoritma Convolutional Neural Network untuk Klasifikasi Kendaraan Prioritas

Main Article Content

Rijal Abdulhakim
Carudin
Budi Arif Dermawan

Abstract

Jumlah kendaraan bermotor di Indonesia terus menerus meningkat di setiap tahunnya. Hal ini dapat menimbulkan masalah lalu lintas, salah satunya yaitu kemacetan. Dampak yang ditimbulkan dari kemacetan salah satunya yaitu terganggunya arus lalu lintas. Sedangkan menurut UU RI Nomor 22 Tahun 2009 tentang lalu lintas dan angkutan jalan pada pasal 134 terdapat 7 kendaraan yang harus mendapatkan prioritas di jalan raya. Karena itu, dalam penelitian ini dilakukan analisis model klasifikasi untuk jenis kendaraan pemadam kebakaran, ambulans / mobil jenazah, dan kendaraan non-prioritas dengan menerapkan algoritma CNN menggunakan data video dari CCTV yang dikelola oleh ATCS Kota Bandung. Pada penelitian ini terdapat 5 skenario berbeda dimana skenario tersebut dibedakan dengan menggunakan metode holdout dalam pembagian data dan evaluasi model. Hasil penelitian ini menunjukan bahwa skenario terbaik terdapat pada skenario 2 dengan data training sebesar 60%, data validation sebesar 20%, dan data testing sebesar 20% berhasil mendapatkan validation accuracy sebesar 66,15% dan testing accuracy sebesar 69,231%.

Article Details

Section
Articles

References

[1] Badan Pusat Statistik, “Perkembangan Jumlah Kendaraan Bermotor Menurut Jenis 1949-2018,” Badan Pusat Statistik, 2018. https://www.bps.go.id/dynamictable/2016/02/09/1133/perkembangan-jumlah-kendaraan-bermotor-menurut-jenis-1949-2016.html.
[2] Z. Hariyanto, “Klasifikasi Jenis Kendaraan Bergerak Berbasis Geometric Invariant Moment,” Institut Teknologi Sepuluh November, 2015.
[3] A. Wicaksono, “Bandung Kota Termacet se-Indonesia, Ragam Solusi Disiapkan,” CNN Indonesia, 2019. https://www.cnnindonesia.com/nasional/20191007205754-20-437595/bandung-kota-termacet-se-indonesia-ragam-solusi-disiapkan (accessed Mar. 27, 2020).
[4] Z. Dong, Y. Wu, M. Pei, and Y. Jia, “Vehicle Type Classification Using a Semisupervised Convolutional Neural Network,” IEEE Trans. Intell. Transp. Syst., vol. 16, no. 4, pp. 2247–2256, 2015.
[5] S. Stephen, R. Raymond, and H. Santoso, “Applikasi Convolution Neural Network Untuk Mendeteksi Jenis-jenis Sampah,” Explor. J. Sist. Inf. dan Telemat. (Telekomunikasi, Multimed. dan Inform., vol. 10, no. 2, pp. 122–132, 2019.
[6] Arfian, “Implementasi Convolutional Neural Network Terhadap Transportasi Tradisional Menggunakan Keras (Studi Kasus : Data Citra Transportasi Tradisional Andong, Becak dan Pedati),” Universitas Islam Indonesia, 2018.
[7] Z. Ma et al., “Fine-Grained Vehicle Classification with Channel Max Pooling Modified CNNs,” IEEE Trans. Veh. Technol., vol. 68, no. 4, pp. 3224–3233, 2019.
[8] B. Liu, X. Zhang, Z. Gao, and L. Chen, “Weld Defect Images Classification with VGG16-Based Neural Network,” Commun. Comput. Inf. Sci., vol. 815, pp. 215–223, 2017, doi: 10.1007/978-981-10-8108-8_20.
[9] Suyanto, Data Mining untuk Klasifikasi dan Klasterisasi Data. Bandung: Informatika, 2019.
[10] C.-H. Cheng and Y.-S. Chen, “Classifying the segmentation of customer value via RFM model and RS theory,” Expert Syst. Appl., vol. 36, no. 3, pp. 4176–4184, 2009.
[11] Suyanto, Machine Learning Tingkat Dasar dan Lanjut. Bandung: Informatika, 2018.
[12] R. H. Pramestya, “Deteksi dan Klasifikasi Kerusakan Jalan Aspal Menggunakan Metode YOLO berbasis Citra Digital,” Institut Teknologi Sepuluh Nopember, 2018.