Automatic detection of traffic lights, street crossings and urban

roundabouts combining outlier detection and deep learning classification

techniques based on GPS traces while driving
1. Judul
Judul pada artikel sudah ditulis sesuai standar penulisan judul yang baik dan benar, serta
setelah membaca isi artikel, judul sudah sesuai dengan isi dari artikel. Pada saat pembaca sudah
membaca judul dari artikel ini, pembaca sudah dapat langsung memahami tujuan dari penulisan
artikel ini. Judul juga sudah jelas dengan apa saja yang ingin dikerjakan untuk jurnal ini.
1. Judul sesuai dengan isi dari paper
2. Judul juga sudah jelas dengan apa saja yang ingin dikerjakan untuk jurnal ini
3. Judul yang disediakan agak panjang

3. Abstract
Jurnal ini membahas metode baru untuk pembuatan peta jalan yang berfokus pada
deteksi otomatis unsur - unsur jalan seperti lampu lalu lintas, persimpangan jalan dan bundaran.
Pendeteksian dilakukan dengan cara mendeteksi lokasi mengemudi yang tidak normal melalui
jejak GPS mobile yang digunakan. Detail penjelasan mengenai latar belakang masalah landasan
penelitian teknik yang digunakan untuk membantu penelitian dijelaskan pada bagian introduction.
Sehingga dapat dikatakan gambaran umum pada artikel ini sudah dijelaskan dengan sangat baik.
Karena pada gambaran umum dalam jurnal ini, disebutkan tujuan, apa yang akan digunakan
untuk mencapai jurnal ini, dan hasil yang didapatkan dari jurnal ini.

Abstract
1. Menjelaskan mekanisme apa yang digunakan untuk membuat jalanan beserta
rambu lalu lintasnya
2. Untuk meminimalisir penggunaan sistem dan data, digunakan hanya data bekas
GPS yang digunakan selama berjalan
3. Metode yang digunakan dijelaskan secara rinci beserta alasannya
4. Hasil yang didapatkan juga disertakan.

BAB 1 Introduction
Pada dasarnya tujuan utama dari artikel ini adalah menghadirkan dan memvalidasi
algoritma baru untuk mengekstrak elemen infrastruktur jalan berdasarkan GPS trace selama
perjalanan. Algoritma tersebut mengkombinasikan teknik outlier detection dan deep learning
classification berdasarkan pola kecepatan dan akselarasi yang dihasilkan dari sensor GPS pada
sebuah ponsel. Penelitian ini juga menggunakan teknik crowdsensing untuk mendeteksi bagian
jalan yang berbahaya.
Objek penelitian yang digunakan juga dijelaskan dengan baik yaitu menggunakan
informasi infrastruktur sehingga menghasilkan estimasi waktu perjalanan yang lebih baik. Selain
itu menggunakan berbagai metode yang telah ada yang telah dijelaskan dengan baik dan runtut
oleh peneliti pada beberapa paragraf. Pada paragraf terakhir terdapat penjelasan umum yang
merupakan tujuan dari artikel ini ditulis yaitu menggabungkan beberapa metode penilitian untuk
mendukung proses penelitian sehingga tercapai deteksi secara otomatis pada infrastruktur
jalanan dengan lebih akurat dan efektif. Sumber-sumber penulisan juga disertakan dengan tujuan
untuk memperkuat tulisan yang ada.

BAB 1 Introduction
1. Menjelaskan secara rinci mengenai apa saja yang dapat diberikan dan didapatkan
melalui mobile device
2. Menjelaskan juga tentang GPS yang dapat menghasilkan routeable maps
3. Menjelaskan metode-metode yang digunakan untuk mendapatkan hasil research
dari paper ini
4. Banyak kutipan yang digunakan untuk memperkuat bab 1

Bab 2 Methods
Secara keseluruhan, penulis dapat menghubungkan metode-metode yang digunakan
dengan baik, persamaan persamaan yang digunakan, bahan yang digunakan untuk percobaan
dan cara untuk meminimalisir penyimpangan dari persamaan yang digunakan.
2.1 Data sensing and pre-processing
● Menjelaskan bagaimana cara mendapatkan informasi mengenai lokasi
kendaraan dan perkiraan kecepatan mengemudi
● Metode dan parameter yang digunakan dijelaskan dengan baik
● Menjelaskan error yang dapat terjadi dan cara mengurangi error tersebut
2.2 Outlier detection
● Menjelaskan metode untuk mendeteksi elemen jalanan seperti lampu lalu lintas
● Step-step dalam mendeteksi elemen jalanan itu dijelaskan dengan baik dan
lengkap
2.3 Deep believe network based classification
● Menjelaskan metode mengklasifikasi objek yang dideteksi oleh metode outlier
detection
● Penulis menjelaskan apa itu deep believe network
2.4 Pattern recognition based on similarities with auto-encoded segments
● Menjelaskan metode untuk mengelompokkan beberapa contoh yang tidak
dipakai dari outlier detection
● Penulis menjelaskan kesulitan dalam mengelompokkan contoh yang tidak
terpakai dan metode yang dipakai agar dapat dikelompokkan
BAB 3 Scenarios and datasets
Scenario dan datasets yang dituliskan ada 2
- Pertama kumpulan data yang di rancang secara khusus dengan menggunakan jalur
mengemudi mencakup panjang jalan dan beberapa elemen jalan (lampu lalu lintas,
penyeberangan jalan dan bundaran)
- Kedua kumpulan data di ambil dari Schneegass, Pfleging, Broy, Schmidt, and Heinrich
(2013) menggunakan sampel yang sama

BAB 4 Results and discussion

Pada bab ini dibahas hasil dari metode DBN yang digunakan serta melihat pola kecepatan
dan akselerasi untuk menilai hasil yang optimal. Terdapat parameter berupa jumlah lembar dan
jumlah unit yang tersembunyi per lembar yang bisa diatur. Dataset yang digunakan ada 2 Bab ini
juga melihat jumlah sample yang digunakan untuk training dan validasi, yaitu 90% validasi dan
10% training. Terdapat hasil yang didapatkan berdasarkan hasil konfigurasi yang berbeda pula
yang dijelaskan dengan tabel-tabel. Disebutkan metode untuk mengelompokan hasil
menggunakan metode korelasi koefisien dari Pearson. Dengan apabila kesamaannya melebihi
batas maka akan dimasukan kepada kelompok yang memiliki kesamaan tinggi, namun apabila
dibawah batas maka akan dimasukkan ke kelompok null. Terdapat penjelasan mengenai
mengapa konfigurasi yang berbeda juga menimbulkan hasil yang berbeda pula. Juga terdapat
pembahasan masalah yang terjadi dan hasil yang terbaik dari beberapa opsi yang ada. Selain itu
juga terdapat pembandingan dengan penelitian sebelumnya.

BAB 5 Conclusions
Pada kesimpulan dituliskan hasil dari penelitian yaitu :
- mekanisme baru yang langsung mendeteksi elemen infrastruktur dari jalan dengan
menggunakan sensor GPS sewaktu mengemudi
- Penelitian difokuskan kepada lampu lalu lintas, penyebrangan jalan dan jalan putar balik
- Mekanisme telah divalidasi dengan 2 dataset
- Hasil yang ditemukan berupa 0,89 untuk dataset pertama dan 0,82 untuk dataset kedua
- Mekanisme yang digunakan menggabungkan proses algoritma deteksi outlier baru dan
metode DBN + output classifier
- Algoritma pendeteksi outlier menggunakan pola kecepatan dan percepatan untuk dapat
mendeteksi elemen infrastruktur
Rekomendasi untuk penelitian selanjutnya :
- Disebutkan cara untuk menerapkan metode di skenario dunia nyata yaitu dengan tidak
menggunakan DBN, melainkan dengan skema yang menggunakan auto-encoders
bersama dengan metode perhitungan kesamaan berdasarkan korelasi koefisien milik
Pearson yang menghasilkan ketelitian yang baik apabila elemen dari jalan juga sedikit
- Bisa juga digunakan pendekatan crowdsensing.
- Pengembangan kedepan akan menggunakan informasi dari sensor lain seperti
accelerometer yang ada di handphone dengan informasi dari GPS
References pada artikel ini sudah baik karena mengambil sumber dari buku dan paper, bukan
dari internet, juga sesuai dengan isi dari artikel diantaranya referensi crowdsensing, mobile
phone, gps trace, map dan beberapa teknik serta metode yang digunakanakan.