Anda di halaman 1dari 3

Automatic detection of traffic lights, street crossings and urban

roundabouts combining outlier detection and deep learning classification


techniques based on GPS traces while driving
Peneliti : Mario Munoz-Organero⁎, Ramona Ruiz-Blaquez, Luis Sánchez-Fernández

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
membaca judul dari artikel pembaca sudah dapat langsung memahami tujuan dari penulisan
artikel ini.

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.

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.

BAB 2 Method
Pada bab ini metode dan parameter yang digunakan sudah dijelaskan dengan baik.
Dijelaskan persamaan persamaan yang digunakan, bahan yang digunakan untuk percobaan
dan cara untuk meminimalisir penyimpangan dari persamaan yang digunakan. Pada penelitian
ini digunakan dua data set untuk memvalidasi algoritma yang digunakan.

BAB 3 Scenarios and datasets


Dua data set dijelaskan lebih rinci pada bagian ini, data set yang digunakan untuk
memvalidasi algoritma yang diusulkan. Kumpulan data yang pertama secara spesifik di desain
oleh peneliti, kemudian yang kedua di ambil dari Schneegass, Pfleging, Broy, Schmidt, and
Heinrich (2013). Dengan menggunakan sampel yang sama, menggunakan dua kumpulan data
yang berbeda menghasilkan hasil seperti yang dijelaskan pada bab selanjutnya.
Pada bab ini sudah dijelaskan dengan alur cerita yang jelas. Bab 3 berhubungan erat
dengan bab 2 dan bab 4. Dimana detail algoritma dibahas pada bab 2 dan hasil dari percobaan
menggunakan data yang ada pada bab 4. Disertakan juga gambar driving path dan
Classification schema serta tabel data set (table 1).

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 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. Terdapat berbagai elemen yang digunakan sebagai sumber
informasi. 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. Hasil yang ditemukan berupa
0,89 untuk dataset pertama dan 0,82 untuk dataset kedua. Disebutkan juga 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.

Penelitian yang dilakukan juga telah mendapat tanggapan atau hasil yang baik serta
memperoleh dana dari “HERMES-SMART DRIVER” project TIN2013-46801-C4-2-R (MINECO),
M. Munoz-Organero et al. Computers, Environment and Urban Systems xxx (xxxx) xxx–xxx 7
funded by the Spanish Agencia Estatal de Investigación (AEI), and the “ANALYTICS USING
SENSOR DATA FOR FLATCITY” project TIN2016- 77158-C4-1-R (MINECO/ ERDF, EU)
funded by the Spanish Agencia Estatal de Investigación (AEI) and the European Regional
Development
Fund (ERDF) dalam pengerjaannya.

References pada artikel ini sudah sesuai dengan isi dari artikel diantaranya referensi
crowdsensing, mobile phone, gps trace, map dan beberapa teknik serta metode yang
digunakanakan

Anda mungkin juga menyukai