Final Report

Combining outlier detection and deep learning classification techniques to

automatic detection of traffic lights, street crossings and urban roundabouts while
driving with GPS traces.
Peneliti : Mario Munoz-Organero⁎, Ramona Ruiz-Blaquez, Luis Sánchez-Fernández

Anggota :
Robertus Yunico Prasetyo 26414013
Alvin Tanujaya Sutanto 26414098
Dwijaya Kongky Salim 26414100
Marvil Dondokanbey 26414133
Yosua Umbu Datu Kadiwanu 26414130

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
4. Judul sebelumnya tidak sesuai dengan format yang disarankan

2. Penjelasan singkat tentang apa yang dilakukan di penelitian ini

Membahas metode baru untuk pembuatan peta jalan yang berfokus pada deteksi otomatis
unsur - unsur jalan seperti lampu lalu lintas, persimpangan jalan dan bundaran.

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.
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.
5. RP: Dengan menggabungkan outlier detection dan deep learning classification techniques
untuk deteksi otomatis maka tidak akan ada lagi cara mengemudi yang tidak normal.
6. RQ: Seberapa kecilnya penggunaan sistem dan data dengan menggunakan metode pada
penelitian ini?
7. RQ: Seberapa akuratnya waktu perjalanan dengan menggunakan metode pada penelitian
ini?
8. RO: Menerapkan algoritma baru yang mengkombinasikan teknik outlier detection dan
deep learning classification, sehingga estimasi waktu perjalanan menjadi lebih akurat.
4. Pendahuluan
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 akselerasi 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 penelitian 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.
1. Menjelaskan secara rinci mengenai apa saja yang dapat diberikan dan didapatkan melalui
mobile device
2. Menjelaskan juga tentang GPS yang dapat menghasilkan routable maps
3. Menjelaskan metode-metode yang digunakan untuk mendapatkan hasil research dari paper
ini
4. Banyak kutipan yang digunakan untuk memperkuat bab 1
5. RP: Dengan menggunakan teknik crowdsensing untuk deteksi otomatis maka tidak akan
ada lagi bagian jalan yang berbahaya.
6. RQ: Seberapa besar hasil yang dicapai dalam mencari atau mendeteksi jalan yang
berbahaya dengan menggunakan metode pada penelitian ini?
7. RO: Menerapkan algoritma baru yang mengkombinasikan teknik outlier detection dan
deep learning classification, sehingga estimasi waktu perjalanan menjadi lebih akurat.

5. Pembahasan metode-metode dari penelitian terkait ( related works / previous research)

Penelitian-penelitian yang terkait masih dapat digunakan karena tahun penelitian masih berjarak 1
- 5 tahun yang lalu, dan hanya 2 penelitian yang lebih dari rentang 5 tahun, yaitu penelitian oleh
Bujari, Licar, dan Palazzi (2012), dan White, Thompson, Turner, Dougherty, dan Schmidt (2011).
Penelitian yang terkait menggunakan metode yang sama dengan yang ditulis di judul yaitu outlier
detection.
 Penelitian yang terkait kebanyakan berhubungan dengan sensor-sensor untuk sensor jalan sama
dengan topik yang diusulkan.

6. Pembahasan metode penelitian yang diusulkan

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

7. Analisis perbedaan dari penelitian yang terkait dan penelitian yang diusulkan
Penelitian yang diusulkan memakai metode yang sama dengan penelitian yang terkait yaitu
menggunakan Outlier detection digunakan oleh Magaña, Organero, Fisteus, dan Fernández (2016)
Tang dan Ngan (2016).

8. Pembahasan langkah-langkah tahapan penelitian ini termasuk pengolahan data

Dua data set dijelaskan lebih rinci pada bagian ini, data set yang digunakan untuk memvalidasi
algoritma yang diusulkan:
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
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.

9. Hasil penelitian dan diskusi

 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
sampel yang digunakan untuk training dan validasi, yaitu 90% validasi dan 10% training.
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, selain itu juga terdapat pembahasan masalah yang terjadi dan hasil yang terbaik dari beberapa opsi
yang ada. Selain itu juga terdapat pembandingan dengan penelitian sebelumnya.

10. Kesimpulan
Pada kesimpulan dituliskan hasil dari penelitian yaitu :
- RQ sudah terjawab dengan hasil yang ditemukan berupa 0,89 untuk dataset pertama dan 0,82
untuk dataset kedua
- mekanisme baru yang langsung mendeteksi elemen infrastruktur dari jalan dengan menggunakan
sensor GPS sewaktu mengemudi
- Penelitian difokuskan kepada lampu lalu lintas, penyeberangan jalan dan jalan putar balik
- Mekanisme telah divalidasi dengan 2 dataset
- 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 :
- Di sebutkan 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
11. Referensi
Referensi 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 digunakan.