BAB II
DASAR TEORI
c
Gambar 2.1 Golongan kendaraan pada tol (Lestiawan, 2013)
Adapun penggolongan kendaraan pada gerbang tol berikut ini : (Kargo, 2018)
1. Golongan 1
Kendaraan yang termasuk pada golongan ini :
1. Sedan
2. Jeep
3. Pick-up
4. Metromini
5. Bus elf
4
5
2. Golongan 2
Truk ringan dengan 2 sumbu 6 roda kendaraan yaitu kendaraan barang dengan
muatan sumbu seberat 5 ton, pada sumbu belakang dengan bagian depan 2 roda
dan bagian belakang 4 roda. Truk pada golongan ini yaitu truk engkel, dimana
truk ini memiliki dua jenis engkel yaitu :
a. Truk engkel single memiliki jumlah roda 4, jumlah sumbu roda 2 dengan
konfigurasi 1-1 dengan muatan maksimal 12 ton.
b. Truk engkel double memiliki jumlah roda 6, jumlah sumbu roda 2 dengan
konfigurasi 1-2 dengan beban maksimal 16 ton.
Golongan dengan 2 gandar dapat dilihat pada Gambar 2.3. dibawah ini:
3. Golongan 3
Pada Gambar 2.4 diatas merupakan golongan truk dengan 3 gandar terbagi
menjadi dua jenis yaitu :
a) Truk trintin memiliki jumlah roda 8, jumlah sumbu roda 3 dengan
konfigurasi 1-1-2 dengan beban maksimal 18 ton.
b) Truk tronton memiliki jumlah roda 10, jumlah sumbu roda 3 dengan
konfigurasi 1-2-2 dengan beban maksimal 22 ton.
Golongan dengan 3 gandar dapat dilihat pada Gambar 2.4. dibawah ini:
4. Golongan 4
Golongan truk dengan 4 gandar terbagi menjadi dua jenis, yaitu :
a) Truk trinton
Truk ini memiliki jumlah roda 12, jumlah sumbu roda 4 dengan konfigurasi
1.1-2.2 dengan beban maksimal 30 ton.
b) Truk trailer engkel
Truk ini memiliki jumlah roda 14, jumlah sumbu roda 4 dengan konfigurasi
1-2-2.2 dengan beban maksimal 28 ton.
Golongan dengan 4 gandar dapat dilihat pada Gambar 2.5 :
7
5. Golongan 5
Truk yang termasuk dalam 5 golongan gandar yaitu :
a) Truk trailer engkel
Truk ini memiliki 5 sumbu roda dengan total 18 buah roda dengan
konfigurasi 1-2-2.2.2. truk ini memiliki beban maksimal 40 ton.
b) Truk trailer tronton
Truk ini memiliki 5 buah sumbu dengan total 18 buah roda dengan
konfigurasi 1 – 2.2 – 2.2. truk ini memiliki beban maksimal 40 ton.
c) Truk trailer tronton
Truk ini memiliki 6 buah sumbu roda dengan total 22 buah roda dengan
konfigurasi 1 - 2.2 - 2.2.2. truk ini memiliki beban maksimal 43 ton
Golongan dengan 5 gandar dapat dilihat pada Gambar 2.6 dibawah ini :
baik. Pada Machine Learning terdapat teknik untuk menggunakan ekstraksi fitur
dari data pelatihan dan algoritma pembelajaran khusus untuk mengklasifikasi
citra maupun untuk mengenali suara. Namun, metode ini masih memiliki
beberapa kekurangan baik dalam hal kecepatan dan akurasi.
Aplikasi konsep jaringan syaraf tiruan yang dalam (banyak lapisan) dapat
ditangguhkan pada algoritma Machine Learning yang sudah ada sehingga
komputer sekarang bisa belajar dengan kecepatan, akurasi, dan skala yang besar.
Prinsip ini terus berkembang hingga Deep Learning semakin sering digunakan
pada komunitas riset dan industri untuk membantu memecahkan banyak masalah
data besar seperti Computer vision, Speech recognition, dan Natural Language
Processing. Feature Engineering adalah salah satu fitur utama dari Deep
Learning untuk mengekstrak pola yang berguna dari data yang akan
memudahkan model untuk membedakan kelas. Feature Engineering juga
merupakan teknik yang paling penting untuk mencapai hasil yang baik pada
tugas prediksi.
Algoritma yang digunakan pada Feature Engineering dapat menemukan
pola umum yang penting untuk membedakan antara kelas Dalam Deep Learning,
metode CNN atau Convolutional Neural Network sangatlah bagus dalam
menemukan fitur yang baik pada citra ke lapisan berikutnya untuk membentuk
hipotesis nonlinier yang dapat meningkatkan kekompleksitasan sebuah model.
Model yang kompleks tentunya akan membutuhkan waktu pelatihan yang lama
sehingga di dunia Deep Learning pengunaan GPU sudah sangatlah umum
(Danukusumo, 2017).
Neural network
Semua model deep learning mencoba meniru cara kerja otak manusia. Sehingga
ketika bertemu dengan slah satu model deep learning maka pasti kita aka
berurusan dengan artificial neuron.
Supervised dan unsupervised learning
Tidak seperti metode lainnya yang umumnya secara tegas dapat digolongkan
sebagai supervised atau unsupervised learning. Model deep learning dapat
menggunakan supervised, semi supervised learning, dan unsupervised learning.
Dataset
Deep learning dimaksudkan untuk meniru otak manusia, sehingga secara umum
dataset jenis apapun dapat diterima. Umumnya deep learning digunakan untuk
mengolah unlabeled dataset, seperti gambar, video, suara, dan lain-lain. Namun
labeled dataset pun cocok dengan deep learning.
Multi layer
Jika diperhatikan diagram berbagai model deep learning maka akan dapat
dijumpai beberapa layer yang menghubungkan input dan output. Semakin
kompleks modelnya biasanya jumlah layer akan semakin banyak.
2.6.1 OverFeat
Salah satu arsitektur pertama yang menggunakan deep learning untuk mendeteksi
objek adalah OverFeat. Dipublikasikan pada tahun 2013 oleh peneliti dari New York
University, OverFeat memanfaatkan algoritma multi-scale sliding window dan
CNN .
11
setiap region tersebut kemudian dijadikan input untuk CNN sebagai feature
setiap fitur-fitur yang dihasilkan, kemudian menjadi input untuk SVM (yang akan
menghasilkan kelas dari region tersebut) dan linear regressor (yang akan
menghasilkan bounding box). Arsitektur R-CNN dapat dilihat pada Gambar 2.7
Seperti yang mungkin sudah Anda perhatikan, alih-alih memproses sejumlah besar
gambar yang dipangkas seperti di OverFeat, R-CNN “mengurangi” jumlah hal untuk
diproses ke beberapa wilayah. Dengan begitu, R-CNN berhasil meningkatkan
performa dari OverFeat hingga hampir 50%.
12
model yang umum digunakan untuk deteksi objek dengan solusi berbasis deep
learning (Ren, 2015).
Single Shot Detector (SSD) telah digunakan dalam penelitian ini sebagai detektor.
Model ini menggunakan jaringan bantu untuk ekstraksi fitur, juga dikenal sebagai
jaringan dasar. Kami menggunakan mobileNet, yang dijelaskan sebelumnya,
sebagai jaringan dasar di sini. SSD menggunakan peta fitur yang berbeda - beberapa
di antaranya dari jaringan dasar - untuk melakukan klasifikasi dan regresi lokalisasi.
Bentuk dari arsitektur SSD adalah fully connection neural network yang
menghasilkan koleksi ukuran tetap dari bounding boxes dan class score untuk
keberadaan objek di dalam boxes. SSD menggunakan feature maps yang berbeda -
beberapa di antaranya dari base network - untuk melakukan klasifikasi dan regresi
lokalisasi. Satu set kotak default yang ditetapkan untuk setiap cell dari feature
maps. Kemudian, SSD memprediksi skor untuk setiap kelas dan empat offset kotak
pembatas untuk setiap kotak default di setiap cell pada feature maps.
15
Pada Gambar 2.11 merupakan channel RGB (Red, Green, Blue) image berukuran
32x32 pixels yang sebenarnya adalah multidimensional array dengan ukuran
32x32x3 (3 merupakan jumlah channel). Convolutional layer terdiri dari neuron
yang tersusun sehingga membentuk sebuah filter dengan panjang dan tinggi
(pixels). Sebagai contoh, pada layer pertama pada feature extraction layer
biasanya adalah conv. layer dengan ukuran 5x5x3. Panjang 5 pixels, tinggi 5
pixels dan tebal/jumlah nya 3 buah sesuai dengan channel dari image tersebut.
Ketiga filter ini akan digeser keseluruh bagian dari gambar. Setiap pergeseran
akan dilakukan operasi “dot” antara input dan nilai dari filter tersebut sehingga
menghasilkan sebuah output atau biasa disebut dengan activation map atau
feature map, bisa dilihat pada Gambar 2.12 (Danukusumo, 2017).
2.8 Phyton
Python merupakan bahasa pemrograman dengan tujuan umum yang
dikembangkan secara khusus untuk membuat source code mudah dibaca. Python
juga memiliki library yang lengkap sehingga memungkinkan programmer untuk
membuat aplikasi yang mutakhir dengan menggunakan source code yang
tampak sederhana ( Perkovic, 2012).
2.9 Tensorflow
Tensorflow merupakan library perangkat lunak yang dikembangkan oleh Tim
Google Brain dalam organisasi penelitian Mesin Cerdas Google, untuk tujuan
melakukan pembelajaran mesin dan penelitian jaringan syaraf dalam. Tensorflow
menggabungkan aljabar komputasi teknik pengoptimalan kompilasi,
mempermudah penghitungan banyak ekspresi matematis dimana masalahnya
17