3

BAB II
DASAR TEORI

2.1 Pengertian Jalan Tol

Jalan tol adalah jalan umum yang kepada pemakainya dikenakan kewajiban
membayar tol dan merupakan jalan alternatif lintas jalan umum yang telah
ada. Jalan tol diselenggarakan dengan maksud untuk mempercepat pewujudan
jaringan jalan dengan sebagian atau seluruh pendanaan berasal dari pengguna
jalan untuk meringankan beban pemerintah. Jalan tol diselenggarakan dengan
tujuan meningkatkan efisien pelayanan jasa distribusi guna menujukkan
pertumbuhan ekonomi dengan perkembangan wilayah dengan memperhatikan
rencana induk jaringan jalan. Terdapat beberapa cara utuk mendefenisikan
waktu pelayanan, hal itu tergantung kepada apa yang sedang dilayani.
Pelayanan berarti memberukan suatu kepuasan bagi si penerima jasa yang di
berikan kepada pemberi jasa.

2.2 Golongan Kendaraan di Gerbang Tol

Gambar 2.2 golongan kendaraan pada tol

2.2.1 Golongan 1
Kendaraan yang termasuk pada golongan ini :
1. Sedan
2. Jeep
3. Pick-up
4. Metromini

3
 4

5. Bus elf
6. Bus antar kota dan dalam kota

Gambar 2.2.1 golongan truk dengan 1 gandar

2.2.2 Golongan 2

Gambar 2.2.2 golongan truk dengan 2 gandar

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.
 5

2.2.3 Golongan 3

Gambar 2.2.3 golongan truk dengan 3 gandar

Golongan truk dengan 3 gandar terbagi menjadi dua jenis yaitu :

1. Truk trintin memiliki jumlah roda 8, jumlah sumbu roda 3 dengan
konfigurasi 1-1-2 dengan beban maksimal 18 ton.
2. Truk tronton memiliki jumlah roda 10, jumlah sumbu roda 3 dengan
konfigurasi 1-2-2 dengan beban maksimal 22 ton.
2.2.4 Golongan 4

Gambar 2.2.4 golongan truk dengan 4 gandar

Golongan truk dengan 4 gandar terbagi menjadi dua jenis, yaitu :

1. Truk trinton
 6

Truk ini memiliki jumlah roda 12, jumlah sumbu roda 4 dengan
konfigurasi 1.1-2.2 dengan beban maksimal 30 ton.
2. Truk trailer engkel
Truk ini memiliki jumlah roda 14, jumlah sumbu roda 4 dengan
konfigurasi 1-2-2.2 dengan beban maksimal 28 ton.
2.2.5 Golongan 5

Gambar 2.2.5 golongan truk dengan 5 gandar

Truk yang termasuk dalam 5 golongan gandar yaitu :
1. 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.
2. 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.
3. 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.
(Kargo, 2018)
 7

2.3 Object Detection

Object detection menentukan keberadaan suatu objek dan ruang lingkupnya
serta lokasi pada sebuah gambar. Hal ini dapat diperlakukan sebagai
pengenalan objek kelas dua, dimana satu kelas mewakili kelas objek dan kelas
lain mewakili kelas non-objek. Deteksi objek dapat dibagi lagi menjadi soft
detection dan hard detection. Soft detetction hanya mendeteksi adanya objek
sedangkan hard detection mendeteksi adanya objek serta lokasi objek
(Jalled, 2016)

2.4 Citra
2.2.1. Definisi Citra
Citra (image) adalah gambar pada bidang dua dimensi dan disusun
oleh banyak piksel yang merupakan bagian terkecil dari citra. Pada
umumnya, citra dibentuk dari kotak-kotak persegi empat yang teratur
sehingga jarak horizontal dan vertikal antara piksel sama pada seluruh
bagian citra (Ldya, et al. 2010).
Citra sebagai keluaran dari suatu sistem perekaman data dapat
bersifat :
a. Optik berupa foto,
b. Analog berupa sinyal video seperti gambar pada monitor televisi,
c. Digital yang dapat langsung disimpan pada media penyimpanan
magnetik.
Citra dapat dikelompokkan menjadi dua bagian yaitu citra diam (still
image) dan citra bergerak (moving image). Citra diam yang ditampilkan
secara beruntun (sekuensial), sehingga memberi kesan pada mata sebagai
gambar yang bergerak. Setiap citra didalam rangkaian tersebut disebut
frame. Gambar-gambar yang tampak pada film layar lebar atau televisi
pada hakekatnya terdiri dari ratusan sampai ribuan frame.
(Sitorus, Syahriol dkk. 2006)
 8

2.5 Deep Learning

2.5.1 Pengertian Deep Learning
Deep Learning merupakan salah satu bidang dari Machine Learning yang
memanfaatkan jaringan syaraf tiruan untuk implementasi permasalahan dengan
dataset yang besar. Teknik Deep Learning memberikan arsitektur yang sangat
kuat untuk Supervised Learning. Dengan menambahkan lebih banyak lapisan
maka model pembelajaran tersebut bisa mewakili data citra berlabel dengan
lebih 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)
 9

2.5.2 Karakteristik Deep Learning

Saat ini sudah cukup banyak model deep learning yang dikembangkan,
sehingga tidak mudah untuk menyimpulkan karakteristik deep learning secara
umum. Hal-hal berikut ini semoga dapat membantu kita untuk mengenali deep
learning yang lain:
 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.
(Primartha, 2018)

2.6 Convolutional Neuron Network (CNN)

Convolutional Neuron Network adalah salah satu jenis dari neural network yang
biasa digunakan pada data image. CNN bisa digunakan untuk mendeteksi dan
mengenali object pada sebuah image.Secara garis besar CNN tidak jauh beda
 10

dengan neural network biasanya. Beberapa teknik populer yang memanfaatkan

CNN, diantaranya:
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 .
2.6.2 R-CNN (Regional Convolutional Neural Network)
Permasalahan dengan menggunakan teknik sliding window adalah banyaknya
potongan-potongan gambar yang harus diproses oleh CNN. Setiap potongan
tersebut akan melalui proses konvolusi, untuk kemudian diklasifikasikan
menjadi background atau objek. Artinya, dengan banyaknya lokasi gambar serta
ukuran sliding window yang digunakan, komputasi dari keseluruhan proses
tersebut akan sangat berat! Maka muncul lah teknik Regions with CNN features
atau R-CNN yang diperkenalkan oleh peneliti dari UC Berkeley, Ross Girshick,
et al. pada tahun 2014.
Proses R-CNN sendiri terdiri dari 3 tahap;
 mencari region atau bagian gambar yang mungkin merupakan sebuah
objek, dengan metode region proposal. Salah satu contoh teknik region
proposal: Selective Search.

 setiap region tersebut kemudian dijadikan input untuk CNN sebagai feature

extractors dari tiap region tersebut.

 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).
 11

Gambar 2.6.2 Arsitektur R-CNN.

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%

2.6.3 Fast R-CNN

Meskipun peningkatan nya cukup signifikan, proses training dari R-CNN memiliki
banyak kendala. Kita perlu menghasilkan region sebelum dapat memulai
proses training! Selain itu, tidak hanya kita perlu melatih CNN itu sendiri, kita
juga perlu melakukan training untuk SVM yang digunakan
Oleh karena itu, setahun berikutnya, yaitu pada tahun 2015, Ross Girschick
mengembangkan R-CNN menjadi Fast R-CNN. Alur kerja dari Fast R-CNN
sedikit berbeda dari sebelumnya, dimana bila sebelumnya tiap region-region
dari region proposal method (Selective Search) akan memiliki CNN untuk feature
extraction masing-masing, Fast R-CNN hanya menggunakan 1 CNN. Feature
map yang dihasilkan kemudian “dicocokan” dengan Region of Interest (ROI) yang
didapat dari Selective Search tadi, untuk kemudian diklasifikasi kelas nya dan
dideteksi bounding box nya. Dengan kata lain, Fast R-CNN melakukan feature
extraction sebelum mengajukan regions. 
R-CNN juga meninggalkan penggunaan SVM sebagai classifiers, menggantinya
dengan ROI pooling dan fully-connected layers. Pendekatan dengan 1 CNN, ROI
pooling layer dan feed forward network ini tidak hanya mempercepat performa R-
CNN menjadi lebih cepat, tetapi juga menambah kapabilitas R-CNN menjadi end-
to-end differentiable dan juga mempermudah proses training (karena tidak perlu
 12

lagi melakukan train untuk SVMs dan hanya melatih 1 arsitektur CNN ketimbang

banyak CNN seperti sebelumnya).

Gambar 2.6.3 Arsitektur Fast R-CNN

2.6.4 Faster R-CNN
Penggunaan region proposal method seperti Selective Search masih menjadi
“bottleneck” dalam proses deteksi objek menggunakan R-CNN, karena metode
seperti ini membutuhkan waktu yang relatif lama untuk menghasilkan regions.
Tidak lama setelah Fast R-CNN, Faster R-CNN hadir untuk mencoba
menyelesaikan masalah region proposal method diatas. Dikembangkan oleh
Shaoqing Ren dan dibantu oleh Girshick (pelopor R-CNN dan Fast R-CNN), Faster
R-CNN memperkenalkan Region Proposal Network (RPN).
RPN adalah sebuah neural network yang menggantikan peran Selective Search
untuk mengajukan region (bagian-bagian mana dari sebuah gambar yang perlu
“dilihat” lebih jauh). RPN menghasilkan beberapa bounding box, setiap box
memiliki 2 skor probabilitas apakah pada lokasi tersebut terdapat objek atau tidak.
Region-region yang dihasilkan tersebut akan menjadi input untuk arsitektur yang
mirip seperti Fast R-CNN. Arsitektur Fast R-CNN dapat dilihat pada gambar
dibawah ini.
 13

Gambar 2.6.4 Arsitektur Faster R-CNN

Penggunaan RPN untuk mengganti Selective Search ini mengurangi kebutuhan
komputasi yang cukup signifikan, dan membuat keseluruhan model dapat di-
train secara end-to-end (karena tidak lagi ada metode yang digunakan terpisah
seperti dengan region proposal method sebelumnya).
Selain itu, Faster R-CNN juga menghasilkan performa yang lebih cepat dan lebih
akurat bila dibandingkan dengan Fast R-CNN, dan saat ini telah menjadi pilihan
model yang umum digunakan untuk deteksi objek dengan solusi berbasis deep
learning

2.7 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)
 14

2.8 Tensorflow
Tensorflow merupakan perpustakaan 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 adalah waktu yang dibutuhkan untuk melakukan perhitungan. Fitur
utamanya meliputi:
1. Mendefinisikan, mengoptimalkan, dan menghitung secara efisien ekspresi
matematis yang melibatkan array multidimension (tensors).
2. Pemrograman pendukung jaringan syaraf dalam dan teknik pembelajaran
mesin.
3. Penggunaan GPU yang transparan, mengotomatisasi manajemen dan
optimalisasi memori yang sama dan data yang digunakan. Tensorflow bisa
menulis kode yang sama dan menjalankannya baik di CPU atau GPU. Lebih
khususnya lagi, Tensorflow akan mengetahui bagian perhitungan yang harus
dipindahkan ke GPU.
4. Skalabilitas komputasi yang tinggi di seluruh mesin dan kumpulan data yang
besar.