BAB I

PENDAHULUAN

1.1. Latar Belakang

Deteksi dan pengenalan rambu lalu lintas sangat penting untuk
sistem autopilot. Automatic driving telah menjadi masalah yang sering
diangkat baru-baru ini, tidak hanya untuk para peneliti tetapi juga
perusahaan yang mengabdikan kinerja mereka untuk itu (Wei et al.,
2018).
Advanced Driver Assistance System (ADAS) adalah sistem yang
dibuat untuk mengotomatisasi kendaraan, dan juga untuk membantu
manusia (pengemudi kendaraan) untuk meningkatkan keselamatan
dan menaati peraturan lalu lintas ketika menyetir mobil. Sistem harus
dapat mengklasifikasikan beberapa rambu lalu lintas yang berbeda
(mis. kecepatan maksimum diizinkan, berhenti, lambat turun, belok
depan, pejalan kaki), sehingga membantu untuk melakukan navigasi
dalam aturan lalu lintas lokal (Bruno dan Osorio, 2017)
Identifikasi rambu-rambu jalan merupakan salah satu subsistem
pengembangan teknologi intelligent road signs technology yang
paling penting, yang telah luas digunakan dalam self-driving, driver
assistance, dan pemeliharaan rambu-rambu jalan. Rambu-rambu jalan
mencakup banyak informasi yang penting, misalnya, perubahan
kondisi jalan, batasan kecepatan mengemudi, sehingga sistem
identifikasi rambu-rambu jalan dapat memberikan informasi yang
akurat dengan bantuan data yang terdeteksi seperti kondisi-kondisi
jalan (Yin et al., 2015)
Karena lokasi tanda rambu lalu lintas umumnya lebih tinggi dari
mobil, dan warna tanda-tanda lalu lintas tidak dapat dideteksi oleh
radar, identifikasi rambu lalu lintas berdasarkan computer vision
 dengan bantuan metode deep learning penting untuk dilakukan sebuah
penelitian mengenai permasalahan itu. Penelitiam tentang algoritma
pengenalan rambu lalu lintas yang cepat dan akurat memiliki nilai
praktis yang penting dan dapat diaplikasikan pada sistem automatic
driving . Selain itu, karena di Indonesia sistem pengenalan tanda-tanda
rambu lalu lintas yang belum banyak diteliti, maka penulis merasa
perlu dilakukannya penelitian mengenai permasalahan itu demi
mendukung pengembangan sistem automatic driving dan driver
assistance. ,

1.2. Rumusan Masalah

Berdasarkan uraian latar belakang diatas, maka dapat dirumuskan
masalah yang akan dibahas dalam penelitian ini adalah merancang
sistem pendeteksian tanda-tanda lalu lintas (traffic signs)
menggunakan metode deep learning untuk mengoptimasikan akurasi
pendeteksian yang akan dicapai.
1.3. Batasan Masalah
Dalam pembuatan dan penelitian ini, diberikan beberapan batasan
masalah sebagai berikut:
1. Dalam tes pembacaan, kecepatan kendaraan kecil atau sama
dengan 80 km/jam.
2. Video yang diproses adalah video yang direkam yang memiliki
pencahayaan yang cukup.
1.4. Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk merancang sistem yang
mampu mendeteksi tanda-tanda lalu lintas melalui data video
menggunakan metode deep learning dengan akurasi yang baik
1.5. Manfaat Peneilitan
 Manfaat dari penelitian ini adalah untuk membantu pengembang
teknologi kendaraan yang menggunakan sistem automatic driving dan
driver assistance.
1.6. Metodologi Penelitian
Metodologi penelitian yang akan dilakukan adalah sebagai
berikut:
1. Penentuan topik yang akan dijadikan penelitian. Penentuan topik
dilakukan dengan didampingi oleh dosen pembimbing.
2. Mengidentifikasi masalah-masalah pada topik dan mencarika solusi
pemecahan yang dihadapi pada topik tersebut.
3. Melakukan studi pustaka dengan cara mencari referensi dari
metode-metode yang sudah teliti. Sumber yang digunakan adalah
dengan mempelajari artikel, jurnal, makalah, karya tulis, buku-
buku, serta halaman web yang terkait dengan metode deep learning
untuk memproses video dalam mengklasifikasikan suatu objek
tertentu.
4. Berkonsultasi dengan dosen pembimbing mengenai metode yang
akan digunakan.
5. Membuat perancangan sistem deep learning untuk mendeteksi dan
mengklasifikasikan tanda-tanda lalu lintas.
6. Melakukan training data dan uji keakurasian data hasi uji coba
7. Pengujian dilakukan untuk mendapatkan data dan analisa dari
sistem dan diperbaiki ketika ada kesalahan.
8. Penulisan laporan dilakukan setelah mendapatkan data-data yang
cukup.
1.7. Sistematika Penelitian
Sistematika penulisan dalam penyusunan usulan penelitian S1 ini
adalah
sebagai berikut:
BAB I PENDAHULUAN
Bab ini berisi tentang latar belakang masalah yang akan
dikaji,
tujuan penelitian, batasan malasah pada penelitian, metodologi
penelitian yang dilakukan serta sistematika penulisan laporan
penelitian.
BAB II TINJAUAN PUSTAKA
Bab ini berisi tentang penelitian-penilitian terdahulu mengenai
metode-metode pendeteksian dan pengklasifikasian suatu objek
tertentu khususnya kendaraan dan tanda-tanda lalu lintas.
BAB III LANDASAN TEORI
Bab ini berisi tentang dasar teori yang mencakup teori-teori
mengenai metode-metode deep learning dalam mendeteksi dan
mengklasifikasikan suatu objek serta mengenai tools yang dipakai
untuk memproses data.
BAB IV METODE PENELITIAN
Bab ini berisi tentang penjelasan mengenai rancangan sistem
secara keseluruhan meliputi bahan dan perangkat penelitian,
rancangan arsitektur sistem, rancangan algoritme software, dan
rancangan pengujian sistem.
BAB V JADWAL PENELITIAN
Bab ini berisi tabel yang menunjukkan rencana waktu penelitian.
Rencana waktu penelitian dimulai dari penyusunan proposal sampai
pembuatan laporan akhir.
 BAB II
TINJAUAN PUSTAKA

Menurut Adistya dan Muslim, (2016), deteksi dan klasifikasi kendaraan yang
mereka teliti menggunakan algoritma back propagation dan sobel. Pada proses
image processing, data yang digunakan 10 x 10 kemudian dibinerisasi untuk
dijadikan nilai input pada jaringan syaraf tiruan menggunakan 3 layer, learning
rate 0.3. Training proses berhenti dengan nilai maksimal 10.000 MSE (Mean
Square Error) 0.0001. Tingkat pengujian sistem pada pagi, siang, malam secara
rata-rata adalah 94,63% , 93,85% , dan 68,32% (Adistya dan Muslim, 2016).

Suhao et al., (2018) juga melakukan penelitian yang sama mengenai pendeteksian
kendaraan lalu mengklasifikasikannya menjadi 3 jenis, yaitu mobil, minibus, dan
SUV (Sport Utility Vehicle). Pada penelitian ini, jika dibandingkan dengan metode
tradisional machine learning, dengan metode Fast Region Convolutional Neural
Network (Fast R-CNN) didapatkan hasil peningkatan pada rata-rata akurasi deteksi
dan detection rate target telah meningkat. (Suhao et al., 2018)

Menurut Irfan et al., (2017), pada penelitiannya mengenai klasifikasi kendaraan,

proses deteksinya menggunakan Haar Cascade classifier dengan data training berupa
citra kendaraan dan data uji berupa citra keadaan di jalan tol yang diambil
secara acak. Klasifikasi kendaraannya di bagi menjadi 3 tipe kendaraan yaitu
mobil, bus, dan truk. Lalu klasifikasi dievaluasi dengan parameter accuracy. Hasil
pengujian dalam proses deteksi kendaraan menunjukkan accuracy sebesar 92,67%.
Sementara itu, proses klasifikasi dilakukan dengan tahap trial and error untuk
mengevaluasi parameter yang telah ditentukan. Hasil penelitian menunjukkan sistem
klasifikasi memiliki rata rata nilai accuracy sebesar 87,60% (Irfan et al., 2017).
 Sedangkan menurut Satar dan Dirik, (2018), yang melakukan penelitian khusus
mengenai metode deep learning untuk mengklasifikasikan model dan pabrikan
pembuat kendaraan (vehicle make-model), Sebuah pipeline diusulkan untuk
menggabungkan model SSD (Single Shot Multibox Detector) dengan model CNN
(Convolutional Neural Network) untuk melatih database. Di pipeline itu, mereka
mendeteksi kendaraan dengan mengikuti suatu algoritma yang mengurangi waktu
untuk anotasi. Kemudian, mereka menggabungkannya dengan model CNN.
Tercapai sekitar 4% hasil akurasi klasifikasi lebih baik daripada menggunakan model
CNN konvensional. Selanjutnya, mereka mengusulkan untuk menggunakan
kendaraan yang terdeteksi sebagai Ground Truth Bounding Box (GTBB) dari gambar
dan digabungkan ke model SSD di pipeline lain. Pada tahap ini, diperoleh hasil
akurasi klasifikasi yang wajar tanpa menggunakan GTBB yang berbentuk sempurna.

Baru-baru ini, terdapat penelitian mengenai pendeteksian kendaraan melalui UAV

(Unmanned Aerial Vehicle) dalam video 4K UHD (Ultra-High Definition).
Menurut Seo, (2019), sistem perhitungan kendaraan lalu lintas menggunakan UAV
memiliki berbagai keunggulan daripada sistem pemantauan lalu lintas tradisional
yang menggunakan loop sensor tetap. Penelitiannya mengusulkan metode
implementasi deteksi dan klasifikasi kendaraan yang dapat dicapai menurut
perencanaan Austroads. Sistem yang diusulkan memiliki dua proses primer: deteksi
dan klasifikasi. Penelitian ini memperkenalkan metode pelatihan, deteksi, dan
klasifikasi data kendaraan dengan menerapkan Darknet-53 untuk kendaraan yang
ditemukan dalam gambar UHD. Penulis juga mengusulkan metode klasifikasi
variable ketika kendaraan sedang parkir dan berhenti untuk memantau arus lalu
lintas. Penulis mempertimbangkan tiga kondisi yaitu saat mengemudi, berhenti, dan
parkir. Hasil percobaan menunjukkan bahwa pendekatan yang diusulkan
menghasilkan kesalahan (error) dua kali lebih rendah dari metode konvensional yang
menggunakan pencarian area tetap (fixed search area) (Seo, 2019). Dua tahun
sebelumnya, Ammour et al., (2017) juga melakukan penelitian mengenai deteksi dan
klasifikasi kendaraan berdasarkan citra dari UAV. Dengan dilakukannya segmentasi
dari gambar masukan menjadi bagian-bagian kecil yang homogeny, yang bisa
digunakan sebagai lokasi kandidat untuk deteksi kendaraan. Selanjutnya sebuah
window akan diekstraksi di sekitar masing-masing wilayah, dan deep learning
digunakan untuk memanen fitur-fitur deskriptif tinggi dari windows ini. Peneliti
menggunakan sistem jaringan saraf convolutional (CNN) yang mendalam yang sudah
dilatih sebelumnya tentang data tambahan yang sangat besar sebagai alat ekstraksi
fitur, dikombinasikan dengan sebuah classifier linear SVM untuk mengklasifikasikan
wilayah-wilayah tadi menjadi kelas-kelas "mobil" dan "tidak ada mobil". Untuk
mengevaluasi metodenya , eksperimen dilakukan pada serangkaian gambar UAV
nyata yang diperoleh sebuah daerah perkotaan. Hasil percobaan telah membuktikan
bahwa metode yang diusulkan mengungguli metode state-of-the-art, baik dari segi
akurasi maupun waktu komputasi.

Menurut Wang, (2018), penelitiannya berfokus pada pengkoreksian dan

pengefesiensian yang tinggi mengenai deteksi dan klasifikasi dengan metode Caffe
(Convolution Architecture for Fast Feature Embedding). Sebuah algoritma deep
CNN digunakan untuk melatih tranining sets dari tanda-tanda rambu lalu lintas
(traffic signs) untuk mendapatkan model yang bisa mengklasifikasikan traffic signs
dan untuk belajar serta mengidentifikasikan fitur-fitur yang yang paling kritikal dari
traffic signs itu.

Yasmina et al., (2018), melakukan penelitian yang serupa mengenai klasifikasi

traffic signs. Arsitektur sistem dirancang untuk ekstrak fitur-fitur utama dari gambar
rambu lalu lintas untuk mengklasifikasikannya pada kategori yang berbeda. Metode
yang disajikan menggunakan modifikasi LeNet-5 network untuk mengekstraksi
representasi rambu lalu lintas untuk melakukan pengenalan. Metode ini didasari oleh
CNN dimodifikasi dengan menghubungkan semua keluaran dari convolutional
layers ke Multilayer Perceptron (MLP). Pelatihannya dilakukan menggunakan
Dataset Tanda Lalu Lintas Jerman dan mencapai hasil yang baik dalam mengenali
rambu lalu lintas (Yasmina et al., 2018)

Menurut penelitian (Lai et al., 2018), dengan metode pengenalan dan klasifikasi
berdasarkan CNN-SVM, fitur-fitur deep image diekstraksi oleh CNN di ruang
warna YCbCr – (luma, blue, and red component). SVM terhubung dengan lapisan
terakhir CNN untuk klasifikasi lebih lanjut, yang berkontribusi pada hasil pelatihan
yang lebih baik. Di sisi lain, beberapa prosedur preprocessing gambar dilakukan
untuk memproses pengujian, untuk menghilangkan negative impact-nya, misalnya,
pencahayaan yang tidak memadai, oklusi parsial, dan deformasi.

Sedangkan menurut penelitian Bengtson et al., (2018), mereka menggunakan tiga

struktur jaringan saraf yang berbeda, CNN, Capsule Network dan Faster R-CNN,
untuk mendeteksi dan mengklasifikasikan rambu lalu lintas dari German Traffic Sign
Recognition- and Detection Benchmark (disingkat GTSRB dan GTSDB). Jaringan
diimplementasikan menggunakan library machine learning untuk Python seperti
TensorFlow dan Keras. Hasil yang diperoleh adalah akurasi klasifikasi 98,61% untuk
CNN dan 99,62% untuk Capsule Network. Tujuannya adalah untuk mencapai hasil
yang mendekati hasil terbaik yang terdaftar di GTSRB, yaitu 99,71%. Tujuan lain
adalah menggunakan deep learning networks untuk menemukan dan
mengklasifikasikan tanda lalu lintas dalam suatu gambar. Ini dilakukan dengan
implementasi Faster R-CNN, yang berhasil mendeteksi dan mengklasifikasikan
tanda-tanda lalu lintas dengan mean Average Precision (mAP) sebesar 0,56.

Jika dirangkum, komparasi penelitian sebelumnya yang digunakan sebagai acuan

penelitian ini yang memakai metode-metode deep learning pada Tabel 2.1.

Tabel 2.1 Komparasi Penelitian

Pengarang Judul Penelitian Keterangan

Adistya Deteksi dan Klasifikasi Menggunakan algoritma back
 dan Kendaraan menggunakan propagation dan sobel. Pada proses
Muslim, Algoritma image processing, data yang digunakan
(2016) Backpropagation dan 10 x 10 kemudian dibinerisasi untuk
Sobel dijadikan nilai input pada jaringan
syaraf tiruan menggunakan 3 layer,
learning rate 0.3.
Huttunen Car Type Recognition Dengan menggunakan dua data driven
et al., with Deep Neural framework yaitu DNN dan SVM dengan
(2016) Networks fitur SIFT, mendapatkan hasil akurasi
predikdi yang tervalidasi dengan lebih
dari 6500 gambar yaitu lebih dari 97%
Irfan et Sistem Klasifikasi Haar Cascade classifier sebagai
al., (2017) Kendaraan Berbasis pengklasifikasi data training berupa citra
Pengolahan Citra Digital kendaraan dan data uji berupa citra
dengan Metode keadaan di jalan tol yang diambil
Multilayer Perceptron secara acak. Klasifikasinya di bagi
menjadi 3 tipe yaitu mobil, bus, dan
truk. klasifikasi dievaluasi dengan
parameter accuracy. Hasil deteksi
kendaraan menunjukkan accuracy sebesar
92,67%. Proses klasifikasi dilakukan
dengan tahap trial and error untuk
mengevaluasi parameter yang telah
ditentukan serta menunjukkan sistem
memiliki rata rata nilai accuracy sebesar
87,60%
Ammour Deep Learning Approach Segmentasi dari gambar masukan menjadi
et al., for Car Detection in UAV bagian-bagian kecil yang homogen,
(2017) Imagery sebagai lokasi kandidat untuk deteksi
kendaraan. Sebuah window akan
diekstraksi di sekitar masing-masing
wilayah, dan deep learning digunakan
untuk memanen fitur-fitur deskriptif
tinggi dari windows ini. deep CNN
sebagai alat ekstraksi fitur,
dikombinasikan dengan classifier linear
SVM untuk
Lanjutan Tabel 2.1 Komparasi Penelitian
mengklasifikasikan wilayah-wilayah
menjadi kelas-kelas "mobil" dan "tidak
ada mobil" Hasilnya membuktikan
bahwa metode ini mengungguli metode
 state-of-the-art, baik dari segi akurasi
maupun waktu komputasi
Satar dan Deep Learning Based Sebuah pipeline diusulkan untuk
menggabungkan model SSD dengan
Dirik, Vehicle Make-Model
model CNN untuk melatih database.
(2018) Classification Dengan mengikuti suatu algoritma,
waktu untuk anotasi diturunkan.
Kemudian, menggabungkannya dengan
model CNN. Tercapai sekitar 4% hasil
akurasi klasifikasi lebih baik daripada
menggunakan model CNN konvensional.
Dengan kendaraan yang terdeteksi
sebagai GTBB dari gambar dan
digabungkan ke model SSD di pipeline
lain. Diperoleh hasil akurasi klasifikasi
yang wajar tanpa menggunakan GTBB
yang berbentuk sempurna
Suhao et Vehicle type detection Mengklasifikasikan 3 jenis, yaitu mobil,
al., (2018) based on deep learning minibus, dan SUV jika dibandingkan
in traffic scene dengan metode tradisional machine
learning, dengan metode Fast Region
Convolutional Neural Network (Fast R-
CNN) didapatkan hasil peningkatan pada
rata-rata akurasi deteksi dan detection
rate target telah meningkat.

Lanjutan Tabel 2.1 Komparasi Penelitian

Seo, Vehicle Detection and Sistem perhitungan kendaraan lalu lintas

Car Type Identification menggunakan UAV memiliki berbagai
(2019)
System using Deep keunggulan daripada sistem pemantauan
Learning and lalu lintas tradisional yang menggunakan
Unmanned Aerial loop sensor tetap. Penelitiannya beracuan
Vehicle pada perencanaan Austroads. Penelitian
ini memperkenalkan metode pelatihan,
deteksi, dan klasifikasi data kendaraan
dengan menerapkan Darknet-53 untuk
kendaraan yang ditemukan dalam
gambar UHD. Digunakan metode
klasifikasi variable ketika kendaraan
 sedang parkir dan berhenti untuk
memantau arus lalu lintas. Hasil
percobaan menunjukkan bahwa
pendekatan yang diusulkan
menghasilkan kesalahan (error) dua kali
lebih rendah dari metode konvensional
yang menggunakan fixed search area

BAB III
LANDASAN TEORI

Deep Learning (DL) digunakan dalam domain pemrosesan gambar digital

untuk menyelesaikan masalah yang sulit seperti pewarnaan, klasifikasi, segmentasi,
dan deteksi gambar. Metode DL seperti Convolutional Neural Networks (CNNs)
sebagian besar meningkatkan kinerja prediksi menggunakan yang data besar dan
sumber daya komputasi yang banyak dan telah mendorong batas-batas apa yang
mungkin untuk dilakukan. Masalah yang sekarang diasumsikan tidak dapat
diselesaikan, sedang diselesaikan dengan akurasi manusia super. Klasifikasi gambar
adalah contoh utama dari penggunaan DL. Sejak dihidupkan kembali oleh Krizhevsky
et al (2012), DL telah mendominasi domain sejak saat itu higga sekarang karena
kinerja yang jauh lebih baik dibandingkan dengan metode tradisional (O’Mahony et
al., 2020).

3.1. Deep Learning (DL)

3.1.1. Pengertian DL
Untuk mendapatkan pemahaman mendasar mengenai DL kita butuh untuk
memahami perbedaan antara analisis deskriptif dan analisis prediktif.
Analisis deskriptif melibatkan pendefinisian model matematika komprehensif
yang menggambarkan fenomena yang ingin kita amati. Ini memerlukan
pengumpulan data tentang suatu proses, pembentukan hipotesis pada pola dalam
data dan memvalidasi hipotesis ini dengan membandingkan hasil dari model
deskriptif yang kita bentuk dengan keluaran riil (Bonaccorso, 2018). Memproduksi
model seperti itu adalah hal yang krusial karena selalu ada risiko dari variabel yang
tidak dimodelkan dan diabaikan oleh para ilmuwan dan insinyur karena
ketidaktahuan atau kegagalan untuk memahami beberapa fenomena yang
kompleks, tersembunyi atau tidak intuitif (O’Mahony, 2017).
Analisis prediktif melibatkan penemuan aturan yang mendasari fenomena
dan bentuk sebuah model prediktif yang meminimalkan kemungkinan faktor-faktor
pengganggu (Bonaccorso, 2018). Machine learning menyangkal paradigma
pemrograman tradisional di mana analisis permasalahan diganti oleh training
framework di mana sistem diumpanbalikan ke sejumlah pola pelatihan yang besar
(set input yang hasil yang diinginkan diketahui) yang dipelajari dan digunakan
untuk menghitung pola baru (O’Mahony,2017).
DL adalah bagian dari machine learning. DL sebagian besar berbasis
pada Jaringan Saraf Tiruan (JSN), paradigma komputasi yang terinspirasi oleh
sistem kerja otak manusia. Seperti otak manusia, DL terdiri dari banyak sel
komputasi atau 'neuron' yang masing-masing melakukan operasi sederhana dan
berinteraksi satu sama lain untuk membuat keputusan (O’ Mahony, 2016). Deep
Learning secara keseluruhan adalah tentang pembelajaran atau “credit
assignment” di dalam lapisan jaringan saraf secara akurat, efisien dan tanpa
pengawasan atau pengendalian. Organisasi mandiri dan eksploitasi interaksi antara
unit-unit kecil telah terbukti berkinerja lebih baik daripada kontrol pusat, terutama
untuk model proses non-linear yang kompleks dalam kesalahan yang lebih baik
toleransi dan kemampuan beradaptasi terhadap data baru dapat dicapai (Koehn,
1994).

3.1.2. Keunggulan DL
Kemajuan cepat dalam DL dan peningkatan dalam kemampuan perangkat
 termasuk daya komputasi, kapasitas memori, konsumsi daya, resolusi sensor
gambar, dan optik telah meningkatkan kinerja dan efektivitas biaya lebih lanjut
penyebaran aplikasi berbasis visi. Dibandingkan dengan teknik CV tradisional, DL
memungkinkan insinyur CV untuk mencapai akurasi yang lebih besar dalam tugas-
tugas seperti klasifikasi gambar,segmentasi semantik, deteksi objek dan Pelokalan
dan Pemetaan Simultan (MEMBANTING). Karena jaringan saraf yang digunakan
dalam DL dilatih daripada diprogram, aplikasi yang menggunakan pendekatan ini
sering membutuhkan analisis yang kurang ahli dan fine tuning dan mengeksploitasi
sejumlah besar data video yang tersedia di sistem saat ini. DL juga memberikan
fleksibilitas unggul karena model dan kerangka kerja CNN dapat dilatih ulang
menggunakan dataset kustom untuk setiap kasus penggunaan, yang bertentangan
dengan algoritma CV, yang cenderung lebih spesifik domain (O’Mahony, 2020)

3.1.3. ……………………….

3.1.4. ……………………….

3.1.5. ……………………….

3.2.
3.3.

3.4.

3.5.
 Daftar Pustaka

Adistya, R., Muslim, M.A., 2016. Deteksi dan Klasifikasi Kendaraan menggunakan
Algoritma Backpropagation dan Sobel 9.
Bengtson, J., Heikkilä, F., Nilsson, P., Nyström, L., Persson, E., Tellwe, G., 2018.
Deep Learning Methods for Recognizing Signs/Objects in Road Traffic
(Thesis). Chalmers University of Technology, Gothenburg, Sweden.
Bruno, D.R., Osorio, F.S., 2017. Image classification system based on deep learning
applied to the recognition of traffic signs for intelligent robotic vehicle
navigation purposes, in: 2017 Latin American Robotics Symposium (LARS)
and 2017 Brazilian Symposium on Robotics (SBR). Presented at the 2017
Latin-American Robotics Symposium (LARS) and 2017 Brazilian
Symposium on Robotics (SBR), IEEE, Curitiba, pp. 1–6.
https://doi.org/10.1109/SBR-LARS-R.2017.8215287
Irfan, M., Ardi Sumbodo, B.A., Candradewi, I., 2017. Sistem Klasifikasi Kendaraan
Berbasis Pengolahan Citra Digital dengan Metode Multilayer Perceptron.
IJEIS (Indones. J. Electr. Instrum. Syst.) 7, 139.
https://doi.org/10.22146/ijeis.18260
Lai, Y., Wang, N., Yang, Y., Lin, L., 2018. Traffic Signs Recognition and
Classification based on Deep FeatureLearning:, in: Proceedings of the 7th
International Conference on Pattern Recognition Applications and Methods.
Presented at the 7th International Conference on Pattern Recognition
Applications and Methods, SCITEPRESS - Science and Technology
Publications, Funchal, Madeira, Portugal, pp. 622–629.
https://doi.org/10.5220/0006718806220629
O’Mahony, N., Campbell, S., Carvalho, A., Harapanahalli, S., Hernandez, G.V.,
Krpalkova, L., Riordan, D., Walsh, J., 2020. Deep Learning vs. Traditional
Computer Vision, in: Arai, K., Kapoor, S. (Eds.), Advances in Computer
Vision. Springer International Publishing, Cham, pp. 128–144.
https://doi.org/10.1007/978-3-030-17795-9_10
Seo, C.J., 2019. Vehicle Detection and Car Type Identification System using Deep
Learning and Unmanned Aerial Vehicle 8, 6.
Suhao, L., Jinzhao, L., Guoquan, L., Tong, B., Huiqian, W., Yu, P., 2018. Vehicle
type detection based on deep learning in traffic scene. Procedia Computer
Science 131, 564–572. https://doi.org/10.1016/j.procs.2018.04.281
Wei, L., Runge, L., Xiaolei, L., 2018. Traffic sign detection and recognition via
transfer learning, in: 2018 Chinese Control And Decision Conference
(CCDC). Presented at the 2018 Chinese Control And Decision Conference
(CCDC), IEEE, Shenyang, pp. 5884–5887.
https://doi.org/10.1109/CCDC.2018.8408160
Yasmina, D., Karima, R., Ouahiba, A., 2018. Traffic signs recognition with deep
learning, in: 2018 International Conference on Applied Smart Systems
(ICASS). Presented at the 2018 International Conference on Applied Smart
Systems (ICASS), IEEE, Medea, Algeria, pp. 1–5.
https://doi.org/10.1109/ICASS.2018.8652024
Yin, S., Ouyang, P., Liu, L., Guo, Y., Wei, S., 2015. Fast Traffic Sign Recognition
with a Rotation Invariant Binary Pattern Based Feature. Sensors 15, 2161–
2180. https://doi.org/10.3390/s150102161
Krizhevsky A, Sutskever I, Hinton GE., 2012, ImageNet Classification with Deep
Convolutional Neural Networks. NIPS’12 Proc 25th Int Conf Neural Inf
Process Syst 1:1097–1105
Bonaccorso G, 2018, Machine Learning Algorithms Popular Algorithms for Data
Science and Machine Learning, 2nd Edition. Packt Publishing Ltd
Mahony NO, Murphy T, Panduru K, Walsh J, Riordan D., 2017, Improving controller
performance in a powder blending process using predictive control. In: 2017
 28th Irish Signals and Systems Conference (ISSC). IEEE, pp 1–6
O’ Mahony N, Murphy T, Panduru K, Riordan D., 2016, Adaptive process control
and sensor fusion for process analytical technology. In: 2016 27th Irish
Signals and Systems Conference (ISSC). IEEE, pp 1–6
Koehn P, Koehn P., 1994, Combining Genetic Algorithms and Neural Networks: The
Encoding Problem