Abstrak
Kendaraan yang melebihi kapasitas jalanan akan berdampak buruk disekitarnya salah satunya
menyebabkan kecelakaan. Contoh kasus kecelakaan yang sering terjadi yaitu kendaraan melintas di jalur
yang tidak seharusnya, seperti kendaraan selain busway melintas di jalur busway dan saat berkendara di
jalan raya pantura yang memiliki lebih dari 2 jalur, terkadang si pengemudi sangat kesulitan untuk
memperhatikan jalur di sebelah kiri, jika ingin menyalip kendaraan di depannya. Maka dari itu perlu
sistem untuk memberi notifikasi kepada pengemudi agar lebih berhati-hati saat mengemudi. Di dalam
sistem ini terdapat pemberitahuan jika di depan terdapat jumlah dan jenis kendaraannya. Sistem ini
menggunakan permodelan Faster Regional Convolutional Neural Network yang dibuat pada Tensorflow
dengan memprosesnya di mini komputer atau Raspberry Pi 4B. Hasil Akurasi pada sistem ini sebesar
0.9025 atau sebesar 90.25% dengan rata-rata waktu komputasi didalam Raspberry Pi 4B sebesar 7.638
detik per gambar.
Kata kunci: Faster Regional Convolutional Neural Network, Jenis Kendaraan, TensorFlow, Komputasi Citra
Abstract
Vehicles that exceed road capacity will have a negative impact on their surroundings, one of which
causes accidents. Examples of cases of accidents that often occur are vehicles traveling in lanes that
are not supposed to be, such as vehicles other than the busway crossing the busway lane and when
driving on the Pantura highway which has more than 2 lanes, sometimes drivers find it very difficult to
pay attention to the lane on the left, if you want. overtaking the vehicle in front of him. Therefore a
system is needed to notify drivers to be more careful when driving. In this system there is a notification
if there are numbers and types of vehicles in front. This system uses the Faster Regional Convolutional
Neural Network modeling made on Tensorflow by processing it on a mini computer or Raspberry Pi 4B.
The accuracy result in this system is 0.9025 or 90.25% with an average computation time in the
Raspberry Pi 4B of 7,638 seconds per image.
Keywords: Faster Regional Convolutional Neural Network, Trasnportation Type, TensorFlow, Computer Vision.
Gambar 3. Pooling
Gambar 1. Arsitektur Convolutional Neural Network Representasi pooling layer pada persamaan
Convolutional Neural Network (CNN) ini berikut :
𝑓−1
mempunyai beberapa layer. Untuk layer utama 𝑃= 2 (2)
memiliki 5 layer yaitu terdiri dari convolution
layer, ReLu Aktivasi, Max Pooling, Fully 𝑛𝑖𝑛 +2𝑝−𝑓
𝑛𝑜𝑢𝑡 = 𝑠
+1 (3)
Connected Layer dan Fungsi Aktivasi
Keterangan :
P = Padding
4. PENGUJIAN
4.1 Pengujian Hasil Akurasi
Pengujian pada foto atau gambar ini yaitu
berupa visualisasi pendeteksian yang digunakan
untuk mendapatkan nilai akurasi disetiap foto
atau gambar yang diujikan. Dapat dilihat
dibawah ini merupak hasil visualisasi pengujian
gambar atau foto dari dataset.