LAPORAN AKHIR

PENGENALAN JENIS KENDARAAN MENGGUNAKAN DEEP LEARNING

“Disusun untuk memenuhi Ujian Akhir Semester mata kuliah Kecerdasan Buatan”

Oleh:

Alfhan Moh Jafar 10420004

Fikri Muharik Cahyo 10520016
Gupron Nurjalil 10520017

FAKULTAS SAINS DAN TEKNOLOGI

PROGRAM STUDI INFORMATIKA
INTERNATIONAL WOMEN UNIVERSITY
2023
A. Definisi

Kecerdasan buatan adalah istilah yang digunakan untuk menggambarkan kemampuan

sistem komputer atau mesin untuk meniru kecerdasan manusia dalam melakukan
berbagai tugas yang biasanya membutuhkan penalaran, belajar, dan adaptasi.

Deep Learning adalah salah satu cabang dari kecerdasan buatan (AI) yang
menggunakan jaringan saraf tiruan (neural network) untuk belajar dari data dan
melakukan berbagai tugas yang membutuhkan penalaran, belajar, dan adaptasi. Deep
learning dapat mengenali pola-pola kompleks dalam data, seperti gambar, teks, suara,
dan data lainnya, dan menghasilkan wawasan dan prediksi yang akurat.

B. Pengumpulan Data

Dalam upaya kami untuk mengembangkan sistem pengenalan jenis kendaraan, dataset
yang kami andalkan adalah dataset Vehicle Type Recognition yang tersedia di platform
Kaggle. Dengan memanfaatkan dataset ini, kami berusaha untuk merancang sebuah
solusi yang mampu mengenali berbagai jenis kendaraan diantaranya Bus, Mobil, Truk,
dan Motor.

C. Pra-pemrosesan Data

Setelah langkah pertama kami dalam menghadapi tugas ini, yakni memilih dataset
Vehicle Type Recognition dari sumber Kaggle, langkah selanjutnya yang kami lakukan
adalah pra-pemrosesan data yang teliti. Dalam langkah ini, kami melakukan sejumlah
tindakan untuk memastikan kualitas dan konsistensi data sebelum dilibatkan dalam
proses pelatihan model pengenalan jenis kendaraan.

Kami pertama-tama mengarahkan perhatian kami pada ukuran gambar. Dalam upaya
untuk mencapai konsistensi, kami mengubah semua gambar dalam dataset ini menjadi
ukuran yang seragam. Hal ini membantu dalam menghindari perbedaan ukuran yang
dapat memengaruhi performa model nantinya. Kami juga menyadari pentingnya
 normalisasi nilai piksel dalam pelatihan model. Dengan melakukan normalisasi, kami
memastikan bahwa piksel dalam gambar memiliki skala nilai yang serupa, yang
mendukung konvergensi lebih cepat selama pelatihan.

Kami juga mempertimbangkan untuk menerapkan augmentasi data. Langkah ini kami
lakukan guna meningkatkan variasi data pelatihan dan memperkenalkan keragaman
yang diperlukan untuk membuat model kami lebih tangguh dalam menghadapi situasi
dunia nyata. Melalui augmentasi data, kami dapat mengubah sedikit posisi, rotasi, atau
cahaya pada gambar, sehingga model kami terlatih untuk mengenali jenis kendaraan
dalam berbagai kondisi yang berbeda.

D. Pembuatan Model Kecerdasan Buatan

Dalam langkah berikutnya, yaitu langkah ketiga, kami fokus pada pembuatan model
kecerdasan buatan yang akan digunakan untuk tugas pengenalan gambar jenis
kendaraan. Kami menyadari pentingnya memilih model yang mampu menghadirkan
performa yang optimal dalam hal ini. Setelah pertimbangan yang matang, kami
 memutuskan untuk menerapkan arsitektur Convolutional Neural Networks (CNN),
yang telah terbukti menjadi pilihan yang sukses dalam berbagai tugas pengenalan
gambar.

Kami memutuskan untuk mengimplementasikan model ResNet (Residual Network),

salah satu varian dari CNN yang sangat populer. Model ini terkenal karena
kemampuannya untuk mengatasi masalah perubahan mendalam (vanishing gradient)
dan memungkinkan pelatihan jaringan yang lebih dalam tanpa mengorbankan
performa. Struktur residual block dalam ResNet memungkinkan aliran informasi yang
lancar melalui jaringan, membuatnya sangat efektif dalam tugas pengenalan gambar
yang kompleks.

Implementasi ResNet dalam tugas kami memungkinkan kami untuk memanfaatkan

pretrained model yang telah dilatih pada dataset gambar besar, seperti ImageNet. Ini
memberi kami keuntungan tambahan dengan memiliki fitur-fitur hierarkis yang relevan
yang dapat diekstraksi oleh model dari gambar jenis kendaraan kami.

E. Pelatihan Model

Dalam tahap keempat, yaitu pelatihan model, kami melanjutkan dengan mengambil
dataset yang telah kami pra-pemroses sebelumnya dan membaginya menjadi dua
bagian utama: data pelatihan (training) dan data pengujian (testing). Data pelatihan
digunakan untuk melatih model kecerdasan buatan kami, sementara data pengujian
digunakan untuk menguji kinerja model secara independen.

Kami memulai pelatihan dengan mengatur parameter dan hyperparameter yang krusial
untuk hasil yang baik. Pertama-tama, kami mengatur learning rate, yang mempengaruhi
seberapa besar langkah model dalam mengoptimasi selama setiap iterasi. Kami
melakukan eksperimen untuk menemukan learning rate yang optimal untuk model
kami, menghindari nilai yang terlalu besar yang dapat menyebabkan pelatihan tidak
konvergen, serta nilai yang terlalu kecil yang dapat menghambat laju konvergensi.
 Selanjutnya, kami mengatur batch size, yaitu jumlah sampel yang diproses sekaligus
sebelum parameter model diperbarui. Kami memilih batch size yang sesuai dengan
kapasitas sumber daya yang kami miliki, mencoba menemukan keseimbangan antara
kecepatan pelatihan dan penggunaan memori yang efisien.

Kami juga mengatur jumlah epoch, yaitu jumlah kali seluruh dataset dilatih oleh model.
Kami mengamati perkembangan performa model selama setiap epoch dan
menghentikan pelatihan jika performa di atas data pengujian mulai menurun, untuk
menghindari overfitting.

Proses pelatihan kami dilakukan dengan cermat dan teliti, dengan memantau metrik
evaluasi seperti akurasi dan loss di setiap epoch. Kami mengambil langkah-langkah
yang diperlukan untuk mencegah overfitting, seperti penerapan regularisasi dan
penggunaan dropout jika diperlukan.

Dengan berbagai parameter dan hyperparameter yang diatur dengan hati-hati, kami
yakin bahwa pelatihan model kami akan menghasilkan hasil yang baik dan mampu
mengenali jenis kendaraan dengan akurasi tinggi pada data pengujian yang belum
pernah dilihat sebelumnya.

F. Evaluasi Model

Tiba pada tahap kelima, evaluasi model, kami menggunakan data pengujian yang telah
kami siapkan sebelumnya untuk menganalisis kinerja model kecerdasan buatan kami.
Kami melakukan evaluasi dengan menggunakan berbagai metrik yang relevan untuk
mengukur kemampuan model dalam mengenali jenis kendaraan pada gambar secara
akurat.
 1. Akurasi: Adalah metrik dasar yang mengukur seberapa banyak prediksi yang
benar dari total prediksi yang dilakukan oleh model.

2. Presisi: Presisi mengukur seberapa banyak dari prediksi positif model yang
benar-benar benar. Ini membantu kami memahami sejauh mana model kami
memberikan prediksi yang tepat ketika ia memprediksi bahwa suatu objek
adalah jenis kendaraan tertentu.

3. Recall: Juga dikenal sebagai sensitivitas, mengukur seberapa banyak dari

keseluruhan objek positif (kendaraan) yang berhasil diidentifikasi oleh model.
Ini adalah metrik penting untuk memastikan bahwa model tidak melewatkan
banyak objek positif yang sebenarnya ada dalam gambar.

4. F1-Score: Adalah ukuran rata-rata harmonik antara presisi dan recall. Ini adalah
metrik yang bagus untuk diseimbangkan ketika ada trade-off antara presisi dan
recall.

Setelah menghitung metrik-metrik di atas, kami menganalisis hasilnya untuk

mendapatkan wawasan tentang kinerja model kami. Jika akurasi tinggi dicapai, namun
terdapat presisi atau recall yang rendah, kami akan memeriksa lebih lanjut apakah
terdapat perbedaan signifikan antara jenis kendaraan tertentu dalam dataset.
Model Prediction
G. Implementasi Pengenalan Jenis Kendaraan menggunakan Google Colab dan
TensorFlow

Google Colab (Colaboratory) adalah platform pengembangan berbasis cloud yang

memungkinkan untuk menulis dan menjalankan kode Python dalam lingkungan
notebook interaktif. Colab disediakan oleh Google dan memberikan akses ke sumber
daya komputasi seperti CPU, GPU, dan bahkan TPU (Tensor Processing Unit) untuk
menjalankan kode.

TensorFlow adalah pustaka sumber terbuka yang dikembangkan oleh Google untuk
komputasi numerik dan kecerdasan buatan. Ini adalah salah satu pustaka yang paling
populer digunakan untuk membangun, melatih, dan menerapkan model kecerdasan
buatan.

Implementasi Pengenalan Jenis Kendaraan menggunakan Google Colab yang kami

kerjakan untuk Ujian Akhir Semester (UAS) mata kuliah Kecerdasan Buatan dapat
diakses pada link berikut:

https://colab.research.google.com/drive/1vdm2GovXK_FreNSPUKKTmJObTJkH8qI
s?usp=sharing