Nama : Agus Hermawan

NIM : 17212006
Kelas : TI-5A
Topik Penelitian : Image Processing
Mengenai : “Hitung Kendaraan Menggunakan Algoritma Deteksi Counter
– Haar Cascade – Ssd”.
A. Reasearch Question
1. Bagaimana penggunaan algoritma Haar Cascade dapat meningkatkan
efektivitas dalam mendeteksi kendaraan pada citra atau video?
2. Apa jenis dataset yang paling cocok untuk melatih model deteksi counter – haar
cascade – ssd dalam deteksi kendaraan pada citra atau video, dan bagaimana
pengaruhnya terhadap kinerja model?
3. Bagaimana metode pre-processing gambar memengaruhi kemampuan model
deteksi counter – haar cascade – ssd dalam mendeteksi kendaraan dengan
akurasi yang tinggi?
4. Bagaimana pengaruh variasi cahaya, sudut pengambilan citra atau video, dan
kondisi lingkungan lainnya terhadap kemampuan model deteksi counter – haar
cascade – ssd dalam mendeteksi kendaraan?
5. Apa strategi pengujian dan validasi yang paling efektif untuk mengukur kinerja
model deteksi counter – haar cascade – ssd dalam mendeteksi kendaraan pada
citra atau video?
B. Kerangka ( Tabel )
Efektivitas
Pengaruh Pengujian
Author Penggunaan Deteksi Datase Pre-
Kualitas dan Hasil
, Year Counter - Haar t processing
Gambar Validasi
Cascade – SSD

C. Metode Seleksi Paper

PERBAIKAN :
1. Tambah Keywoard :
( “Deteksi Kendaraan” OR “Deteksi Kendaraan melalui Video” OR “Deteksi
Kendaraan melalui Citra” OR “Deteksi Jumlah Kendaraan“ OR “Deteksi Jumlah
Kendaraan Roda 2“ OR “Deteksi Jumlah Kendaraan Roda 4“ OR “Deteksi Jumlah
Kendaraan Roda Lebih dari 4“) AND ( “Deteksi counter – Haar Cascade – Ssd“
OR ”Haar Cascade” OR ”Image Processing” )

2. Kembangkan Deteksi Counter – Haar Cascade - Ssd dan deteksi kendaraan

lebih banyak
a. Introduction
b. Related Work
c. Review Selection Method
d. Deteksi Kendaraan Pada Video dengan Image Processing Menggunakan
Algoritma Deteksi counter – Haar Cascade – Ssd
e. Deteksi Jumlah Kendaraan dengan Image Processing
f. Deteksi Jumlah Kendaraan Roda 2 dengan Image Processing
g. Deteksi Jumlah Kendaraan Roda 4 dengan Image Processing
h. Deteksi Jumlah Kendaraan Roda Lebih dari 4 dengan Image Processing
i. Discussion
j. Conclusion
Tambahkan sumber untuk mencari jurnalnya
 Cari beberapa jurnal / paper terkait topik penelitian
1. Simulasi Deteksi Dan Hitung Jumlah Kendaraan Menggunakan YOLOV4
Pada CCTV Persimpangan Jalan Raya
( Link : http://semastek.unim.ac.id/index.php/semastek/article/view/128 )
2. Perhitungan Jumlah dan Jenis Kendaraan Menggunakan Metode Fuzzy C-
means dan Segmentasi Deteksi Tepi Canny
( Link : https://jurnaleeccis.ub.ac.id/index.php/eeccis/article/view/211 )
3. Algoritma Scale Invariant Feature Transform (SIFT) pada Deteksi
Kendaraan Bermotor di Jalan Raya
( Link :
https://ejurnal.itenas.ac.id/index.php/mindjournal/article/view/4825 )
4. Deteksi Jumlah Kendaraan di Jalur SSA Kota Bogor Menggunakan
Algoritma Deep Learning YOLO
( Link : http://pkm.uika-bogor.ac.id/index.php/prosiding/article/view/657 )
5. Deteksi Jumlah Kendaraan Dengan Algoritma Gaussian Mixture Model Di
Area Jalan Raya
( Link : https://ejurnal.methodist.ac.id/index.php/methodika/article/view/258 )
6. Deteksi Jenis Kendaraan di Jalan Menggunakan OpenCV
( Link : http://ejurnal.its.ac.id/index.php/teknik/article/view/23175 )
7. Deteksi Dan Klasifikasi Jenis Kendaraan Berbasis Pengolahan Citra Dengan
Metode Convolutional Neural Network (CNN)
( Link : https://dspace.uii.ac.id/handle/123456789/28347 )
8. Deteksi Citra Kendaraan Berbasis Web Menggunakan Javascript Framework
Library ( Link : https://journal.universitasbumigora.ac.id/index.php/matrik
/article/view/325 )
9. Aplikasi Penghitung Kendaraan Pada Jalur Pantura Menggunakan Blob
Deteksi Dan Kalman Filter
 ( Link : https://jurnal.polibatam.ac.id/index.php/JAIC/article/view/1050 )
10. Sistem Deteksi Jumlah, Jenis Dan Kecepatan Kendaraan Menggunakan
Analisa Blob Berbasis Raspberry PI
( Link : https://core.ac.uk/download/pdf/290148889.pdf )
11. Peningkatan Akurasi Penghitungan Jumlah Kendaraan dengan
Membangkitkan Urutan Identitas Deteksi Berbasis Yolov4 Deep Neural
Networks
( Link : http://ejournal.undip.ac.id/index.php/teknik )
12. Kendali Lampu Lalu Lintas dengan Deteksi Kendaraan Menggunakan
Metode Blob Detection
( Link : https://journal.ugm.ac.id/v3/JNTETI/article/view/2858 )
13. Deteksi Objek Dan Pengenalan Karakter Plat Nomor Kendaraan Indonesia
Menggunakan Metode Convolutional Neural Network (CNN) Berbasis
Python
( Link : https://ejurnal.ulbi.ac.id/index.php/informatika/article/view/658 )
14. Deteksi dan Klasifikasi Kendaraan menggunakan Algoritma
Backpropagation dan Sobel ( Link : http://ejournal.president.ac.id/
presunivojs /files/journals/6/articles/94/public/94-287-1-PB.pdf )

Penghitungan kendaraan memiliki peran yang sangat penting dalam berbagai

aplikasi. Di sektor pengelolaan lalu lintas, pengukuran volume lalu lintas adalah
informasi kunci dalam perencanaan dan pengambilan keputusan. Di sisi lain, dalam
konteks parkir, penghitungan kendaraan membantu mengelola kapasitas parkir dan
memberikan data untuk pengendalian akses [1]. Sebagian besar metode penghitungan
kendaraan saat ini masih dilakukan secara manual oleh petugas lalu lintas atau
petugas parkir. Penghitungan manual ini tidak hanya memakan waktu, tetapi juga
cenderung kurang akurat dan dapat rentan terhadap kesalahan manusia. Oleh karena
itu, diperlukan solusi otomatis yang dapat meningkatkan efisiensi dan akurasi dalam
penghitungan kendaraan [2].
 Penghitungan kendaraan merupakan tugas penting dalam berbagai aplikasi,
termasuk pengelolaan lalu lintas, pengawasan parkir, pemantauan jalan raya, dan
banyak lagi. Namun, metode penghitungan manual oleh petugas sering kali tidak
efisien, tidak akurat, dan mahal. Oleh karena itu, ada kebutuhan yang mendesak
untuk mengembangkan solusi otomatis yang dapat meningkatkan efisiensi dan
akurasi dalam penghitungan kendaraan [3]. Salah satu solusi yang dapat digunakan
adalah menggunakan algoritma deteksi objek. Algoritma deteksi objek
memungkinkan sistem untuk secara otomatis mengidentifikasi dan menghitung
kendaraan dalam citra atau video. Dalam hal ini, algoritma deteksi Counter - Haar
Cascade - SSD dipilih sebagai pendekatan yang dapat digunakan untuk tugas ini [4].
Haar Cascade dan SSD adalah dua algoritma deteksi objek yang terkenal karena
efisiensinya dalam mendeteksi objek dalam waktu nyata. Haar Cascade menggunakan
pemrosesan citra berbasis fitur, sementara SSD menggunakan pendekatan jaringan
saraf tiruan. Kombinasi antara keduanya dapat memberikan hasil deteksi yang akurat
dan cepat [5]. Algoritma deteksi objek telah menjadi fokus utama dalam mengatasi
masalah ini. Dalam konteks ini, algoritma deteksi Counter - Haar Cascade - SSD
menonjol sebagai salah satu pendekatan yang menjanjikan. Haar Cascade adalah
algoritma deteksi objek berbasis fitur yang efisien dan cepat. Sebaliknya, SSD (Single
Shot MultiBox Detector) adalah pendekatan berbasis jaringan saraf tiruan yang
sangat akurat. Kombinasi kedua algoritma ini memiliki potensi untuk memberikan
solusi yang efisien dalam penghitungan kendaraan [6].

Referensi :

1. Viola, P., & Jones, M. (2001). Rapid object detection using a boosted cascade of
simple features. Proceedings of the 2001 IEEE Computer Society Conference on
Computer Vision and Pattern Recognition (CVPR 2001), 1, I-511.
2. Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y., & Berg, A. C.
(2016). SSD: Single Shot MultiBox Detector. In European Conference on Computer
Vision (ECCV) (pp. 21-37).
3. Redmon, J., & Divvala, S. (2015). You Only Look Once: Unified, Real-Time Object
Detection. arXiv preprint arXiv:1506.02640.
4. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once:
Unified, Real-Time Object Detection. Proceedings of the IEEE Conference on
Computer Vision and Pattern Recognition (CVPR), 779-788.
5. OpenCV Library. (https://opencv.org/) - Situs web resmi untuk OpenCV, sebuah
pustaka sumber terbuka yang digunakan dalam implementasi algoritma-deteksi
Counter - Haar Cascade - SSD.
6. Python Software Foundation. (https://www.python.org/) - Situs web resmi untuk
Python, bahasa pemrograman yang sering digunakan dalam pengembangan solusi
berbasis algoritma deteksi objek.