Publisher

UNUSIDAUNUSIDA

Journal Journal of Computer Science and Visual Communication DesignJournal of Computer Science and Visual Communication Design Abstract

Pengenalan kendaraan memiliki kompleksitas yang tinggi, permasalahan yang dihadapi saat melakukan penelitian kendaraan seperti variasi jenis kendaraan, kondisi pencahayaan, perspektif, resolusi, kualitas gambar serta warna dan tekstur menjadi faktor utama. Permasalahan ini memerlukan pendekatan multidisiplin ilmu dengan kombinasi teknologi pengolahan citra, machine learning, dan pengenalan pola. Pendekatan inovatif dan penelitian secara konsisten penting untuk meningkatkan kinerja sistem serta mencoba segala model arsitektur deep learning yang telah dikembangkan.. . Penelitian ini bertujuan untuk membandingkan Model Neural Network untuk klasifikasi kendaraan kelas 1 hingga kelas 5 berdasarkan jenis klasifikasi pada jalan tol. Model yang dibandingkan dalam penelitian ini adalah Convolutional Neural Network, ResNet50, dan VGG16. Model akan diuji dengan gambar masukan seluruh bagian kendaraan setelah itu gambar masukan diubah ukurannya menjadi 224x224 untuk setiap gambar masukan. Skenario dilakukan dengan menggunakan 75 epoch pada setiap model dengan total 500 data untuk setiap kelompok dan setiap kelompok. Persentase data latih dengan data uji adalah 80% data latih dan 20% data uji. Jumlah kelompok kelas ada 5 yaitu Kelompok 1, Kelompok 2, Kelompok 3, Kelompok 4, dan Kelompok 5.. . Model VGG16 mendapatkan akurasi tertinggi dengan akurasi 91%, Convolutional Neural Network 84% dan ResNet50 mendapatkan akurasi 74%. Hasil yang diperoleh menunjukkan efektivitas model VGG16 lebih tinggi terhadap CNN dan ResNet50. Dengan demikian penelitian ini dapat memberikan persepsi yang berguna untuk penelitian selanjutnya guna meningkatkan pengambilan gambar dengan kamera yang lebih berkualitas guna meningkatkan sistem transportasi cerdas.

Conclusion

Penelitian ini menunjukkan bahwa model VGG16 memiliki efektivitas yang lebih tinggi dibandingkan dengan Convolutional Neural Network (CNN) dan ResNet50 dalam klasifikasi jenis kendaraan.Hasil ini mengindikasikan bahwa arsitektur VGG16 lebih mampu menangkap fitur-fitur penting dari gambar kendaraan.Penelitian ini memberikan wawasan berharga untuk pengembangan sistem transportasi cerdas dengan memanfaatkan teknologi deep learning.Lebih lanjut, peningkatan kualitas kamera dapat berkontribusi pada peningkatan akurasi sistem klasifikasi kendaraan.

Future Research

Berdasarkan hasil penelitian, terdapat beberapa saran untuk penelitian lanjutan. Pertama, perlu dilakukan eksplorasi lebih lanjut mengenai penyesuaian arsitektur VGG16 agar lebih fokus pada karakteristik kendaraan yang relevan, yang berpotensi meningkatkan akurasi klasifikasi. Kedua, penting untuk menerapkan teknik-teknik seperti dropout atau regularisasi untuk mengatasi potensi overfitting, terutama pada dataset yang memiliki perbedaan yang sangat jelas antar jenis kendaraan. Ketiga, penelitian selanjutnya dapat berfokus pada inisialisasi bobot secara acak pada model CNN atau VGG16, yang memungkinkan model untuk lebih disesuaikan dengan tugas klasifikasi jenis kendaraan, serta menguji metode transfer learning dengan dataset yang lebih besar untuk meningkatkan generalisasi model.

Metadata

File size	1.14 MB
Pages	15
DMCA	Report