PNMPNM

JEECAE (Journal of Electrical, Electronics, Control, and Automotive Engineering)JEECAE (Journal of Electrical, Electronics, Control, and Automotive Engineering)

Untuk mendukung terwujudnya smart city, interkoneksi antar bidang menjadi sangat penting, tak terkecuali bidang transportasi. Bidang transportasi berperan sangat besar untuk mendukung kemajuan daerah. Perbandingan jumlah kedaraan dan kapasitas jalan raya yang sesuai sangat penting untuk diperhatikan. Apabila kapasitas jalan kurang, maka akan menimbulkan kemacetan yang dapat menaikkan tingkat kecelakaan, memengaruhi pertumbuhan ekonomi, dan meningkatkan emisi gas buang. Arus kendaraan merupakan hal penting dalam pengoperasian dan perencanaan ruas jalan baru serta modifikasi ruas jalan yang ada untuk memenuhi dan mengantisipasi perubahan kondisi lalu lintas. Untuk mendapatkan informasi karakteristik lalu lintas diperlukan berbagai informasi sarana lalu lintas yang bergerak serta perilaku penggunanya. Informasi tersebut kemudian dianalisa untuk memperoleh hasil dampak kerja lalu lintas; jika hasil berada di bawah standar pelayanan minimal, diperlukan usulan perbaikan geometrik atau pengaturan kembali penggunaan ruang jalan. Penghitungan jumlah kendaraan dan pengklasifikasian selama ini dilakukan secara konvensional pada titik waktu tertentu, yang memerlukan banyak sumber daya manusia dan tidak dapat dilakukan secara terus‑menerus. Oleh karena itu, dalam penelitian ini dibuat sistem penghitung dan klasifikasi jenis kendaraan secara real time dan terus menerus menggunakan teknik pengolahan citra. Komputer papan tunggal NVIDIA Jetson Nano dipilih karena dirancang untuk proses kecerdasan buatan yang tertanam dengan harga relatif terjangkau. Berdasarkan percobaan, sistem pendeteksian menggunakan MobileNet‑SSD v2 memperoleh akurasi perhitungan kendaraan sepeda motor 50 %, kendaraan ringan (mobil dan pickup) 65 %, truk 83 %, dan bus 33 %. Kecepatan pemrosesan pada Jetson Nano dengan TensorRT, MobileNet‑SSD v2, dan TensorFlow mencapai 24 fps secara real time.

Sistem pendeteksian yang digunakan adalah MobileNet‑SSD v2 hasil training mendapatkan akurasi perhitungan kendaraan sepeda motor sebesar 50 %, kendaraan ringan (mobil dan pickup) sebesar 65 %, truk sebesar 83 %, dan bus sebesar 33 %.Selain itu, kecepatan pemrosesan metode pada Jetson Nano dengan TensorRT, MobileNet‑SSD v2, dan TensorFlow menghasilkan kecepatan proses real time sebesar 24 fps.

Penelitian selanjutnya dapat mengeksplorasi pengaruh augmentasi dataset menggunakan teknik generative adversarial networks (GAN) untuk meningkatkan akurasi deteksi kelas kendaraan yang kurang terrepresentasi, khususnya bus. Selain itu, studi dapat dilakukan untuk mengintegrasikan fusi multi‑kamera serta komputasi tepi (edge computing) guna memperluas cakupan area pemantauan kendaraan secara real time dan mengevaluasi skalabilitas sistem pada jaringan jalan yang lebih kompleks. Terakhir, evaluasi model deep learning ringan alternatif seperti YOLOv5 atau EfficientDet pada platform Jetson Nano diperlukan untuk membandingkan konsumsi energi, kecepatan inferensi, dan akurasi, sehingga dapat dioptimalkan untuk implementasi dalam sistem manajemen lalu lintas kota pintar.

  1. Traffic management systems: A classification, review, challenges, and future perspectives - Allan M de... doi.org/10.1177/1550147716683612Traffic management systems A classification review challenges and future perspectives Allan M de doi 10 1177 1550147716683612
Read online
File size569.13 KB
Pages5
DMCAReport

Related /

ads-block-test