![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
Abstrak
PUBLIC karya ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
COVER Pratamamia Agung Prihatmaja
Terbatas  karya
» Gedung UPT Perpustakaan
Terbatas  karya
» Gedung UPT Perpustakaan
![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 1 Pratamamia Agung Prihatmaja
Terbatas  karya
» Gedung UPT Perpustakaan
Terbatas  karya
» Gedung UPT Perpustakaan
![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 2 Pratamamia Agung Prihatmaja
Terbatas  karya
» Gedung UPT Perpustakaan
Terbatas  karya
» Gedung UPT Perpustakaan
![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 3 Pratamamia Agung Prihatmaja
Terbatas  karya
» Gedung UPT Perpustakaan
Terbatas  karya
» Gedung UPT Perpustakaan
![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 4 Pratamamia Agung Prihatmaja
Terbatas  karya
» Gedung UPT Perpustakaan
Terbatas  karya
» Gedung UPT Perpustakaan
![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 5 Pratamamia Agung Prihatmaja
Terbatas  karya
» Gedung UPT Perpustakaan
Terbatas  karya
» Gedung UPT Perpustakaan
![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 6 Pratamamia Agung Prihatmaja
Terbatas  karya
» Gedung UPT Perpustakaan
Terbatas  karya
» Gedung UPT Perpustakaan
![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
PUSTAKA Pratamamia Agung Prihatmaja
Terbatas  karya
» Gedung UPT Perpustakaan
Terbatas  karya
» Gedung UPT Perpustakaan
Deteksi kendaraan merupakan salah satu ranah riset yang memperoleh banyak perhatian di bidang
pengolahan citra gambar (computer vision). Hal ini disebabkan oleh tingginya kebutuhan akan
aplikasi deteksi kendaraan di kalangan industri. Beberapa contoh aplikasi yang memanfaatkan
deteksi kendaraan ini adalah traffic monitoring, tilang otomatis, dan self-driving car.
Penelitian sebelumnya mengenai deteksi objek secara umum telah dilakukan dan menghasilkan
suatu arsitektur deteksi objek yang diberi nama YOLO (You Only Look Once). Arsitektur ini
mempunyai kecepatan deteksi yang tinggi dengan tingkat akurasi yang cukup baik. Namun, untuk
melakukan deteksi kendaraan dari berbagai sudut pengambilan gambar di jalan raya Indonesia,
model ini masih belum mampu bekerja secara maksimal.
Penelitian ini mencoba untuk mengadaptasi arsitektur YOLO untuk digunakan sebagai model
deteksi kendaraan dari berbagai sudut pengambilan gambar di jalan raya Indonesia. Terdapat tiga
buah backbone yang dicoba untuk diterapkan pada arsitektur ini, yaitu Tiny YOLO, Darknet-53,
dan MobileNets. Ketiganya mempunyai keunggulan masing-masing, baik dari segi kecepatan
deteksi maupun tingkat akurasi.
Data latih yang digunakan berasal dari dataset COCO yang telah dipilah untuk mendapatkan data
gambar kendaraan saja. Data uji yang digunakan berasal dari data jalan raya Indonesia yang
dianotasi secara manual. Hasil pengujian menunjukkan bahwa model dengan arsitektur YOLOv3
yang mengadaptasi backbone MobileNets mempunyai tingkat akurasi tertinggi, yaitu dengan
mean-average precision (mAP) mencapai 67,77%. Hal ini menunjukkan peningkatan yang cukup
baik, karena model YOLOv3 yang telah dikembangkan sebelumnya mempunyai mAP sebesar
53,25%.
Penelitian ini juga mencoba untuk mengembangkan beberapa metode untuk pascaproses deteksi.
Metode pascaproses yang dikembangkan berusaha memberikan aspek heuristis dari pengetahuan
manusia pada model yang dibangun. Metode pascaproses berupa penentuan area deteksi dan
penetapan ambang batas luas area bounding box mampu meningkatkan mAP menjadi 68,56%.