Cover
PUBLIC karya Abstrak
PUBLIC karya Abstract
PUBLIC karya Lembar Pengesahan
PUBLIC karya Tugas Akhir
PUBLIC karya
Kemacetan lalu lintas menjadi sebuah persoalan yang serius yang telah
mengakibatkan banyak kerugian, mulai dari kerugian materi, psikologi dan
waktu. Deteksi objek merupakan sebuah persoalan untuk melokalisasi dan
mengklasifikasikan objek - objek pada suatu gambar atau video. Deteksi
objek dapat digunakan sebagai pendekatan untuk mengatasi kemacetan lalu
lintas. Hal ini dapat dilakukan dengan memanfaatkan deteksi objek untuk
mengetahui kepadatan lalu lintas di suatu ruas jalan. Model deteksi objek
dapat digunakan untuk mendeteksi dan mengklasifikasikan objek - objek
yang menyebabkan kemacetan. Permasalahannya adalah bagaimana model
dapat mendeteksi objek dan mengklasifikasikan objek – objek pada input data
serta memberikan keluaran mengenai klasifikasi kondisi lalu lintas.
Framework Faster R-CNN dan Single Shot Detector merupakan framework
untuk melakukan deteksi objek. Framework ini dibangun berdasarkan
arsitektur convolutional neural network. Dalam tugas akhir ini menggunakan
arsitektur inception dan residual network. Melalui hasil desain dan
implementasi yang dilakukan pada tugas akhir ini menunjukkan bahwa
framework Faster R-CNN dengan arsitektur inception memiliki keunggulan
dalam mendeteksi objek. Hal ini didukung oleh hasil pengukuran akurasi
yang menunjukkan framework Faster R-CNN mendapatkan akurasi yang
paling tinggi yaitu 0,88 pada saat jalan macet dan 0,82 pada saat jalan normal.
Namun, dalam masalah waktu framework Single Shot Detector menjadi yang
tercepat dalam melakukan inferensi yaitu 0,97 detik pada saat kondisi jalan
macet dan 0,87 detik pada saat kondisi jalan normal. Framework Faster RCNN dengan arsitektur inception digunakan sebagai model untuk melakukan
deteksi kemacetan. Strategi pengklasifikasian deteksi kemacetan
memanfaatkan nilai threshold dari jumlah deteksi objek dan threshold
structural similarity index. Dari strategi yang dirancang untuk
mengklasifikasikan kemacetan dan pengujian yang dilakukan didapatkan
bahwa program berhasil mendeteksi kemacetan dengan tingkat akurasi diatas
0.75. Hasil dari klasifikasi deteksi kemacetan adalah gambar dengan label
Congested dan Normal.