Perpustakaan Digital ITB

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.