Analisis Performansi Deteksi Pelanggaran Stopmenggunakanfaster R-cnn

Abstract

Abstrak Kemacetan adalah permasalahan yang sering terjadi dibeberapa kota besar di Indonesia. Kemacetan itu sendiri terjadi terdiri dari beberapa factor seperti banyaknya jumlah kendaraan yang melintas, dan banyaknya kendaraan yang melakukan stop liar dipinggir jalan. Untuk mengatasi kemacetan yang marak terjadi, diperlukan suatu sistem yang dapat mengidentifikasi kendaraan yang melanggar marka jalan khusunya marka dilarang stop. Pada Tugas Akhir ini menggunakan metode Convolutional Neural Network yang dimana Convolutional Neural Network adalah sebuah metode yang dilakukan untuk mendeteksi citram dan Region of Interest untuk mengurangi area deteksi. Performansi pada penelitian ini dianalisis melalui parameter-parameter, seperti akurasi, Frame per Second, dan waktu komputasi. Pada penelitian ini memiliki akurasi rata-rata sebesar 80% ketika diuji pada objek tampak depan, 100% pada objek tampak belakang, dan tampak samping. Sedangkan untuk waktu komputasi sistem memiliki waktu komputasi selama 30 – 33 detik pada device pertama dan 4 – 8 detik pada device kedua, dan memiliki nilai Frame per Second sebesar 1.5 pada device pertama dan 7.5 pada device kedua. Kata kunci : Convolutional Neural Network, Kendaraan, Region of Interest Abstract Congestion is a problem that often occurs in several big cities in Indonesia. The traffic jam itself consists of several factors such as the large number of vehicles that pass, and the number of vehicles that pass, and the number of vehicles that park illegally alongside a road. To overcome the congestion that is rife, we need a system that can identify vehicles that violate road markings especially those prohibited from parking. In this final project uses the Convolutional Neural Network method where Convolutional Neural Network is a methode used to detect images and regions of interest to reduce the detection area. Performance in this study was analyzed through parameters, such as accuracy, frames per second, and computational time. In this study has an average accuracy of 80% when tested on front view objects, 100% on rear view objects, and side view. Whereas for computing time the system has a computing time of 30 – 33 seconds on the first device and 4 – 8 seconds on the second device, and has a Frame per Second value of 1.5 on the first device and 7.5 on the second device Keywords: Convolutional Neural Network, Vehicle, Region of Interest