Deteksi Pelanggaran Parkir Pada Bahu Jalan Tol Dengan Intelligent Transportation System Menggunakan Algoritma Faster R-cnn
DOI:
https://doi.org/10.34818/eoe.v9i3.17950Abstract
Abstrak
Pada jalan tol terdapat beberapa pengendara yang sering menggunakan bahu jalan tol sebagai lajur untuk mengemudi yang seharusnya tidak boleh digunakan kecuali keadaan mendesak, hal itu dapat mengganggu pengendara lain yang memiliki kepentingan lebih mendesak yang seharusnya menggunakan lajur tersebut, selama ini jika terjadi pelanggaran pada bahu jalan tol, petugas tol jarang mengetahui pelanggaran secara langsung, hal tersebut masih kurang efektif dikarenakan petugas tidak dapat terjun secara langsung untuk mengamankan pengemudi yang melakukan pelanggaran. Dengan menggunakan sistem yang digunakan untuk mendeteksi pelanggaran pada bahu jalan tol dengan menggunakan algoritma Faster Region based Convolutional Neural Network (Faster R-CNN). Cara kerjanya dengan memproses video yang direkam dari CCTV pada aplikasi HK TOLL APPS, kemudian sistem mendeteksi kendaraan yang melakukan pelanggaran, jika terbukti melakukan pelanggaran sistem akan memberikan sebuah notifikasi kepada petugas jalan tol melalui sebuah Bot Telegram. Luaran yang didapatkan pada penelitian Tugas Akhir ini adalah sistem dapat mendeteksi kendaraan yang melakukan pelanggaran pada bahu jalan tol dengan baik. Dengan menggunakan model hasil testing yang dilakukan dengan beberapa skema pengujian training partisi data dan pengujian variabel konfigurasi didapatkan model yang memiliki nilai terbaik dengan nilai accuracy 77.9 %, precision 71.1 %, recall 73.6 %, dan Mean Average Precision (mAP) sebesar 77 %.
Kata Kunci : Jalan Tol, Bahu Jalan Tol, Faster Region based Convolutional Neural Network (Faster R-CNN), Deteksi Pelanggaran.
References
[1]. Peraturan Pemerintah (PP) tentang Jalan Tol, Pemerintah Pusat, March, 2005. Accessed on: January. 21, 2022.[Online]. Available:https://peraturan.bpk.go.id/Home/Details/49351/pp-no-15-tahun-2005.
[2]. Intelligent Transport Systems (ITS) Introduction Guide, version 1.1, Japan Society of Civil Engineers (JSCE), August 2016. Accessed on: January. 21, 2022 [Online]. Available: https://www.jsceint.org/system/files/ITS_Introduction_Guide_2.pdf.
[3]. PN Andono, T Sutojo, Pengolahan Citra Digital, 1st ed. Andi Publisher, 2017.
[4]. D. Putra, Pengolahan Citra Digital, 1st ed. Andi Publisher, 2010.
[5]. Yanming Guo, Yu Liu, Ard Oerlemans, Songyang Lao, Song Wu, Michael S. Lew, “Deep learning for visual understanding: A review”, Elsevier B.V., pp. 1, 2015.
[6]. Yamashita, R., Nishio, M., Do, R.K.G. et al. Convolutional neural networks: an overview and application in radiology. Insights Imaging 9, 611–629 (2018). https://doi.org/10.1007/s13244-018-0639-9.
[7]. Salman Khan; Hossein Rahmani; Syed Afaq Ali Shah; Mohammed Bennamoun; Gerard Medioni; Sven Dickinson, A Guide to Convolutional Neural Networks for Computer Vision, Morgan & Claypool, 2018.
[8]. Shaoqing Ren, Kaiming He, Ross Girshick, “Faster R-CNN: Towards RealTime Object Detection with Region Proposal Networks”, IEEE Transactions on Pattern Analysis and Machine Intelligence Volume: 39, Issue: 6, June 1, 2017, pp. 3, 2017.
[9]. Ming-Jui Ho, Yu-Chin Lin, Hsin-Chuan Hsu, “An Efficient Recognition Method for Watermelon Using Faster R-CNN with Post-Processing”, 2019 8th International Conference on Innovation, Communication and Engineering (ICICE), pp. 86, 2019.
[10]. Telegram, “Telegram FAQ”, telegram.org. Accessed on: January. 31, 2022. Available: https://telegram.org/faq#q-what-is-telegram-what-do-i-do-here.
[11]. Kevin Adiputra Shianto, Kartika Gunadi, Endang Setyati, “Deteksi Jenis Mobil Menggunakan Metode YOLO Dan Faster R-CNN”, Jurnal Informatik: Jurnal Pengembangan IT (JPIT), Vol.07, No.01, 2019, pp. 2-3, 2019.
[12]. Shivy Yohanandan, “mAP (mean Average Precision) might confuse you!”, towardsdatascience.com. Accessed on: February. 04, 2022. Available: https://towardsdatascience.com/map-mean-average-precision-might-confuse-you-5956f1bfa9e2.
