Sistem Deteksi Pelanggaran Kelebihan Penumpang Pada Kendaraan Sepeda Motor Roda Dua Menggunakan Algoritma Faster RCNN
Abstract
Abstrak—Kesadaran masyarakat mengenai pentingnya menaati peraturan lalu lintas terkadang masih dipandang sebelah mata. Akibatnya tingkat kecelakaan lalu lintas di Indonesia terus bertambah setiap tahunya. Salah satu pelanggaran yang sering dijumpai yaitu kelebihan penumpang pada kendaraan sepeda motor. Hal ini dapat mengurangi tingkat keamanan dari pengendara sepeda motor dan pengguna jalan lainya. Oleh karena itu, dibutuhkan sebuah sistem yang dapat mendeteksi pelanggaran kelebihan penumpang pada kendaraan sepeda motor. Sebuah sistem untuk mendeteksi pelanggaran kelebihan penumpang dirancang menggunakan algoritma Faster R-CNN yang menggunakan bahasa pemrograman Python, berserta Library pembelajaran mesin seperti, Tensorflow, dan OpenCV. Dataset yang digunakan merupakan dataset custom yang terdiri dari 3 kategori. Masing-masing kategori berisikan 300 gambar, sehingga total dari dataset yang digunakan berjumlah 900 gambar. Model terbaik yang digunakan didapat menggunakan perhitungan Confusion Matrix pada dataset. Model menggunakan rasio train 95% dan test 5% hasilnya memiliki nilai akurasi sebesar 92%, nilai recall sebesar 88%, nilai presisi sebesar 86%, steps sebesar 150000, batch size sebesar 1, epochs sebesar 10 dan learning Rate sebesar 0.002.Kata kunci — deteksi pelanggaran, kelebihan penumpang sepeda motor, Faster R-CNN.
References
BPS-Statistik Indonesia, “Statistik Transportasi Darat 2020”.
DPR RI, “J.D.I.H. - Dewan Perwakilan Rakyat.” https://www.dpr.go.id/jdih/index/id/539 (accessed Dec. 19, 2021)..
E. C. Putro, R. M. Awangga, and R. Andarsyah, Tutorial Object Detection People With Faster region-Based Convolutional Neural Network(Faster R-CNN). 2020.
M. Mohri, A. Rostamizadeh, and A. Talwalkar, “Foundations of Machine Learning,” 2012.
Y. U. Hanafi et al., “DETEKSI PENGGUNAAN HELM PADA PENGENDARA BERMOTOR BERBASIS DEEP LEARNING.”
M. T. Audina, F. Utaminingrum, and D. Syauqi, “Sistem Deteksi dan Klasifikasi Jenis Kendaraan berbasis Citra dengan menggunakan Metode Faster-RCNN pada Raspberry Pi 4B,” 2021. [Online]. Available: http://j-ptiik.ub.ac.id.
J. T. Springenberg, A. Dosovitskiy, T. Brox, and M. Riedmiller, “Striving for Simplicity: The All Convolutional Net,” Dec. 2014, [Online]. Available: http://arxiv.org/abs/1412.6806.
V. Tyagi, Understanding Digital Image Processing. CRC Press, 2018. doi: 10.1201/9781315123905.
A. Arinaldi, J. A. Pradana, and A. A. Gurusinga, “Detection and classification of vehicles for traffic video analytics,” in Procedia Computer Science, 2018, vol. 144, pp. 259–268. doi: 10.1016/j.procs.2018.10.527.
D. Alamsyah and M. Fachrurrozi, “Faster R-CNN with inception v2 for fingertip detection in homogenous background image,” in Journal of Physics: Conference Series, Apr. 2019, vol. 1196, no. 1. doi: 10.1088/1742-6596/1196/1/012017.
J. Wang, T. Zhang, Y. Cheng, and N. Al-Nabhan, “Deep learning for object detection: A survey,” Computer Systems Science and Engineering, vol. 38, no. 2. Tech Science Press, pp. 165–182, Apr. 23, 2021. doi: 10.32604/CSSE.2021.017016..
F. Yaghmaee and M. Ebadi, “ROI detection in images using annotation output,” 2014.
R. Girshick, “Fast R-CNN,” in 2015 IEEE International Conference on Computer Vision (ICCV), Dec. 2015, pp. 1440–1448. doi: 10.1109/ICCV.2015.169.
S. Ruuska, W. Hämäläinen, S. Kajava, M. Mughal, P. Matilainen, and J. Mononen, “Evaluation of the confusion matrix method in the validation of an automated system for measuring feeding behaviour of cattle,” Behavioural Processes, vol. 148, pp. 56–62, Mar. 2018, doi: 10.1016/j.beproc.2018.01.004.
D. Alamsyah and M. Fachrurrozi, “Faster R-CNN with Inception V2 for Fingertip Detection in Homogenous Background Image,” Journal of Physics: Conference Series, vol. 1196, p. 012017, Mar. 2019, doi: 10.1088/1742-6596/1196/1/012017.
