Sistem Deteksi Pengendara Sepeda Motor Tanpa Helm Menggunakan Algoritma SSD
Abstract
Abstrak—Pelanggaran lalu lintas sudah banyak terjadi untuk saat ini. Salah satu pelanggaran yang terjadi, disebabkan oleh pengendara sepeda motor. Banyak dari pengendara sepeda motor tidak menggunakan helm saat bepergian, sehingga dapat meningkatkan risiko kematian jika terjadi kecelakaan. Salah satu penyebab banyaknya pengendara sepeda motor melanggar peraturan lalu lintas yaitu tidak adanya pengawasan dari polisi lalu lintas secara real-time.Oleh karena itu, pada Tugas Akhir ini dibuat sebuah sistem deteksi pelanggaran helm pada kendaraan roda dua menggunakan algoritma SSD yang dapat mempermudah pendeteksian pelanggaran tidak menggunakan helm pada saat mengendarai sepeda motor. Cara kerja sistem ini yaitu kamera yang telah dipasang di tempat yang ditentukan, akan mendeteksi motor yang lewat. Jika kamera mendeteksi pelanggaran pada tempat yang telah dipasangi kamera, maka nantinya akan mengirimkan pesan notifikasi ke pihak kepolisian. Dari hasil penelitian tugas akhir sistem deteksi pengendara tanpa helm pada kendaraan roda dua menggunakan algoritma SSD memperoleh nilai mAP@50IOU 79,2% dan AR@100 61.4% dengan variabel konfigurasi yang digunakan adalah rasio data train 90% dan data test 10% , learning rate 0.004, epochs 1, dan batch size 24.
Kata kunci — deteksi sepeda motor, deteksi helm, SSD
References
“J.D.I.H. - Dewan Perwakilan Rakyat.” https://www.dpr.go.id/jdih/index/id/539%20(accessed%20Dec.%2019,%202021) (accessed Aug. 23, 2022).
“Ethem Alpaydin - Introduction to Machine Learning-The MIT Press (2014)”.
J. Wira and G. Putra, “Pengenalan Konsep Pembelajaran Mesin dan Deep Learning Edisi 1.4 (17 Agustus 2020).”
V. Tyagi, Understanding Digital Image Processing. CRC Press, 2018. doi: 10.1201/9781315123905.
N. Ketkar and J. Moolayil, Deep Learning with Python. Apress, 2021. doi: 10.1007/978-1-4842-5364-9.
R. Vargas, A. Mosavi, and L. Ruiz, “DEEP LEARNING: A REVIEW,” 2017.
Q. Shuai and X. Wu, “Object detection system based on SSD algorithm,” in Proceedings - 2020 International Conference on Culture-Oriented Science and Technology, ICCST 2020, Oct. 2020, pp. 141–144. doi: 10.1109/ICCST50977.2020.00033.
S. Zhai, D. Shang, S. Wang, and S. Dong, “DF-SSD: An Improved SSD Object Detection Algorithm Based on DenseNet and Feature Fusion,” IEEE Access, vol. 8, pp. 24344–24357, 2020, doi: 10.1109/ACCESS.2020.2971026.
W. Liu et al., “SSD: Single shot multibox detector,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2016, vol. 9905 LNCS, pp. 21–37. doi: 10.1007/978-3-319-46448-0_2.
Y. Amit, P. Felzenszwalb, and R. Girshick, “Object Detection,” in Computer Vision, Springer International Publishing, 2020, pp. 1–9. doi: 10.1007/978-3-030-03243-2_660-1.
C. Gde Wahyu Pramana, D. Care Khrisne, and N. Putra Sastra, “Rancang Bangun Object Detection Pada Robot Soccer Menggunakan Metode Single Shot Multibox Detector (SSD MobileNetV2),” 2021.
N. Rochmawati et al., “Analisa Learning rate dan Batch size Pada Klasifikasi Covid Menggunakan Deep learning dengan Optimizer Adam.”
“Confusion Matrix untuk Evaluasi Model pada Supervised Learning | by Kuncahyo Setyo Nugroho | Medium.” https://ksnugroho.medium.com/confusion-matrix-untuk-evaluasi-model-pada-unsupervised-machine-learning-bc4b1ae9ae3f (accessed Aug. 02, 2022).
“confusion matrix”.
A.- Arini, L. K. Wardhani, and D.- Octaviano, “Perbandingan Seleksi Fitur Term Frequency & Tri-Gram Character Menggunakan Algoritma Naive Bayes Classifier (Nbc) Pada Tweet Hashtag #2019gantipresiden,” KILAT, vol. 9, no. 1, pp. 103–114, Apr. 2020, doi: 10.33322/kilat.v9i1.878.
“What is Mean Average Precision (MAP) and how does it work.” https://xailient.com/blog/what-is-mean-average-precision-and-how-does-it-work/ (accessed Aug. 02, 2022).
