Deteksi Pelanggaran pada Bahu Jalan Tol Menggunakan Algoritma Mask R-CNN
Abstrak
Abstrak-Bahu jalan tol merupakan jalur jalan tol kendaraan yang mengalami keadaan darurat. Namun masih banyak pengemudi yang melanggar penggunaan bahu jalan tol seperti berhenti terlalu lama pada bahu jalan tol dan mendahului kendaraan lain melalui bahu jalan tol. Makadari itu dibuat sistem yang dapat mendeteksi pelanggaran tersebut. Dengan memanfaatkan data CCTV pada jalan tol penelitian dapat dilakukan dengan mendeteksi kendaraan menggunakan algoritma Mask R-CNN. Algoritma tersebut dapat memprediksi sebuah object mask pada Region of Interest setiap pixel. Dataset dikumpulkan sebanyak 250 dataset kemudian data tersebut diberi label <Melanggar= dan <Tidak Melanggar=. Setiap object kendaraan pada gambar dilakukan wrapping menggunakan polygon untuk menentukan kendaraan yang melanggar dan tidak melanggar. Kemudian membentuk konfigurasi data training, data testing, dan data validation. Dataset tersebut dilatih dengan konfigurasi jumlah dataset yang berbeda dan hyperparameter epoch, batch size, dan learning rate. Setelah data dilatih didapatkan lah model terbaik dengan konfigurasi dataset 88% data training, 6% data testing, dan 6% data validation dengan hyperparameter epoch 24, batch size 16, learning ratere. Didapatkan hasil mAP_@.5:.95 sebesar 79,1%, mAP_@.5 sebesar 97,5%, average precision sebesar 97,5%, dan average recall sebesar 81,2%.
Kata kunci4Bahu jalan tol, Deteksi Object, Mask R-CNN
Referensi
REFERENSI
K. P. dan R. Rakyat,
REPUBLIK INDONESIA NOMOR 15 TAHUN 2005.=
https://bpjt.pu.go.id/peraturan/peraturan-pemerintah
(accessed Oct. 20, 2022).
A. Eslam and M. Solyman,
COMPUTER VISION,= vol. 0100048051, no.
February, 2019.
Y. Amit, P. Felzenszwalb, and R. Girshick,
Detection,= Comput. Vis., no. January 2020, pp. 875–
, 2021, doi: 10.1007/978-3-030-63416-2_660.
M. Litch and A. Karofsky,
Philos. through Film, pp. 102–129, 2020, doi:
4324/9780203772294-10.
R. Farhat, Y. Mourali, M. Jemni, and H. Ezzedine,
overview of machine learning technologies and their
use in e-learning,= Proc. 2020 Int. Multi- Conference
Organ. Knowl. Adv. Technol. OCTA 2020, pp. 8–11,
, doi: 10.1109/OCTA49274.2020.9151758.
M. Dixit, A. Tiwari, H. Pathak, and R. Astya,
overview of deep learning architectures , libraries and
its applications areas,= 2018 Int. Conf. Adv. Comput.
Commun. Control Netw., pp. 293–297, 2018, doi:
1109/ICACCCN.2018.8748442.
S. M. Piyush Madan,
learning,= Organizational Behavior.
https://developer.ibm.com/articles/an-introduction-todeep-learning/.
A. Upreti,
comprehensive overview,= Int. J. Multidiscip. Res.
Growth Eval., no. August, pp. 488–493, 2022, doi:
54660/anfo.2022.3.4.18.
R. Chauhan, K. K. Ghanshala, and R. C. Joshi,
Detection and Recognition,= ICSCCC 2018 - 1st Int.
Conf. Secur. Cyber Comput. Commun., no. December
, pp. 278–282, 2018, doi:
1109/ICSCCC.2018.8703316.
Neural Networks,= 2018.
https://towardsdatascience.com/a-comprehensive-guideto-convolutional- neural-networks-the-eli5-way3bd2b1164a53 (accessed Feb. 02, 2023).
S. Ren, K. He, R. Girshick, and J. Sun,
Towards Real-Time Object Detection with Region
Proposal Networks,= IEEE Trans. Pattern Anal. Mach.
Intell., vol. 39, no. 6, pp. 1137–1149, 2017, doi:
1109/TPAMI.2016.2577031.
[12] A. F. Gad,
with TensorFlow | Paperspace Blog,= vol. 3, no. 10, pp.
–22, 2020, [Online]. Available:
https://blog.paperspace.com/mask-r-cnn-in-tensorflow2-0/.
P. Doll, R. Girshick, and F. Ai, <[FAIR] Mask RCNN.=
Kukil,
Detection & Segmentation,= Organizational Behavior.
https://learnopencv.com/intersection-over-union-iouin-object-detection-and-segmentation/.
