Analisis Perbandingan CNN Model Xception Dan InceptionV3 Dalam Pengklasifikasian Rambu Lalu Lintas Di Indonesia

Authors

Abstract

Permasalahan ketidakpatuhan terhadap rambu lalu lintas di Indonesia menjadi salah satu penyebab utama kecelakaan lalu lintas. Perilaku pengemudi yang sering mengabaikan rambu, seperti mendahului kendaraan tanpa memastikan keamanan. Penelitian ini menggunakan pendekatan berbasis Deep Learning dengan membandingkan dua arsitektur Convolutional Neural Networks (CNN) populer, yaitu InceptionV3 dan Xception, untuk klasifikasi rambu lalu lintas di Indonesia. Kedua model diuji untuk mengevaluasi performa dalam mengenali berbagai rambu dengan fitur visual yang berbeda. Arsitektur Xception menunjukkan stabilitas yang lebih baik dalam mengklasifikasikan sebagian besar kelas, dengan akurasi tertinggi mencapai 91.43% pada percobaan kedua. Namun, model ini masih memiliki tantangan dalam mengenali rambu dengan fitur yang lebih kompleks. Di sisi lain, InceptionV3 memiliki akurasi tertinggi 91.74% pada beberapa kelas tertentu, tetapi menunjukkan variabilitas lebih besar pada kelas-kelas dengan kemiripan visual, seperti "lampu merah" dan "larangan parkir". Kata kunci : Convolutional Neural Network (CNN), Xception, InceptionV3, Rambu Lalu Lintas

Downloads

Download data is not yet available.

References

M. Akbar, “Pengenalan Rambu Lalu-lintas menggunakan Convolutional Neural Network ( Studi Kasus : Rambu Lalu-lintas Indonesia ),” J. Nas. Inform. dan Teknol. Jar., vol. 2, no. 2, 2022.

M. Nicola, A. Virgono, and R. E. Saputra, “RANCANG BANGUN SELF-DRIVING CAR ROBOT BERBASIS PENGENALAN RAMBU LALU LINTAS DI INDONESIA MENGGUNAKAN CONVOLUTIONAL

NEURAL NETWORK DESIGN FOR SELFDRIVING CAR ROBOT BASED ON INDONESIA ROAD SIGN RECOGNITION USING CONVOLUTIONAL NEURAL

NETWORK.”

S. Feni and E. Mubalus, “ANALISIS FAKTORFAKTOR PENYEBAB KECELAKAAN LALU LINTAS DI KABUPATEN SORONG DAN PENANGGULANGANNYA,” vol. 6, no. 1, 2023.

M. Nalsalisa, B. Barus, C. O. Sinaga, and V. R. Hutasuhut, “Analisis Dampak Pelanggaran Lalu Lintas terhadap Keselamatan Masyarakat dan Upaya Mempromosikan Nilai-Nilai Kemanusiaan dan kesadaran berkendara,” vol. 2, no. 3, 2024.

M. Akbar, A. S. Purnomo, and S. Supatman, “Multi-Scale Convolutional Networks untuk Pengenalan Rambu Lalu Lintas di Indonesia,” J.

Sisfokom (Sistem Inf. dan Komputer), vol. 11, no.

, pp. 310–315, Dec. 2022, doi: 32736/sisfokom.v11i3.1452.

M. Griffith, G. Dewantoro, and I. Setyawan, “Pendeteksi Rambu Lalu Lintas Menggunakan

Color Masking Filter dan Convolutional Neural Network Menggunakan OpenCV dan Tensorflow,”

N. Amir and N. Asisa, “Identifikasi Makanan Tradisional Khas Daerah Sulawesi Menggunakan Metode Convolutional Neural Network (CNN),”

A. Soimun, A. Leliana, E. I. Ulmi, D. H. Ziantono, and H. Widyastuti, “Analisis Pemahaman Pelajar Pada Rambu Lalu Lintas,” J. Teknol. Transp. dan Logistik, vol. 1, no. 2, pp. 91–100, 2020.

A. Gustiani, M. D. Apriansyah, and P. Rosyani, “Analisis LogikaFuzzy Mamdani dalam Pengenalan Rambu Lalu Lintas pada Sistem

Gambar,” vol. 01, no. 01, pp. 1–7, 2023.

N. Fadlia and R. Kosasih, “Klasifikasi Jenis Kendaraan Menggunakan Metode Convolutional Neural Network (Cnn),” J. Ilm. Teknol. dan Rekayasa, vol. 24, no. 3, pp. 207–215, 2019, doi: 35760/tr.2019.v24i3.2397.

A. E. Putra, M. F. Naufal, and V. R. Prasetyo, “Klasifikasi Jenis Rempah Menggunakan

Convolutional Neural Network dan Transfer

Learning,” J. Edukasi dan Penelit. Inform., vol. 9, no. 1, p. 12, 2023, doi: 10.26418/jp.v9i1.58186.

Published

2025-06-01

Issue

Pages

4347-4351

Section

Prodi S1 Informatika

How to Cite

Al’Fattah, B., Purnama, B., & Kosala, G. (2025). Analisis Perbandingan CNN Model Xception Dan InceptionV3 Dalam Pengklasifikasian Rambu Lalu Lintas Di Indonesia. EProceedings of Engineering, 12(3), 4347-4351. https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/27034