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