Deteksi Pelanggaran Parkir Pada Bahu Jalan Tol Dengan Intelligent Transportation System Menggunakan Algoritma Yolo
DOI:
https://doi.org/10.34818/eoe.v9i3.17957Abstract
Abstrak Jalan Tol merupakan Jalan bebas hambatan dan salah satu sarana yang banyak digunakan oleh masyarakat umum untuk mempersingkat waktu dalam bepergian. Sebagai jalan bebas hambatan, jalan tol mempunyai bahu jalan yang dapat digunakan untuk kepentingan khusus seperti Ambulance, Pemadam Kebakaran, atau keadaan darurat lainnya. Seringkali bahu jalan disalah gunakan untuk kepentingan yang tidak mendesak dan tidak darurat sehingga dapat merugikan pengguna jalan tol lainnya. Hal ini disebabkan kurangnya pengawasan dari petugas jalan Tol.mengatasi permasalahan tersebut. Sistem ini memiliki komponen utama, yaitu: algoritma YOLOV4 deteksi objek kendaraan. Kemudian kamera yang disebar di area sekitar bahu jalan tol agar dapat merekam pergerakan kendaraan. Hasil rekam data tersebut dapat diolah menjadi informasi yang akan di kirim ke petugas tol terdekat melalui Telegram Bot. Hasil yang didapatkan melalui tugas akhir ini adalah sistem yang akan mendeteksi pelanggaran pada bahu jalan tol menggunakan model dengan rasio 90%:10%, learning rate 0.06, dan max batch64, dengan nilai mAP mencapai 97,96% yang didapatkan melalui perhitungan confusion matrix. Nilai akurasi yang didapatkan melalui pengujian dengan algoritma YOLOV4 (You Only Look Once) pada kasus ini adalah 80%. Kata Kumci: Deep Learning,Deteksi Kendaraan, Telegram Bot, YOLOV4References
[1] M. Adika Faris Ihsan. ‘ini-daftar-larangan-yang-berlaku-di-jalan-tol-melanggar-bisa-didenda-rp. Diakses 05 Februari 2022 [online]. ”https://otomotif.kompas.com/read/2021/04/02/071200915/.
[2] G. Aisyah and P. Bestari, “Implementation E-Tilang in Bandung to Increase Awareness of Cross as Moral Law Passed Citizenship (Civic Virtue),” vol. 251, no. 22, pp. 664–667, 2018, doi: 10.2991/acec-18.2018.148.
[3] Tian, Y., Yang, G., Wang, Z., Wang, H., Li*, E., & Liang, Z. (2019). Apple detection during different growth stages in orchards using the improved YOLO-V3 model. Computers and Electronics in Agriculture, 417-426.
[4] Tian, Y., Yang, G., Wang, Z., Wang, H., Li*, E., & Liang, Z. (2019). Apple detection during different growth stages in orchards using the improved YOLO-V3 model. Computers and Electronics in Agriculture, 417-426.
[5] Jain, Harshil & Nandy, S. (2019). Incremental Training for Image Classification of Unseen Objects. 10.13140/RG.2.2.10266.47046.
[6] Kusuma, T. A., Usman, K., & Saidah, S. (2021). People counting for public transportations using you only look once method. Jurnal Teknik Informatika (Jutif), 2(1), 57–66. https://doi.org/10.20884/1.jutif.2021.2.2.77
[7] https://datahacker.rs/deep-learning-intersection-over-union/. [Diakses 5 Januari 2021]
