Klasifikasi rambu lalu lintas menggunakan Convolutional Neural Network dengan arsitektur Resnet-50

Purwanto, Faadlilah Ahmad (2024) Klasifikasi rambu lalu lintas menggunakan Convolutional Neural Network dengan arsitektur Resnet-50. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_COVER.pdf Download (220kB) | Preview
Preview	Text (ABSTRAK) 2_ABSTRAK.pdf Download (250kB) | Preview
Preview	Text (DAFTAR ISI) 3_DAFTAR ISI.pdf Download (263kB) | Preview
Preview	Text (BAB I) 4_BAB I.pdf Download (234kB) | Preview
	Text (BAB II) 5_BAB II.pdf Restricted to Registered users only Download (678kB)
	Text (BAB III) 6_BAB III.pdf Restricted to Registered users only Download (875kB)
	Text (BAB IV) 7_BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) 8_BAB V.pdf Restricted to Registered users only Download (198kB)
	Text (DAFTAR PUSTAKA) 9_DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (216kB)

Abstract

Rambu lalu lintas adalah bagian perlengkapan jalan yang berupa lambang, huruf, angka, kalimat, dan/atau perpaduan di antaranya yang digunakan untuk mengatur lalu lintas kendaraan bermotor dan pejalan kaki. Rambu lalu lintas memiliki peran penting bagi masyarakat untuk mengenal tata tertib berlalu lintas agar terciptanya keselamatan, kenyamanan, dan kelancaran dalam berkendara. Dengan meningkatnya jumlah kendaraan di jalan, kebutuhan akan sistem yang mampu mengenali dan mengklasifikasikan rambu lalu lintas secara otomatis semakin mendesak. Untuk mengatasi masalah tersebut, maka penelitian dilakukan untuk membuat rancangan sebuah sistem yang dapat mengklasifikasikan rambu lalu lintas dan artinya melalui pengolahan citra. Tujuan dari penelitian ini adalah untuk untuk mengembangkan sistem klasifikasi rambu lalu lintas menggunakan Convolutional Neural Network dengan arsitektur ResNet-50. Dengan memanfaatkan dataset rambu lalu lintas yang telah tersedia, sistem ini diharapkan mampu mengklasifikasikan berbagai jenis rambu dengan akurasi tinggi. Sistem ini menerapkan teknologi klasifikasi citra, yang adalah bagian dari kecerdasan buatan. Model dibangun menggunakan algoritma Convolutional Neural Network dengan arsitektur ResNet-50. Penelitian ini menggunakan dataset yang terdiri dari 30 kelas, dengan total 15.000 data citra. Pengujian dalam penelitian ini menggunakan variasi proporsi pembagian dataset dengan latih dan data uji, 60%:40%, 70%:30%, 80%:20%, dan 90%:10%. Setiap variasi proporsi dilakukan pengujian sebanyak lima kali dengan nilai parameter diantaranya tingkat pembelajaran, ukuran batch, dan epoch. Hasil evaluasi menggunakan confusion matrix menunjukan bahwa pengujian dengan kinerja terbaik diperoleh pada proporsi pembagian dataset 90%:10%, menggunakan tingkat pembelajaran sebesar 0,0001, ukuran batch sebanyak 32 dan epoch sebanyak 100. Model berhasil mencapai nilai akurasi, presisi, recall dan f1-score sebesar 99,93%.

Actions (login required)

View Item