| dc.description.abstract | Kepadatan lalu lintas adalah satuan yang menyatakan jumlah kendaraan per satuan panjang
jalan tertentu (Julianto, 2010). Dalam mendapatkan parameter jumlah kendaraan, pihak
berwajib biasanya menggunakan proses perhitungan manual yang rentan akan kesalahan, selain
itu perhitungan manual juga memakan banyak waktu dan tenaga (Leriansyah, 2020). Berbagai
macam alat deteksi kendaraan telah dibangun, salah satu contohnya adalah alat deteksi
kendaraan menggunakan jaringan deteksi dengan algoritma Deep Learning dan sejenisnya.
Dari kebanyakan pekerjaan yang menggunakan metode ini, kerap ditemukan masalah
mengenai kurang bagusnya performa deteksi kendaraan pada kondisi lalu lintas yang ramai
atau macet. Hal ini disebabkan karena berdempetannya kendaraan pada kondisi lalu lintas yang
ramai. Berangkat dari permasalahan tersebut, penulis berusaha untuk membangun sebuah alat
pendeteksi kendaraan otomatis. Penulis akan melatih dua jaringan YOLO v3 yang mampu
mendeteksi kendaraan dengan menggunakan dua skenario pelabelan dataset berdasarkan sudut
pengambilan citra yaitu skenario satu yang melakukan pelabelan citra tanpa mempedulikan
sudut pengambilan citra dan skenario dua yang melakukan pelabelan citra dengan
mempedulikan sudut pengambilan citra (dari depan, kanan, kiri, dan separuh). Dengan
menggunakan dua skenario pelabelan ini, diharapkan akan terjadi peningkatan performa
deteksi kendaraan yang dilakukan oleh jaringan YOLO v3 yang dilatih.
Dari pengujian kedua jaringan yang telah dilatih pada dataset rekaman lalu lintas dari
website ATCS (Area Traffic Control System) Kota Bandung (http://atcsdishub.bandung.go.id/index.php#)
dan Banyumas (http://atcs.banyumaskab.go.id/#), kedua
bobot jaringan mendapatkan rata-rata nilai performa jaringan di atas 70%, hal ini menunjukkan
bahwa kedua jaringan ini mampu mendeteksi kendaraan pada dataset dari penulis dengan baik
dan terdapat peningkatan yang tidak terlalu signifikan pada jaringan dua. | en_US |
