Pengenalan Rambu Lalu-lintas menggunakan Convolutional Neural Network (Studi Kasus: Rambu Lalu-lintas Indonesia)

Mutaqin Akbar

Abstract


Salah satu teknologi yang digunakan untuk mengenali rambu lalu-lintas dengan pemanfaatan pengolahan citra adalah traffic sign recognition (TSR) atau pengenalan rambu lalu-lintas. TSR dapat diaplikasikan pada driver assistance systems (DAS), advance driver assistance systems (ADAS), autonomous driving systems (ADS), pemahaman suasana perkotaan, keamanan jalan raya, dan pemantauan rambu untuk kepentingan perawatan. Artikel ini menyajikan perbaruan dari pengenalan rambu lalu-lintas di Indonesia menggunakan convolutional neural network (CNN). Dataset yang digunakan sejumlah 2050 citra rambu lalu-lintas, yang terdiri dari 10 macam rambu lalu-lintas. Model CNN yang digunakan terdiri dari 3 lapisan konvolusi, 3 lapisan penggabungan (maxpool) dan 1 lapisan fully-connected. Stochastic gradient descent (SGD) digunakan sebagai algoritma pelatihan. Skenario terbaik yang diperoleh yaitu menggunakan 32 filter pada lapisan konvolusi pertama, 32 filter pada lapisan konvolusi kedua dan 32 filter pada lapisan konvolusi ketiga, dimana pada tahap pelatihan menggunakan 1750 data citra latih, 20 epoch dan laju pelatihan 0,005 didapatkan nilai galat 0,0025 dan nilai akurasi 100%. Dan pada tahap pengujian menggunakan 300 data citra uji, didapatkan nilai galat 0,0159 dan nilai akurasi sebesar 99,33%.Salah satu teknologi yang digunakan untuk mengenali rambu lalu-lintas dengan pemanfaatan pengolahan citra adalah traffic sign recognition (TSR) atau pengenalan rambu lalu-lintas. TSR dapat diaplikasikan pada driver assistance systems (DAS), advance driver assistance systems (ADAS), autonomous driving systems (ADS), pemahaman suasana perkotaan, keamanan jalan raya, dan pemantauan rambu untuk kepentingan perawatan. Artikel ini menyajikan perbaruan dari pengenalan rambu lalu-lintas di Indonesia menggunakan convolutional neural network (CNN). Dataset yang digunakan sejumlah 2050 citra rambu lalu-lintas, yang terdiri dari 10 macam rambu lalu-lintas. Model CNN yang digunakan terdiri dari 3 lapisan konvolusi, 3 lapisan penggabungan (maxpool) dan 1 lapisan fully-connected. Stochastic gradient descent (SGD) digunakan sebagai algoritma pelatihan. Skenario terbaik yang diperoleh yaitu menggunakan 32 filter pada lapisan konvolusi pertama, 32 filter pada lapisan konvolusi kedua dan 32 filter pada lapisan konvolusi ketiga, dimana pada tahap pelatihan menggunakan 1750 data citra latih, 20 epoch dan laju pelatihan 0,005 didapatkan nilai galat 0,0025 dan nilai akurasi 100%. Dan pada tahap pengujian menggunakan 300 data citra uji, didapatkan nilai galat 0,0159 dan nilai akurasi sebesar 99,33%.

Keywords


Convolutional neural network; rambu lalu-lintas; traffic sign recognition

Full Text:

PDF

References


K. Bengler, K. Dietmayer, B. Farber, M. Maurer, C. Stiller, and H. Winner, “Three Decades of Driver Assistance Systems: Review and Future Perspectives,” IEEE Intell. Transp. Syst. Mag., vol. 6, no. 4, pp. 6–22, 2014, doi: 10.1109/MITS.2014.2336271.

V. K. Kukkala, J. Tunnell, S. Pasricha, and T. Bradley, “Advanced Driver-Assistance Systems: A Path Toward Autonomous Vehicles,” IEEE Consum. Electron. Mag., vol. 7, no. 5, pp. 18–25, Sep. 2018, doi: 10.1109/MCE.2018.2828440.

A. Ziebinski, R. Cupek, D. Grzechca, and L. Chruszczyk, “Review of advanced driver assistance systems (ADAS),” Thessaloniki, Greece, 2017, p. 120002. doi: 10.1063/1.5012394.

J. Levinson et al., “Towards fully autonomous driving: Systems and algorithms,” in 2011 IEEE Intelligent Vehicles Symposium (IV), Baden-Baden, Germany, Jun. 2011, pp. 163–168. doi: 10.1109/IVS.2011.5940562.

O. Rumiris Sitanggang, H. Fitriyah, and F. Utaminingrum, “Sistem Deteksi dan Pengenalan Jenis Rambu Lalu Lintas Menggunakan Metode Shape Detection Pada Raspberry Pi,” J. Pengemb. Teknol. Inf. Dan Ilmu Komput., vol. 2, no. 12, pp. 6108–6117, Dec. 2018.

T. Oddy Chrisdwianto, H. Fitriyah, and E. Rosana Widasari, “Perancangan Sistem Deteksi dan Pengenalan Rambu Peringatan Menggunakan Metode Template Matching,” J. Pengemb. Teknol. Inf. Dan Ilmu Komput., vol. 2, no. 3, pp. 1265–1274, Mar. 2018.

G. Romadhon and Murinto, “Aplikasi pengenalan citra rambu lalu lintas berbentuk lingkaran menggunakan metode jarak city-block,” J. Sarj. Tek. Inform., vol. 2, no. 2, pp. 286–294, Jun. 2014.

C. Rahmad, I. Fauziah Rahmah, and R. Andrie Asmara, “Deteksi dan pengenalan rambu lalu lintas di indonesia menggunakan RGBNdan Gabor,” in SENTRINOV, 2017, vol. 3, pp. TI13-22.

A. Triyadi and F. Utaminingrum, “Pengembangan Sistem Rekognisi Rambu Kecepataan Menggunakan Circle Hough Transform dan Convolutional Neural Network Berbasis Raspberry Pi,” J. Pengemb. Teknol. Inf. Dan Ilmu Komput., vol. 2, no. 1, pp. 56–64, Jan. 2020.

M. Akbar, “Traffic sign recognition using convolutional neural networks,” J. Teknol. Dan Sist. Komput., vol. 9, no. 2, pp. 120–125, Apr. 2021, doi: 10.14710/jtsiskom.2021.13959.

Y. Le Cun et al., “Handwritten Digit Recognition: Applications of Neural Net Chips and Automatic Learning,” in Neurocomputing, F. F. Soulié and J. Hérault, Eds. Berlin, Heidelberg: Springer Berlin Heidelberg, 1990, pp. 303–318. doi: 10.1007/978-3-642-76153-9_35.

A. Khan, A. Sohail, U. Zahoora, and A. S. Qureshi, “A survey of the recent architectures of deep convolutional neural networks,” Artif. Intell. Rev., vol. 53, no. 8, pp. 5455–5516, Dec. 2020, doi: 10.1007/s10462-020-09825-6.

A. P. Engelbrecht, Computational intelligence: an introduction, 2nd ed. Chichester, England ; Hoboken, NJ: John Wiley & Sons, 2007.

S. W. Smith, The scientist and engineer’s guide to digital signal processing. San Diego, Calif.: California Technical Pub., 1999.

D. Hutchison et al., “Evaluation of Pooling Operations in Convolutional Architectures for Object Recognition,” in Artificial Neural Networks – ICANN 2010, vol. 6354, K. Diamantaras, W. Duch, and L. S. Iliadis, Eds. Berlin, Heidelberg: Springer Berlin Heidelberg, 2010, pp. 92–101. doi: 10.1007/978-3-642-15825-4_10.

C. Nwankpa, W. Ijomah, A. Gachagan, and S. Marshall, “Activation Functions: Comparison of trends in Practice and Research for Deep Learning,” ArXiv181103378 Cs, Nov. 2018, Accessed: Nov. 17, 2021. [Online]. Available: http://arxiv.org/abs/1811.03378

B. Zhou, C. Han, and T. Guo, “Convergence of Stochastic Gradient Descent in Deep Neural Network,” Acta Math. Appl. Sin. Engl. Ser., vol. 37, no. 1, pp. 126–136, Jan. 2021, doi: 10.1007/s10255-021-0991-2.




DOI: https://doi.org/10.30743/infotekjar.v6i2.4564

Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Mutaqin Akbar

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan)

Program Studi Teknik Informatika - Universitas Islam Sumatera Utara
Website : http://jurnal.uisu.ac.id/index.php/infotekjar/index
Email : infotekjar@ft.uisu.ac.id

InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan) is licensed under a Creative Commons Attribution 4.0 International License