DETEKSI KENDARAAN PADA JALAN RAYA MENGGUNAKAN DEEP LEARNING COMPUTER VISION BERBASIS UNMANNED AERIAL VEHICLES
| Main Author: | ARIF MUNANDAR, 1517051074 |
|---|---|
| Format: | Bachelors NonPeerReviewed Book Report |
| Terbitan: |
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
, 2020
|
| Subjects: | |
| Online Access: |
http://digilib.unila.ac.id/62495/1/ABSTRAK.pdf http://digilib.unila.ac.id/62495/2/SKRIPSI%20FULL.pdf http://digilib.unila.ac.id/62495/3/SKRIPSI%20TANPA%20BAB%20PEMBAHASAN.pdf http://digilib.unila.ac.id/62495/ |
Daftar Isi:
- Kemacetan lalu lintas kendaraan terjadi karena jumlah kendaraan yang tidak sebanding dengan lebar badan jalan. Diperlukan pemantauan lalu lintas kendaraan secara langsung dalam mengatasi kemacetan. Pemantauan langsung oleh petugas lalu lintas atau melalui kamera CCTV memiliki keterbatasan sudut pandang dan jarak penglihatan, terutama saat terjadi kemacetan panjang. Solusi alternatifnya adalah menggunakan pencitraan melalui udara. Untuk hasil yang lebih efektif dan efisien, pemantauan melalui citra udara dapat dilakukan menggunakan bantuan kendaraan udara tanpa awak. Pada penelitian ini, dibangun sistem untuk mendeteksi kendaraan pada jalan raya menggunakan deep learning computer vision berbasis unmanned aerial vehicles. Deep learning adalah pembelajaran mesin berlapis dari data mentah secara langsung, sedangkan computer vision adalah subbidang ilmu komputer yang mempelajari dan menduplikasi kemampuan penglihatan manusia pada komputer. Sistem pendeteksi ini dibagun menggunakan bahasa pemrograman Python dengan tambahan pustaka Opencv dan framework Keras. Pengujian yang dilakukan pada video beresolusi 1920x1056 piksel menghasilkan nilai akurasi tertinggi sebesar 91.8% dan pada video beresolusi 640x480 piksel sebesar 66.7%. Nilai recall terbaik saat pengujian adalah sebesar 100% untuk kelas objek mobil kecil dan kelas objek mobil besar di kedua resolusi video. Hasil FPS rata-rata pada video 640x480 piksel adalah sebesar 3.76 FPS dan pada video 1920x1056 piksel adalah sebesar 0.62 FPS saat menggunakan laptop non-GPU. Meningkatan ukuran resolusi pada video dapat meningkatkan nilai akurasi dan nilai recall, namun nilai FPS video menjadi menurun. Sedangkan mengurangi ukuran resolusi video dapat meningkatkan nilai FPS video tetapi akurasi dan nilai recall sistem menjadi menurun. Kata Kunci: Kemacetan, lalu lintas kendaraan, Deep Learning, Computer Vision, Unmanned Aerial Vehicles. ABSTRACT Vehicle traffic jams occur because the number of vehicles is not proportional to the width of the roadway. Direct vehicle traffic monitoring is needed to overcome vehicle traffic jams. Direct monitoring by traffic officers or through CCTV cameras has limited viewing angles and visibility, especially during long traffic jams. An alternative solution is to use aerial imaging. For more effective and efficient results, monitoring through aerial imagery can be implemented using the assistance of unmanned aerial vehicles. In this research, a system was built to detect vehicles on the roadway using deep learning computer vision based on unmanned aerial vehicles. Deep learning is a layered machine learning from raw data directly. At the same time, computer vision is a sub-field of computer science that studies and duplicates the ability of human vision on computers. This detection system is built using the Python programming language with the addition of the Opencv library and the Keras framework. The tests on 1920x1056 pixel resolution video produced the highest accuracy value of 91.8% and on 640x480 pixel resolution video at 66.7%. The best recall value, when tested, is 100% for the small and large car object class at both video resolutions. The average FPS produced on a 640x480 pixel video is 3.76 FPS, and on a 1920x1056 pixel video is 0.62 FPS when using a non-GPU laptop. Increasing the size of the video resolution can increase the value of accuracy and recall, but the FPS value of the video will decrease. While reducing the size of the video resolution can increase the value of the FPS video, but the accuracy and recall of the system will decrease. Keywords: Traffic jams, vehicle traffic, Deep Learning, Computer Vision, Unmanned Aerial Vehicle.