@thesis{thesis,
		author={NOVIC  GAGAH BRAZA},
		title ={OBJECT COUNTING KENDARAAN BERBASIS ARTIFICIAL INTELLIGENCE (TENSORFLOW & YOLOV4) DENGAN KLASIFIKASI KENDARAAN MENURUT MKJI 1997},
		year={2021},
		url={http://eprints.pktj.ac.id/738/},
		abstract={BERDASARKAN WORLD HEALTH ORGANIZATION PADA TAHUN 2016 INDONESIA TERCATAT SEBAGAI NEGARA KE-4 DENGAN POPULASI KENDARAAN BERMOTOR TERBANYAK DI DUNIA. DENGAN SEMAKIN MENINGKATNYA JUMLAH PERTUMBUHAN KENDARAAN, POTENSI PERMASALAHAN LALU LINTAS YANG MUNCUL AKAN SEMAKIN KOMPLEKS. DALAM PENGATURAN MANAJEMEN REKAYASA LALU LINTAS, UNTUK MENGETAHUI KINERJA JALAN PERLU ADANYA SURVEI LALU LINTAS. PENELITIAN INI MEMILIKI TUJUAN UNTUK MERANCANG SISTEM PENCACAHAN LALU LINTAS DENGAN MENGGUNAKAN ARTIFICIAL INTELEGENCE DAN JUGA UNTUK MENGETAHUI HASIL KINERJA SISTEM DALAM MENCACAH DATA LALU LINTAS DENGAN MEMBANDINGKAN PENGHITUNGAN SISTEM DENGAN PENGHITUNGAN MANUAL. DENGAN MENGGUNAKAN METODE PENDEKATAN ARTIFICIAL INTELEGENCE AGAR DAPAT MEDETEKSI OBJEK (OBJECT DETECTION), MAKA DIPERLUKAN LIBRARY PENUNJANG. LIBRARY MACHINE LEARNING YANG AKAN DIGUNAKAN YAITU TENSORFLOW. DAN ALGORITMA NEURAL NETWORK YANG DIGUNAKAN YAITU YOLOV4. DENGAN DARI KEDUA LIBRARY, SISTEM AKAN BERUSAHA MENDETEKSI OBJEK DAN MENGHITUNG OBJEK. HASIL DARI PENGHITUNGAN SISTEM DENGAN TIMEFRAME PENGHITUNGAN 5 MENIT DISETIAP PEAK HOUR, SISTEM MENDAPATKAN FRAME PER SECOND TERTINGGI HINGGA 7 FPS, TERENDAH 1 FPS, DAN STABIL DI 2 FPS. YOLOV4 MAMPU MENDETEKSI OBJEK KENDARAAN BERSAMAAN DENGAN MENJALANKAN OBJECT COUNTING DAN MENDAPATKAN MAP(MEAN AVERAGE PRECISION) PALING TERTINGI YAITU 97,04%.}
		}