TA: PERBANDINGAN LAYER ARSITEKTUR RESIDUAL NETWORK
UNTUK DETEKSI PENGGUNAAN SABUK PENGAMAN PADA PENGEMUDI MOBIL
Total View This Week0
Total View This Week0
Institusion
Institut Teknologi Nasional Bandung
Author
Nasrulloh, Nur Zam Zam
Subject
Datestamp
2021-05-04 03:56:31
Abstract :
Pada perkembangan saat ini pemantauan terhadap pelanggaran di jalan raya masih dilakukan secara manual dengan memantau pelanggar melalui kamera CCTV. Sehingga banyaknya pengemudi yang melanggar, salah satunya pengemudi yang tidak menggunakan sabuk pengaman. Pada penelitian ini menggunakan model RetinaNet dengan arsitektur ResNet-101 dan ResNet-152 yang dapat digunakan untuk mendeteksi pengemudi yang menggunakan sabuk pengaman dan pengemudi yang tidak menggunakan sabuk pengaman. Pada proses training, jumlah dataset penggunaan sabuk pengaman berjumlah 10.623 image dengan parameter training yang digunakan dengan jumlah batchsize 1, steps 10.623 dan jumlah epoch sebanyak 16. Berdasarkan 60 kali pengujian yang telah dilakukan pada penelitian ini, diperoleh bahwa model RetinaNet menggunakan arsitektur ResNet-152 lebih baik daripada arsitektur ResNet-101. arsitektur ResNet-152 menunjukan nilai precision sebesar 99%, nilai recall sebesar 99%, nilai f1 score sebesar 99% dan nilai accuracy sebesar 98%. Kata kunci : Sabuk Pengaman, Pengemudi Mobil, Deep Learning, Convolutional Neural Network, RetinaNet, Residual Network
Pada perkembangan saat ini pemantauan terhadap pelanggaran di jalan raya masih dilakukan secara manual dengan memantau pelanggar melalui kamera CCTV. Sehingga banyaknya pengemudi yang melanggar, salah satunya pengemudi yang tidak menggunakan sabuk pengaman. Pada penelitian ini menggunakan model RetinaNet dengan arsitektur ResNet-101 dan ResNet-152 yang dapat digunakan untuk mendeteksi pengemudi yang menggunakan sabuk pengaman dan pengemudi yang tidak menggunakan sabuk pengaman. Pada proses training, jumlah dataset penggunaan sabuk pengaman berjumlah 10.623 image dengan parameter training yang digunakan dengan jumlah batchsize 1, steps 10.623 dan jumlah epoch sebanyak 16. Berdasarkan 60 kali pengujian yang telah dilakukan pada penelitian ini, diperoleh bahwa model RetinaNet menggunakan arsitektur ResNet-152 lebih baik daripada arsitektur ResNet-101. arsitektur ResNet-152 menunjukan nilai precision sebesar 99%, nilai recall sebesar 99%, nilai f1 score sebesar 99% dan nilai accuracy sebesar 98%. Kata kunci : Sabuk Pengaman, Pengemudi Mobil, Deep Learning, Convolutional Neural Network, RetinaNet, Residual Network
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
