Identifikasi Kendaraan Bermotor pada Dashcam Mobil Menggunakan Algoritma YOLO

Fanny Ramadhani; Andy Satria; Sri  Dewi

doi:10.56211/helloworld.v2i4.466

Authors

Fanny Ramadhani Universitas Negeri Medan, Medan
Andy Satria Universitas Dharmawangsa, Medan
Sri Dewi Universitas Negeri Medan, Medan

DOI:

https://doi.org/10.56211/helloworld.v2i4.466

Keywords:

Deteksi Objek; Dashcam; Tensor Flow; Yolo V5

Abstract

Identifikasi kendaraan bermotor merupakan tugas penting dalam pengembangan teknologi keselamatan jalan raya dan pemantauan lalu lintas. Dalam konteks ini, kamera dashboard (dashcam) pada mobil menjadi platform yang relevan untuk memperoleh data visual yang diperlukan. Penelitian ini bertujuan untuk mengimplementasikan algoritma You Only Look Once (YOLO) untuk mengidentifikasi kendaraan bermotor dalam rekaman video dari dashcam mobil. Metode ini memanfaatkan pendekatan deteksi objek berbasis deep learning yang memungkinkan deteksi objek secara real-time dengan tingkat keakuratan yang tinggi. Pada tahap pertama, dilakukan proses pengumpulan dan preprocessing dataset yang mencakup rekaman video dari dashcam mobil. Setelah itu, dilakukan pelatihan model YOLO menggunakan dataset yang telah disiapkan. Selama pelatihan, dilakukan proses optimisasi parameter untuk meningkatkan kinerja deteksi. Setelah model dilatih, dilakukan evaluasi menggunakan metrik seperti confusion matrix untuk mengevaluasi keakuratan deteksi. Hasil eksperimen menunjukkan bahwa algoritma YOLO berhasil mengidentifikasi kendaraan bermotor dengan tingkat keakuratan yang memuaskan dalam berbagai kondisi pencahayaan dan latar belakang jalan. Meskipun terdapat beberapa kendala seperti keakuratan yang menurun pada kondisi cahaya yang rendah, namun secara keseluruhan, implementasi algoritma YOLO pada dashcam mobil menunjukkan potensi besar untuk digunakan dalam aplikasi pemantauan lalu lintas dan keselamatan jalan raya. Penelitian ini memberikan kontribusi penting dalam pengembangan teknologi deteksi objek dalam konteks lalu lintas jalan raya menggunakan data visual dari dashcam mobil.

Downloads

Download data is not yet available.

References

Enggarsasi, U., & Sa'diyah, N. K. (2017). Kajian terhadap faktor-faktor penyebab kecelakaan lalu lintas dalam upaya perbaikan pencegahan kecelakaan lalu lintas. Perspektif, 22(3), 238-247.

Hnoohom, N., & Thanapattherakul, T. (2016, November). Image problem classification for dashboard cameras. In 2016 12th International Conference on Signal-Image Technology & Internet-Based Systems (SITIS) (pp. 673-678). IEEE

Putri, S. N., Supardi, J., & Rodiah, D. (2023). Perbaikan Kualitas Pada Citra Gelap Menggunakan Convolutional Neural Network (Cnn) (Doctoral Dissertation, Sriwijaya University).

Haryono, Asep and Bismantoko, Sahid and Putra, Gilang Mantara and Widodo, T. (2019). Accuracy in Object Detection based on Image Processing at the Implementation of Motorbike Parking on The Street. 2019 2nd International Conference on Applied Engineering (ICAE, 1–5. https://doi.org/10.1109/ICAE47758.2019.922181

Adiwibowo, J., Gunadi, K., & Setyati, E. (2020). Deteksi Alat Pelindung Diri Menggunakan Metode YOLO dan Faster R-CNN. Jurnal Infra, 8(2), 106-112.

Irfan, M., Sumbodo, B. A. A., & Candradewi, I. (2017). Sistem Klasifikasi Kendaraan Berbasis Pengolahan Citra Digital dengan Metode Multilayer Perceptron. IJEIS, 7(2), 139-148.

Mulyana, D. I., & Rofik, M. A. (2022). Implementasi Deteksi Real Time Klasifikasi Jenis Kendaraan Di Indonesia Menggunakan Metode YOLOV5. Jurnal Pendidikan Tambusai, 6(3), 13971-13982.

COROVIC,A., ILIĆ, V., ĐURIĆ, S. & MALIŠA, 2018. The Real-Time Detection of Traffic Participants Using YOLO Algorithm. Serbia, s.n

ASSHIDDIQIE, M. A. J., RAHMAT, B. & ANGGRAENY, F. T., 2020. Deteksi Tanaman Tebu pada Lahan Pertanian Menggunakan Metode Convolutional Neural Network. Jurnal Informatika dan Sistem Informasi (JIFoSI), 1(1), pp. 229 -237

Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 779-788).

Putri, N. N. (2017). Aplikasi Pendeteksi Objek Bergerak Pada Image Sequence Dengan Metode Background Substraction. Jurnal Ilmiah Teknologi dan Rekayasa, 21(3).

Witten, I.H & Frank, E. (2005). Data Mining Practical Machine Learning Tools And Teachniques. Second edition. California: Morgan Kaufman.

A. Satria, O. S. Sitompul and H. Mawengkang, "5-Fold Cross Validation on Supporting K-Nearest Neighbour Accuration of Making Consimilar Symptoms Disease Classification," in IEEE, Padang, 2021.

F. Ramadhani, Al-Khowarizmi and I.P. Sari, " Improving the Performance of Naïve Bayes Algorithm by Reducing the Attributes of Dataset Using Gain ratio and Adaboost, "In IEEE, Padang, 2021.

I. P. Sari, I. H. Batubara and Al-Khowarizmi, "Sensitivity of Obtaining Errors in The Combination of Fuzzy and Neural Networks for Conducting Student Assessment on E-Learning," International Journal of Economic, Technology anf Social Sciences (Injects), vol. 2, no. 1, pp. 331 - 338, 2021.