Bertambahnya jumlah kendaraan menyebabkan meningkatnya kepadatan lalu lintas yang menjadi salah satu faktor utama penyebab kemacetan. Kepadatan lalu lintas biasanya teralokasi di beberapa titik-titik tertentu di ruas jalan, salah satunya di persimpangan. Saat ini lalu lintas di persimpangan jalan diatur oleh lampu lalu lintas menggunakan sistem prediksi kepadatan lalu lintas. Sistem prediksi ini nantinya akan menentukan lama aktifnya lampu hijau dan lampu merah di setiap persimpangan. Salah satu sistem prediksi yang banyak digunakan adalah metode estimasi stastistik kepadatan kendaraan. Metode lain pengontrolan kepadatan lalu lintas seperti sistem pemantauan secara visual memungkinkan untuk diterapkan guna menambah performansi sistem. Untuk itu penelitian ini mengusulkan pembuatan sebuah sistem pengontrolan lampu lalu lintas secara otomatis dengan prediksi kepadatan kendaraan menggunakan teknik pengolahan citra. Sistem yang dibangun menggunakan kamera untuk memantau kondisi kendaraan di jalan raya. Data gambar yang didapat dari kamera kemudian diolah menggunakan teknik pengolahan citra dan teknik pengurangan citra. Teknik ini membandingkan citra objek dengan citra referensi sehingga dapat diketahui jumlah piksel putih pada citra hasil pengurangan citra. Berdasarkan jumlah piksel putih yang telah diperoleh tersebut dapat diketahui persentase panjang antrian kendaraan dan kepadatan kendaraan. Data persentase yang diperoleh kemudian dikirim ke mikrokontroler untuk mengontrol durasi nyala lampu hijau. Pengontrolan lampu lalu lintas dengan perhitungan kepadatan kendaraan memiliki akurasi hingga 77.03% sedangkan dengan perhitungan panjang antrian kendaraan mencapai 91.18%.
Masa pandemi Covid-19 mengharuskan anak-anak siswa sekolah dasar dan menengah melaksanakan aktivitas pembelajaran secara daring di rumah. Dalam praktiknya, anak-anak menjadi lebih sering berinteraksi dengan gawai, baik pada jam sekolah daring maupun di luar jam tersebut. Hal ini menjadi kekhawatiran sebagian besar masyarakat perumahan Graha Nusa Batam, sebab anak-anak di sana sudah mulai memiliki gejala kecanduan gawai. Dengan latar belakang permasalahan tersebut, tim dari Politeknik Negeri Batam (Polibatam) mengadakan program workshop teknologi robotika untuk anak usia 8-15 tahun. Tujuan kegiatan ini adalah meningkatkan pemahaman anak mengenai teknologi robotika yan meliputi elektronika dan mekanika. Selain tujuan tersebut, kegiatan ini memberikan beberapa manfaat, antara lain sebagai alternatif kegiatan yang menarik bagi anak-anak agar tidak selalu bermain gawai, memberikan pengalaman anak-anak dalam hal problem solving, kreativitas, dan kolaborasi, dan memberikan pengalaman lapangan kepada mahasiswa Polibatam dengan mengaplikasikan ilmu yang diperoleh melalui Problem Based Learning (PBL) untuk kepentingan masyarakat. Workshop ini dilakukan dalam empat pertemuan (Maret hingga April 2021), bertempat di gedung Taman Pendidikan Al Qur’an (TPA) At Taqwa, perumahan Graha Nusa Batam. Robot yang digunakan adalah line follower analog. Pre-test dan post-test dilakukan untuk mengukur peningkatan pemahaman peserta terhadap materi. Hasil tes ini menunjukkan bahwa melalui workshop ini pemahaman peserta mengenai teknologi robotika dapat meningkat hingga 25% untuk peserta berusia 8-11 tahun dan 22% untuk peserta berusia 12-15 tahun
The deep learning-based object detector accuracy has surpassed conventional detection methods. Although implementation is still limited to hardware capabilities, this problem can be overcome by combining edge devices with cloud computing. The recent study of cloud-based object detector architecture is generally based on representational state transfer (RESTful web services), which uses a pooling system method for data exchange. As a result, this system leads to a low detection speed and cannot support real-time data streaming. Therefore, this study aims to enhance the detection speed in cloud-based object recognition systems using gRPC and Protobuf to support real-time detection. The proposed architecture was deployed on the Virtual Machine Instance (VMI) equipped with a Graphics Processing Unit (GPU). The gRPC server and YOLOv3 deep learning object detector were executed on the cloud server to handle detection requests from edge devices. Furthermore, the captured images from the edge devices were encoded into Protobuf format to reduce the message size delivered to the cloud server. The results showed that the proposed architecture improved detection speed performance on the client-side in the range of 0.27 FPS to 1.72 FPS compared to the state-of-the-art method. It was also observed that it could support multiple edge devices connection with slight performance degradation in the range of 1.78 FPS to 1.83 FPS, depending on the network interface used.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.