Deteksi dan Estimasi Kecepatan Kendaraan dalam Sistem Pengawasan Lalu Lintas Menggunakan Pengolahan Citra

Zulfikri, Muhammad; Hairani, Hairani; Ahmad, Ahmad; Latif, Kurniadin Abd.; Hammad, Rifqi; Syahrir, Moch.

doi:10.33633/tc.v20i3.4588

Cited by 4 publications

(5 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Kelemahan lainnya adalah jika semakin banyak objek yang terdeteksi, maka kinerja sistem dalam semakin menurun. Metode haar cascade classifier juga digunakan untuk deteksi kecepatan kendaraan roda empat: mobil, pikap, minibus, sedan (Zulfikri et al, 2021). Metode lain seperti convolutional neural network juga pernah digunakan untuk klasfikasi jenis kendaraan seperti mobil MVP, mini bus, bus dan pikap dengan akurasi hasil 81,9% (Tri Nurolan, 2019).…”

Section: Pendahuluanunclassified

Deteksi Kendaraan Truk pada Video Menggunakan Metode Tiny-YOLO v4

Putra¹,

Arifianto²,

Fitri³

et al. 2023

JIP

View full text Add to dashboard Cite

Deteksi kendaraan secara real-time dalam video pengamatan di jalan raya menjadi salah satu topik yang menarik diangkat dalam riset. Mendeteksi truk memiliki tantangan tersendiri karena memiliki kesamaan dimensi dengan bus dan struktur mekanis yang menyerupai pikap. Pendekatan computer vision untuk mendeteksi objek dengan YOLO (You Only Look Once) sangat populer. Dalam penerapannya pada perangkat low-end hingga high-end, varian Tiny-Yolo lebih cocok dikarenakan memiliki struktur yang lebih sederhana. Tiny-Yolo v4 diimplementasikan pada 3 perangkat dengan spesifikasi berbeda, menghasilkan akurasi pengujian 98,2% (13FPS) pada perangkat A, 98% (28FPS) pada perangakt B dan 97,5% (38FPS) pada perangkat C. Pengaruh spesifikasi perangkat keras terhadap perolehan FPS yang didapat dan akurasi pendeteksian ditandai dengan perbedaan hasil yang signifikan pada saat pengujian. Semakin tinggi FPS maka semakin menurun akurasi pendeteksian

show abstract

Section: Pendahuluanunclassified

Deteksi Kendaraan Truk pada Video Menggunakan Metode Tiny-YOLO v4

Putra¹,

Arifianto²,

Fitri³

et al. 2023

JIP

View full text Add to dashboard Cite

show abstract

“…Tujuannya adalah untuk mengakses sumber referensi yang relevan dan terbaru guna mendukung penelitian ini, metode yang digunakan pada peneltian ini yaitu KalmanFilter [5]. Pada penelitian ini menghitung keakuratan sistem menggunakan MSE yang menghasilkan 0,2 untuk estimasi kendaraan mobil dan 4,7 untuk estimasi kendaraan sepedamotor [6] MSE, metrik evaluasi regresi, mengukur akurasi prediksi model terhadap nilai sebenarnya. Ketidakseimbangan data dalam estimasi kecepatan kendaraan menggunakan speed gun mempengaruhi kualitas dan keadilan model [9].…”

Section: Studi Pustakaunclassified

Implementasi Metode Kalman Filter Untuk Estimasi Laju Perubahan Posisi Kendaraan

Ferdian,

Rosita,

Ardiantoro

2023

SEMASTEK

View full text Add to dashboard Cite

Hasil penelitian ini menunjukkan bahwa penggunaan Kalman filter sebagai metode estimasi kecepatan kendaraan memperlihatkan tingkat akurasi yang baik. Pengujian keakuratan sistem dilakukan dengan menggunakan MSE (Mean Square Error) sebagai metrik evaluasi, dan hasilnya menunjukkan nilai sebesar 0,276157. Angka ini mengindikasikan bahwa estimasi kecepatan yang dihasilkan oleh sistem relatif dekat dengan nilai sebenarnya, sehingga dapat dianggap akurat.Namun, perlu dicatat bahwa terdapat perbedaan dalam akurasi deteksi kecepatan antara kendaraan roda empat dan sepeda motor. Hasil pengujian menunjukkan bahwa deteksi kecepatan sepeda motor menghasilkan nilai MSE sebesar 4,703646, yang menunjukkan tingkat ketidakakuratan yang lebih tinggi dibandingkan dengan kendaraan roda empat. Perbedaan ini bisa disebabkan oleh karakteristik pergerakan yang berbeda antara kedua jenis kendaraan.Peningkatan akurasi deteksi kecepatan sepeda motor perlu menjadi fokus pengembangan selanjutnya. Dengan melakukan perbaikan dan penyesuaian algoritma yang digunakan untuk deteksi kecepatan sepeda motor, diharapkan hasilnya dapat semakin mendekati 0 pada nilai MSE, sehingga tingkat akurasi akan semakin tinggi. Hal ini akan membantu petugas lalu lintas dalam memantau lalu lintas dengan lebih efektif dan mendukung penegakan peraturan lalu lintas yang lebih baik.

show abstract

“…Berdasarkan penelitian yang penah dilakukan oleh Zulkifri et. al [14], dinyatakan bahwa sistem berhasil melakukan deteksi kendaraan dengan nilai rata-rata recall 0.988 dan presisi 0.97 dan dari perhitungan kecepatan didapatkan nilai Mean Squared Error (MSE) yaitu 0,6. Peneliti lain menemukan hasil pengujian menggunakan faktor skala 1.2 saat ini merupakan yang terbaik dengan tingkat keakuratan tertinggi yaitu sebesar 88,7% sedangkan factor skala 1.3 adalah yang terburuk dengan tingkat keakuratans sebesar 44,9% [15].…”

Section: Pendahuluanunclassified

“…algoritma Haar Cascade mampu mendeteksi citra real time dengan baik, dimana citra diambil melalui webcam [16], [6], [17]. Penelitian selanjutnya menyatakan bahwa Sistem dapat membedakan mata mengantuk dan tidak mengantuk dari objek [17], [14], [18], [19]. Dan dalam penelitian Deteksi Senjata Tajam Dengan Metode Haar Cascade Classifier Menggunakan Teknologi SMS Gateway ditemukan hasil sistem berjalan cukup baik pada tingkat pencahayaan terang dan pada jarak 31-60 cm [20].…”

Section: Pendahuluanunclassified

Implementasi Algoritma Haar Cascade Classifier Dalam Mendeteksi Robot Sepak Bola Beroda

Sitompul

Bustami²,

Kisbianty³

2022

mib

View full text Add to dashboard Cite

In soccer robot contests, generally soccer robots can recognize their own team robots through color detection using the HSV model. Robots that use color detection to identify their own team robot can detect objects that have the same color value, so objects that have the same color will be considered as their own team robot. However, if you only rely on this method, it is still lacking when viewed in terms of object tracking. Haar like feature or known as Haar Cascade Classifier is a rectangular (square) feature method, which gives a specific indication of an image. This method is able to detect quickly and in real time. Therefore, the researchers tried to unite these two detections to be able to produce a better detection system than before. It is hoped that hoped that in this study, researchers can provide input for the Robotics team of Dinamika Bangsa University in improving the accuracy of robot detection against robots in the same team. From the results of the study it was found that the detection of objects with a distance from the camera as far as 100 cm to 150 cm was successfully carried out, but with a distance of more than 150 cm the object was not detected.

show abstract

Deteksi dan Estimasi Kecepatan Kendaraan dalam Sistem Pengawasan Lalu Lintas Menggunakan Pengolahan Citra

Cited by 4 publications

References 13 publications

Deteksi Kendaraan Truk pada Video Menggunakan Metode Tiny-YOLO v4

Deteksi Kendaraan Truk pada Video Menggunakan Metode Tiny-YOLO v4

Implementasi Metode Kalman Filter Untuk Estimasi Laju Perubahan Posisi Kendaraan

Implementasi Algoritma Haar Cascade Classifier Dalam Mendeteksi Robot Sepak Bola Beroda

Contact Info

Product

Resources

About