Multi-Scale Convolutional Networks untuk Pengenalan Rambu Lalu Lintas di Indonesia

Abstract

Teknologi pengenalan rambu lalu lintas yang sering disebut dengan traffic sign recognition (TSR), digunakan untuk mengenali rambu lalu lintas melalui pemanfaatan pengolahan citra. TSR sendiri dapat diaplikasikan pada sistem pembantu pengemudi, sistem pembantu pengemudi tingkat lanjut, sistem mengemudi otonom, keamanan jalan raya, pemahaman suasana perkotaan, dan pemantauan rambu untuk kepentingan perawatan. Perbaruan dari pengenalan rambu lalu lintas di Indonesia menggunakan multi-scale convolutional neural network (CNN) telah disajikan pada artikel ini. Dataset yang digunakan pada penelitian ini berjumlah 2050 data citra rambu lalu lintas yang dikelompokkan kedalam 10 kelas. Model CNN terdiri dari tiga lapisan konvolusi berukuran 3x3, tiga lapisan penggabungan (Maxpool) berukuran 2x2 dan satu lapisan fully-connected yang memanfaatkan fungsi aktivasi Softmax. Jumlah filter yang digunakan pada setiap lapisan konvolusi adalah 32. Algoritma pelatihan yang digunakan yaitu Stochastic gradient descent (SGD). Dengan menggunakan 1750 data citra latih, nilai epoch 20, dan laju pelatihan 0,005, nilai galat dan nilai akurasi yang didapatkan pada tahap pelatihan adalah masing-masing 0,0026 dan 100%. Sedangkan pada tahap pengujian, dengan 300 data citra uji, model CNN mampu memperoleh nilai galat 0,017 dan nilai akurasi mencapai 99,67%.

Klasifikasi Penyakit Tuberculosis Berdasarkan Citra Rontgen Thorax Menggunakan Multi-Scale Convolutional Neural Network

“…Arsitektur CNN yang diusulkan Pada tahun 1989, Yann LeCun dkk memperkenalkan algoritma pelatihan yang digunakan untuk memahami muatanmuatan pada citra dan terbukti menunjukkan performa yang baik pada deteksi, klasifikasi, dan segmentasi citra yang diberi nama CNN. CNN adalah salah satu jaringan saraf tiruan dengan menerapkan pelatihan disupervisi [14]. CNN dilatih menggunakan dataset (kumpulan data) yang terdiri dari masukan dan target dimana target tersebut terafiliasi dengan masukan.…”

Object Recognition with SSD MobileNet Pre-Trained Model in the Cashier Application

“…Sejumlah 1750 data digunakan untuk melatih model dan sisanya digunakan sebagai data testing yang diolah menggunakan algoritma Convolutional Neural Network (CNN). Hasil penelitian memperoleh akurasi sebesar 99% [8]. Melalui penelitian tersebut mampu membantu para pengendara dalam memahami setiap rambu lalu lintas yang ada.…”

“…Dari beberapa penelitian serupa tentang pengenalan citra [7], [8], diperoleh hasil bahwa kinerja deep learning menggunakan algoritma CNN lebih baik dibandingkan algoritma machine learning [9]. CNN sendiri memiliki beberapa varian yang dibedakan dari jenis arsitekturnya, di mana antara 1 arsitektur dengan arsitektur yang lain memiliki kinerja model yang berbeda-beda [10].…”