Text

Klasifikasi Citra Rambu Lalu Lintas Menggunakan Metode Transfer Learning Dengan Model CNN Arsitektur Xception

---

Maraknya investasi besar-besaran perusahaan besar terhadap Autonomous Driving System
(ADS) membawa pentingnya rambu lalu lintas sebagai sumber data dalam sistem pengenalan
rambu lalu lintas. Klasifikasi rambu lalu lintas merupakan salah satu fase dari sistem
pengenalan rambu lalu lintas untuk memberikan label pada citra rambu lalu lintas yang hanya
mengandung satu objek rambu dari berbagai kelas yang telah ditentukan sebelumnya. Berbagai
penelitian telah dikembangkan untuk memecahkan masalah klasifikasi rambu lalu lintas, mulai
dari penggunaan metode klasikal dan deep learning hingga penggunaan metode transfer
learning. Akan tetapi, berbagai penelitian tersebut bermasalah dengan pemilihan model,
metode hingga hyperparameter yang kurang tepat, sehingga menimbulkan masalah dalam
tingkat keakurasian yang rendah dan juga waktu komputasi yang tinggi. Oleh karena itu,
penelitian ini mengusulkan model Convolutional Neural Network (CNN) arsitektur Xception
menggunakan metode transfer learning pada kasus klasifikasi rambu lalu lintas yang
mengaplikasikan metode grid search dalam menentukan hyperparameter terbaik. Tujuan
dilakukannya penelitian ini adalah untuk membantu perkembangan ADS. Dengan keterbatasan
data yang dimiliki, maka penelitian ini hanya melakukan klasifikasi terhadap 4 kelas rambu
lalu lintas pada dataset Germany Traffic Sign Detection Benchmark (GTSDB) yaitu
prohibitory, mandatory, danger, dan other. Data dibagi menjadi 3 bagian sesuai tugasnya yaitu
pelatihan, validasi dan pengujian. Data pelatihan dan validasi dilakukan normalisasi data dan
augmentasi data, sedangkan data pengujian hanya dilakukan normalisasi data. Pelatihan
dilakukan menggunakan metode grid search yang merupakan hasil dari kombinasi antara 2
rasio pembagian data, 5 batch size, 5 learning rate, dan 2 optimizer sehingga menghasilkan
100 eksperimen untuk memperoleh rasio pembagian data, hyperparameter batch size, learning
rate dan optimizer terbaik. Model terbaik didapatkan dari data pelatihan 80%, data validasi
10%, data pengujian 10%, hyperparameter batch size 2, learning rate 0,001, dan optimizer
Adam. Model tersebut menghasilkan accuracy sebesar 99,193% dengan nilai precision
99,107%, recall 98,913%, dan f1-score 98,989%. Berdasarkan hasil tersebut, implementasi
model CNN arsitektur Xception menggunakan metode transfer learning merupakan pilihan
yang tepat untuk tugas klasifikasi rambu lalu lintas karena ketepatan memprediksi sesuai
dengan kelas sebenarnya sangat penting dalam ADS, terutama penggunaan model tersebut
untuk meningkatkan keselamatan pengguna kendaraan dan juga keefektifan biaya ketika
berkendara.
Kata kunci : Autonomous Driving System, Arsitektur Xception, CNN, Grid Search,
Klasifikasi Rambu Lalu Lintas, Transfer Learning.

---

Ketersediaan

1197F2023

1197 F 2023

Perpustakaan FSM Undip

Tersedia

Informasi Detail

Judul Seri

-

No. Panggil

1197 F 2023

Penerbit

: .,

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Agani Satria

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar