Text

Pemilihan Hyperparameter Terbaik Untuk Klasifikasi Jenis Rambu Lalu intas Menggunakan Arsitektur EfficientNetB2

---

Undang Undang No. 22 tahun 2009 tentang Lalu Lintas dan Angkutan Jalan menyatakan
bahwa rambu lalu lintas adalah bagian perlengkapan jalan yang berupa lambang, huruf,
angka, kalimat, dan/atau perpaduan yang berfungsi sebagai peringatan, larangan, perintah,
atau petunjuk bagi pengguna jalan. Autonomous driving system menjadi topik hangat akhirakhir ini dengan teknologinya yang dapat mematuhi dan memahami rambu lalu lintas
selayaknya manusia. Untuk mempermudah mengenali rambu lalu lintas, diperlukan
pengembangan pengenalan suatu objek, salah satunya menggunakan deep learning. Penulis
mengajukan sebuah penelitian berupa klasifikasi rambu lalu lintas menggunakan model
Convolutional Neural Network (CNN) arsitektur EfficientNetB2 untuk membantu
perkembangan autonomous driving system. Data yang digunakan pada penelitian ini adalah
German Traffic Sign Dataset. German Traffic Sign Detection Benchmark (GTSDB) untuk
melatih model deep learning dan German Traffic Sign Recognition Benchmark (GTSRB)
untuk menguji model yang telah dilatih. Data pelatihan dibagi menjadi dua yaitu pelatihan
dan validasi. Pelatihan dilakukan dalam 60 eksperimen untuk memperoleh hyperparameter
terbaik, di antaranya learning rate, dropout, dan batch size. Model terbaik yang didapat pada
penelitian ini yaitu dengan hyperparameter learning rate 0,0005; dropout 0,1; dan batch size
8. Model tersebut menghasilkan f1-score sebesar 96,04%. Penelitian ini membuktikan
bahwa susunan hyperparameter tersebut dinilai menjadi susunan dengan tingkat overfitting
terendah jika dibandingkan dengan susunan hyperparameter pada skenario lain.
Kata kunci : Klasifikasi Rambu Lalu Lintas, CNN, Arsitektur EfficientNetB2,
autonomous driving system

---

Ketersediaan

1220F2023

1220 F 2023

Perpustakaan FSM Undip

Tersedia

Informasi Detail

Judul Seri

-

No. Panggil

1220 F 2023

Penerbit

: .,

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Sony Hartono

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar