Text

Penentuan Hyperparameter Terbaik Menggunakan Arsitektur VGG16 dengan Transfer Learning untuk Klasifikasi Rambu Lalu Lintas

---

Pengenalan rambu lalu lintas secara otomatis yang cepat dan akurat merupakan salah satu
aspek yang krusial pada Advanced Driver Assistance System (ADAS). Sistem tersebut
sudah banyak dikembangkan seiring dengan perkembangan teknologi yang dapat melakukan
pengenalan objek dengan menggunakan Convolutional Neural Network (CNN) yang
memiliki banyak arsitektur yang telah terbukti memiliki performa tinggi dalam melakukan
klasifikasi objek, salah satunya adalah VGG16. VGG16 dapat melakukan klasifikasi objek
dengan performa tinggi tanpa memerlukan penggunaan memori yang besar. Metode transfer
learning digunakan untuk menghasilkan performa yang lebih efektif dan efisien. Penelitian
ini dilakukan dengan tujuan mengembangkan sebuah pengklasifikasi berupa model CNN
dengan arsitektur VGG16 dengan menggunakan transfer learning yang dapat melakukan
klasifikasi citra rambu lalu lintas dari German Traffic Sign Detection Benchmark (GTSDB)
dengan performa tinggi dan mengembangkan performa model dengan melakukan
penyetelan hyperparameter. Data dari GTSDB yang terbagi menjadi 4 kelas dasar, yaitu
prohibitory, mandatory, danger, dan other diolah dan dibagi menjadi data pelatihan, data
validasi untuk proses pelatihan model, dan data pengujian untuk pengujian model terbaik.
Hyperparameter yang diamati pada pengembangan performa model adalah dropout,
learning rate, dan batch size. Hasil penelitian menunjukkan bahwa model VGG16 dengan
transfer learning dapat memiliki performa akurasi pengujian yang mencapai 98,36%, presisi
97,57%, recall 98,02%, dan f1-score 97,79%. dengan penggunaan hyperparameter dropout
0,2; learning rate 0,001; dan batch size 32. Hal ini menunjukkan bahwa model VGG16
dengan transfer learning dapat memiliki performa yang baik untuk klasifikasi citra rambu
lalu lintas jika hyperparameter yang digunakan sesuai.
Kata kunci : Klasifikasi Objek, Rambu Lalu Lintas, VGG16, Transfer Learning

---

Ketersediaan

1222F2023

1222 F 2023

Perpustakaan FSM Undip

Tersedia

Informasi Detail

Judul Seri

-

No. Panggil

1222 F 2023

Penerbit

: .,

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Seno Aji Dharma

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar