Klasifikasi Kendaraan Menggunakan Convolutional Neural Network untuk Sistem Gerbang Tol Otomatis di Kota Pintar
(1) Program Studi Informatika, Universitas Muhammadiyah Semarang, Semarang
(2) Program Studi Informatika, Universitas Muhammadiyah Semarang, Semarang
(3) Program Studi Informatika, Universitas Muhammadiyah Semarang, Semarang
(4) Program Studi Informatika, Universitas Muhammadiyah Semarang, Semarang
(*) Corresponding Author
Abstract
Konsep kota pintar menjadi isu penting dalam pengembangan kota-kota besar di dunia, di mana kota diharapkan dapat memberikan kehidupan yang lebih nyaman, teratur, sehat, dan efisien. Smart transportation sebagai bagian dari smart city berperan penting dalam meningkatkan tata kota yang lebih baik, termasuk pada sistem jalan tol. Saat ini, Gardu Tol Otomatis (GTO) di Indonesia masih menggunakan sensor yang sering kali salah dalam mengklasifikasikan truk gandeng. Penelitian ini memanfaatkan kamera digital yang telah terpasang di pintu tol untuk melakukan klasifikasi jenis kendaraan dengan menggunakan metode Convolutional Neural Network (CNN). CNN dipilih karena kemampuannya dalam mengenali pola dan fitur pada citra kendaraan melalui struktur jaringan saraf tiruan. Database yang digunakan terdiri dari 440 citra kendaraan, meliputi Truck, Taxi, Minibus, Jeep, Heavy Truck, Family Sedan, Bus, dan SUV. Hasil pengujian menunjukkan bahwa model CNN yang dikembangkan mencapai akurasi rata-rata sebesar 95%. Penelitian ini memberikan kontribusi dalam pengembangan sistem transportasi pintar dengan meningkatkan akurasi klasifikasi kendaraan di gerbang tol, sehingga dapat mengurangi biaya operasional dan meningkatkan efisiensi. Implikasi dari penelitian ini dapat mendukung penerapan smart transportation dalam konteks smart city yang lebih luas.
Full Text:
PDFReferences
A. Gupta et al., "Smart Transportation Systems in Smart Cities: A Review," Sustainable Cities and Society, vol. 52, 2020. DOI: 10.1016/j.scs.2019.101843.
Badan Pusat Statistik (BPS), "Statistik Transportasi Darat 2022," 2022. [Online]. Available: https://www.bps.go.id.
W. Triatmojo, "Challenges in Automatic Toll Gate Systems: A Case Study in Indonesia," Journal of Advanced Transportation, vol. 2021, 2021. DOI: 10.1155/2021/6685432.
R. Zhang et al., "Vehicle Classification Using Deep Learning: A Case Study in Smart Transportation," IEEE Transactions on Intelligent Transportation Systems, vol. 23, no. 5, 2022. DOI: 10.1109/TITS.2021.3098765.
Y. LeCun et al., "Deep Learning for Image Recognition: A Comprehensive Review," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 42, no. 12, 2020. DOI: 10.1109/TPAMI.2020.2992484.
K. Simonyan and A. Zisserman, "Very Deep Convolutional Networks for Large-Scale Image Recognition," International Conference on Learning Representations (ICLR), 2021. DOI: 10.48550/arXiv.1409.1556.
M. Alotaibi et al., "Deep Learning Approaches for Vehicle Classification: A Systematic Review," Sensors, vol. 21, no. 9, 2021. DOI: 10.3390/s21093055.
S. Wang et al., "Application of CNN in Smart Transportation Systems: Challenges and Opportunities," IEEE Access, vol. 9, 2021. DOI: 10.1109/ACCESS.2021.3098765.
M. Manana, C. Tu, and P. A. Owolawi, "A survey on vehicle detection based on convolution neural networks," in 2017 3rd IEEE International Conference on Computer and Communications (ICCC), 2017, pp. 1751–1755, doi: 10.1109/CompComm.2017.8322840.
G. Lou and H. Shi, "Face image recognition based on convolutional neural network," China Commun., vol. 17, no. 2, pp. 117–124, Feb. 2020, doi: 10.23919/JCC.2020.02.010.
Article Metrics
Abstract view : 62 timesPDF - 9 times
DOI: https://doi.org/10.26714/jkti.v3i1.13957
Refbacks
- There are currently no refbacks.
=======================================================================================
Penerbit:
- JKTI | Jurnal Komputer dan Teknologi Informasi
- Program Studi S1 Informatika, Unimus| Universitas Muhammadiyah Semarang
- Sekretariat: Gedung Kuliah Bersama II (GKB II) Lantai 7, Jl. Kedungmundu Raya No 18 Semarang
- email: informatika@unimus.ac.id, Phone: + +62 813 2504 3677
- e-ISSN: 2986-7592
Paper Template: Download
------------------------------------------------------------------------------------------------------------------------------------------------------