Salah satu teknologi yang digunakan untuk mengenali rambu lalu-lintas dengan pemanfaatan pengolahan citra adalah traffic sign recognition (TSR) atau pengenalan rambu lalu-lintas. TSR dapat diaplikasikan pada driver assistance systems (DAS), advance driver assistance systems (ADAS), autonomous driving systems (ADS), pemahaman suasana perkotaan, keamanan jalan raya, dan pemantauan rambu untuk kepentingan perawatan. Artikel ini menyajikan perbaruan dari pengenalan rambu lalu-lintas di Indonesia menggunakan convolutional neural network (CNN). Dataset yang digunakan sejumlah 2050 citra rambu lalu-lintas, yang terdiri dari 10 macam rambu lalu-lintas. Model CNN yang digunakan terdiri dari 3 lapisan konvolusi, 3 lapisan penggabungan (maxpool) dan 1 lapisan fully-connected. Stochastic gradient descent (SGD) digunakan sebagai algoritma pelatihan. Skenario terbaik yang diperoleh yaitu menggunakan 32 filter pada lapisan konvolusi pertama, 32 filter pada lapisan konvolusi kedua dan 32 filter pada lapisan konvolusi ketiga, dimana pada tahap pelatihan menggunakan 1750 data citra latih, 20 epoch dan laju pelatihan 0,005 didapatkan nilai galat 0,0025 dan nilai akurasi 100%. Dan pada tahap pengujian menggunakan 300 data citra uji, didapatkan nilai galat 0,0159 dan nilai akurasi sebesar 99,33%.Salah satu teknologi yang digunakan untuk mengenali rambu lalu-lintas dengan pemanfaatan pengolahan citra adalah traffic sign recognition (TSR) atau pengenalan rambu lalu-lintas. TSR dapat diaplikasikan pada driver assistance systems (DAS), advance driver assistance systems (ADAS), autonomous driving systems (ADS), pemahaman suasana perkotaan, keamanan jalan raya, dan pemantauan rambu untuk kepentingan perawatan. Artikel ini menyajikan perbaruan dari pengenalan rambu lalu-lintas di Indonesia menggunakan convolutional neural network (CNN). Dataset yang digunakan sejumlah 2050 citra rambu lalu-lintas, yang terdiri dari 10 macam rambu lalu-lintas. Model CNN yang digunakan terdiri dari 3 lapisan konvolusi, 3 lapisan penggabungan (maxpool) dan 1 lapisan fully-connected. Stochastic gradient descent (SGD) digunakan sebagai algoritma pelatihan. Skenario terbaik yang diperoleh yaitu menggunakan 32 filter pada lapisan konvolusi pertama, 32 filter pada lapisan konvolusi kedua dan 32 filter pada lapisan konvolusi ketiga, dimana pada tahap pelatihan menggunakan 1750 data citra latih, 20 epoch dan laju pelatihan 0,005 didapatkan nilai galat 0,0025 dan nilai akurasi 100%. Dan pada tahap pengujian menggunakan 300 data citra uji, didapatkan nilai galat 0,0159 dan nilai akurasi sebesar 99,33%.
Copyrights © 2022