Sistem Deteksi Rambu Lalu Lintas Berbasis You Only Look Once (Yolov8) Menggunakan Rasberry Pi
Bilah Samping Artikel
Read Counter : 0
Download : 0
Isi Artikel Utama
Abstrak
Kendaraaan autonomous vehicle (AV) direncanakan mewarnai alat transportasi darat di Ibu Kota Nusantara (IKN). Hal ini membuka kemungkinan penelitian–penelitian terkait sebelum implementasi benar–benar dilakukan. Salah satu kemampuan yang dimiliki oleh AV adalah mengenali jenis dari rambu lalu lintas. Untuk itu, penelitian ini bertujuan untuk merancang sistem deteksi rambu lalu lintas sebagai wawasan dan dukungan penerapan autonomous vehicle di IKN Nusantara. Untuk itu, sebanyak 11.157 citra yang berisi 30 jenis rambu lalu lintas sebagai dataset primer telah diambil di sepanjang jalan Daerah Istimewa Yogyakarta. Ditambahkan juga variasi dataset berupa penambahan noise, blur, dan dark. Pada training model dilakukan konfigurasi hyper-parameter berupa learning rate, epoch, dan ukuran citra. Penelitian ini menggunakan algoritma You Only Look Once v8. Pengujian menggunakan data siang menghasilkan precision 96%, recall 83%, dan accuracy 80%. Sedangkan, pengujian menggunakan data malam menghasilkan precision 93%, recall 70%, dan accuracy 67%. Pengujian ini efektif untuk kendaraan bergerak dengan kecepatan di bawah 40 km/jam karena keterbatasan kecepatan komputasi perangkat keras Raspberry Pi
Rincian Artikel
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Kebijakan yang diajukan untuk jurnal yang menawarkan akses terbuka
Syarat yang harus dipenuhi oleh Penulis sebagai berikut:- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Commons Attribution License yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
Referensi
Auliya, A., Pradani, W., & Haryanto, T. (2022). Kenaf Flower Detection using YOLOv3. 2022 3rd International Conference on Artificial Intelligence and Data Sciences (AiDAS), 269–272. https://doi.org/10.1109/AiDAS56890.2022.9918691
DVDVideoSoft. (2023). Vide to JPG Converter. https://www.dvdvideosoft.com/products/dvd/Free-Video-to-JPG-Converter.htm
Google. (n.d.). Google Colaboratory. Retrieved August 15, 2023, from https://colab.google
Huang, J., Rathod, V., Sun, C., Zhu, M., Korattikara, A., Fathi, A., Fischer, I., Wojna, Z., Song, Y., Guadarrama, S., & Murphy, K. (2017). Speed/Accuracy Trade-Offs for Modern Convolutional Object Detectors. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 3296–3297. https://doi.org/10.1109/CVPR.2017.351
Lavanya, G., & Pande, S. D. (2023). Enhancing Real-time Object Detection with YOLO Algorithm. EAI Endorsed Transactions on Internet of Things, 10, 1–9. https://doi.org/10.4108/eetiot.4541
Mishkin, D. (n.d.). Models accuracy on imagenet 2012 val. Https://Github.Com/BVLC/Caffe/Wiki/Models-Accuracy-on-ImageNet-2012-Val. Retrieved April 30, 2024, from https://github.com/BVLC/caffe/wiki/Models-accuracy-on-ImageNet-2012-val
Nacir, O., Amna, M., Imen, W., & Hamdi, B. (2022). Yolo V5 for Traffic Sign Recognition and Detection Using Transfer Learning. 2022 IEEE International Conference on Electrical Sciences and Technologies in Maghreb (CISTEM), 1–4. https://doi.org/10.1109/CISTEM55808.2022.10044022
Nugroho, A. A., Wijaya, W., Hendry, J., & Sumanto, B. (2022). Seleksi Fitur Aroma Teh Kombucha menggunakan ANN untuk Optimasi Kinerja Sistem E-nose. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 10(2), 334. https://doi.org/10.26760/elkomika.v10i2.334
QT Designer. (n.d.). QT Designer. Retrieved August 15, 2023, from https://doc.qt.io
Redmon, J. (n.d.). Darknet: Open source neural networks in C. Http://Pjreddie.Com/Darknet/. Retrieved August 22, 2024, from http://pjreddie.com/darknet/
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2015). You Only Look Once: Unified, Real-Time Object Detection. Computer Vision and Pattern Recognition. http://arxiv.org/abs/1506.02640
Roboflow. (n.d.). Vision Models with Roboflow. Https://Roboflow.Com. Retrieved August 8, 2023, from https://roboflow.com
Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., Huang, Z., Karpathy, A., Khosla, A., Bernstein, M., Berg, A. C., & Fei-Fei, L. (2015). ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision, 115(3), 211–252. https://doi.org/10.1007/s11263-015-0816-y
Saptohutomo, A. P. (2022). Korlantas Polri Catat 94.617 Kecelakaan pada Januari-September 2022. https://nasional.kompas.com/read/2022/11/20/15200561/korlantas-polri-catat-94617-kecelakaan-pada-januari-september-2022
Saputra, D. (2022). Setelah BSD, Ambisi Kendaraan Otonom akan Dibawa Juga ke IKN Nusantara. https://ekonomi.bisnis.com/read/20220521/98/1535416/setelah-bsd-ambisi-kendaraan-otonom-akan-dibawa-juga-ke-ikn-nusantara
Sumanto, B., Java, D. R., Wijaya, W., & Hendry, J. (2022). Seleksi Fitur Terhadap Performa Kinerja Sistem E-Nose untuk Klasifikasi Aroma Kopi Gayo. MATRIK : Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 21(2), 429–438. https://doi.org/10.30812/matrik.v21i2.1495
Thonny. (n.d.). Python IDE. Retrieved August 15, 2023, from https://thonny.org
Wang, C., Guo, J., Wang, S., Wu, Q., Wang, S., & Wu, R. (2022). Research on Gesture Recognition Algorithm Based on Lightweight YOLOv4. 2022 2nd International Conference on Computation, Communication and Engineering (ICCCE), 74–78. https://doi.org/10.1109/ICCCE55785.2022.10036237
Yang, G., Wang, J., Nie, Z., Yang, H., & Yu, S. (2023). A Lightweight YOLOv8 Tomato Detection Algorithm Combining Feature Enhancement and Attention. Agronomy, 13(7), 1824. https://doi.org/10.3390/agronomy13071824
Yang, L., & Shami, A. (2020). On hyperparameter optimization of machine learning algorithms: Theory and practice. Neurocomputing, 415, 295–316. https://doi.org/10.1016/j.neucom.2020.07.061
Yung, N. D. T., Wong, W. K., Juwono, F. H., & Sim, Z. A. (2022). Safety Helmet Detection Using Deep Learning: Implementation and Comparative Study Using YOLOv5, YOLOv6, and YOLOv7. 2022 International Conference on Green Energy, Computing and Sustainable Technology (GECOST), 164–170. https://doi.org/10.1109/GECOST55694.2022.10010490