Pemanfaatan Deep Learning pada Video Dash Cam untuk Deteksi Pengendara Sepeda Motor

Stephen Ekaputra Limantoro, Yosi Kristian, Devi Dwi Purwanto

Abstract


Jumlah pengendara sepeda motor di Indonesia mencapai 105,15 juta di tahun 2016. Hal itu membuat pemerintah Indonesia mengalami kesulitan dalam memantau pengendara sepeda motor di jalan raya. Dash cam dapat digunakan sebagai alat alternatif untuk mendeteksi pengendara sepeda motor jika diberi kecerdasan. Salah satu kendala umum dalam mendeteksi objek adalah fitur yang kompleks dan variatif. Makalah ini menggunakan metode convolutional neural networks (CNN) yang mampu untuk mendeteksi pengendara sepeda motor. Metode CNN berhasil mengklasifikasikan objek kapal dengan f1-score 0,94. Sliding window dan heat map digunakan dalam makalah ini untuk mencari area/region pengendara sepeda motor. Dua eksperimen dilakukan dalam makalah ini. Tujuan dari makalah ini adalah mencari kombinasi arsitektur dan parameter CNN yang terbaik. Eksperimen pertama terdiri atas tiga bobot yang sudah dilatih sedangkan eksperimen kedua mengandung satu bobot yang sudah dilatih. Kinerja bobot terhadap data pengujian pada eksperimen 1 dan eksperimen 2 diukur melalui f1-score masing-masing 0,977, 0,988, 0,989, dan 0,986. Dari hasil percobaan menggunakan sliding window, eksperimen 2 memiliki tingkat error yang lebih rendah untuk memprediksi pengendara sepeda motor dibandingkan dengan eksperimen 1 karena data pelatihan pada eksperimen 1 lebih banyak jumlahnya dan mengandung citra yang lebih variatif.

Keywords


Deteksi; Convolutional Neural Networks (CNN); Sepeda Motor; Deep Learning; Computer Vision

Full Text:

PDF

References


A. Soin dan M. Chahande, “Moving Vehicle Detection Using Deep Neural Network,” 2017 International Coneference on Emerging Trends in Computing and Communication Technologies (ICETCCT), 2017, hal. 1–5.

H. Tayara, K. G. Soo, dan K. T. Chong, “Vehicle Detection and Counting in High-Resolution Aerial Images Using Convolutional Regression Neural Network,” IEEE Access, Vol. 6, hal. 2220–2230, 2018.

(2017) “2016, Jumlah Sepeda Motor Indonesia Tembus Seratus Juta,” [Online], https://databoks.katadata.co.id/datapublish/2017/12/20/2016-jumlah-sepeda-motor-indonesia-tembus-100-juta, tanggal akses: 12 Januari 2018.

D. Liu, Y. Xiong, K. Pulli, dan L. Shapiro, “Estimating Image Segmentation Difficulty,” International Workshop on Machine Learning and Data Mining in Pattern Recognition, 2011, Vol. 6871, hal. 484–495.

R. T. Ionescu, B. Alexe, M. Leordeanu, M. Popescu, D. P. Papadopoulos, dan V. Ferrari, “How hard can it be ? Estimating the difficulty of visual search in an image,” Computer Vision and Pattern Recognition Conference (CVPR)2, 2016, hal. 2157–2166.

A. Krizhevsky, I. Sutskever, dan G. E. Hinton, “Imagenet Classification With Deep Convolutional Neural Networks,” Proceedings of the 25th International Conference on Neural Information Processing Systems, 2012, Vol. 1, hal. 1097–1105.

J. Schmidhuber, “Deep Learning in Neural Networks: An Overview,” Neural Networks, Vol. 61, hal. 85–117, 2015.

Y. Lecun, Y. Bengio, dan G. Hinton, “Deep learning,” Nature, Vol. 521, No. 7553, hal. 436–444, 2015.

D. Molin, “Pedestrian Detection Using Convolutional Neural Networks,” Thesis, Linkoping University, 2015.

Y. LeCun et al., “Backpropagation Applied to Handwritten Zip Code Recognition,” Neural Computation, Vol. 1, No. 4, hal. 541–551, 1989.

S. Faghih-Roohi, S. Hajizadeh, A. Nunez, R. Babuska, dan B. De Schutter, “Deep Convolutional Neural Networks for Detection of Rail Surface Defects,” Proceedings of the 2016 International Joint Conference on Neural Networks (IJCNN), 2016, hal. 2584–2589.

A. Giusti, D. C. Cire, J. Masci, L. M. Gambardella, and J. Schmidhuber, “Fast Image Scanning with Deep Max-Pooling Convolutional Neural Networks,” International Conference on Image Processing (ICIP), 2013, hal. 4034–4038.

N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, dan R. Salakhutdinov, “Dropout: A Simple Way to Prevent Neural Networks from Overfitting,” Journal of Machine Learning Research, Vol. 15, hal. 1929–1958, 2014.

S. E. Limantoro, Y. Kristian, dan D. D. Purwanto, “Deteksi Pengendara Sepeda Motor Menggunakan Deep Convolutional Neural Networks,” Seminar Nasional Teknologi Informasi dan Komunikasi, 2017, hal. 79–86.

C. Bentes dan D. Velotto, “Ship Classification in TerraSAR-X Images With Convolutional Neural Networks,” IEEE Journal of Oceanic Engineering, Vol. 43, No. 1, hal. 258–266, 2018.

C. H. Lampert, M. B. Blaschko, dan T. Hofmann, “Beyond Sliding Windows : Object Localization by Efficient Subwindow Search,” 2008 IEEE Conference on Computer Vision and Pattern Recognition, 2008, hal. 1–8.

H. Xie, Q. Wu, B. Chen, Y. Chen, dan S. Hong, “Vehicle Detection in Open Parks Using a Convolutional Neural Network,” 2015 Sixth International Conference on Intelligent Systems Design and Engineering Applications (ISDEA), 2015, hal. 927–930.

F. Zhu, Y. Lu, N. Ying, dan G. Giakos, “Fast Vehicle Detection Based on Evolving Convolutional Neural Network,” 2017 IEEE International Conference on Imaging Systems and Techniques (IST), 2017, hal. 1–4.

P. Dollar, C. Wojek, B. Schiele, dan P. Perona, “Pedestrian Detection : A Benchmark,” IEEE Conference on Computer Vision and Pattern Recognition, 2009. CVPR 2009, 2009, hal. 304–311.

N. Hortovanyi, (2017) “Vehicle Detection and Tracking,” [Online]. https://towardsdatascience.com/vehicle-detection-and-tracking-6665d6e1089b, tanggal akses: 10 Februari 2018.

J. Tompson, A. Jain, Y. Lecun, dan C. Bregler, “Joint Training of a Convolutional Network and a Graphical Model for Human Pose Estimation,” NIPS’14 Proceedings of the 27th International Conference on Neural Information Processing Systems, 2014, Vol. 1, hal. 1799–1807.

F. Chollet, (2015) “Keras,” [Online], https://github.com/keras-team/keras, tanggal akses: 21 Oktober 2017.

X. Y. Chen, S. M. Xiang, C. L. Liu, dan C. H. Pan, “Vehicle Detection in Satellite Images by Hybrid Deep Convolutional Neural Networks,” IEEE Geoscience and Remote Sensing Letters, Vol. 11, No. 10, hal. 1797–1801, 2014.

M. Sokolova dan G. Lapalme, “A Systematic Analysis of Performance Measures for Classification Tasks,” Information Processing & Management, Vol. 45, No. 4, hal. 427–437, 2009.




DOI: http://dx.doi.org/10.22146/jnteti.v7i2.419

Refbacks

  • There are currently no refbacks.


Copyright (c) 2018 Jurnal Nasional Teknik Elektro dan Teknologi Informasi (JNTETI)

JNTETI (Jurnal Nasional Teknik Elektro dan Teknologi Informasi)

Departemen Teknik Elektro dan Teknologi Informasi, Fakultas Teknik Universitas Gadjah Mada
Jl. Grafika No 2. Kampus UGM Yogyakarta 55281
+62 274 552305
jnteti@ugm.ac.id