skip to main content

MODEL YOLO VERSI 4 PADA PENGENALAN KENDARAAN DI JALAN RAYA KOTA PALEMBANG

*Ahmad Fali Oklilas scopus  -  Jurusan Sistem Komputer, Fakultas Ilmu Komputer, Universitas Sriwijaya, Indonesia
Sukemi Sukemi scopus  -  Jurusan Sistem Komputer, Fakultas Ilmu Komputer, Universitas Sriwijaya, Indonesia
Ridho Apriliyanto  -  Labotarium Elektronika Dan Sistem Digital, Fakultas Ilmu Komputer, Universitas Sriwijaya, Indonesia
Dikirim: 25 Peb 2023; Diterbitkan: 23 Agu 2023.
Akses Terbuka Copyright (c) 2023 Transmisi: Jurnal Ilmiah Teknik Elektro under http://creativecommons.org/licenses/by-sa/4.0.

Citation Format:
Sari
Setelah didapatkan hasil dari dataset Foto Kendaraan di Jalan Raya Kota Palembang. Pada penelitian ini melakukan training dan testing dari dataset tersebut menggunakan YOLO versi 4 (you only look once). Dalam Penelitian ini bertujuan untuk mendapatkan nilai akurasi dalam mendeteksi objek motor dan mobil.  Hasil Model tersebut akan diuji coba terhadap video rekaman yang didapat dari Jalan Raya. Dataset yang didapat berjumlah 4000 gambar yang berformat .jpg. Dari 4000 file tersebut terdiri dari 2000 file gambar motor dan 2000 file gambar mobil. Hasil dari YOLO v4 mendapatkan akurasi yang baik, hal ini di tunjukkan pada nilai mean Average Precision  (mAP) adalah 0.690423 atau 69.04%. Pada YOLO v4 melakukan proses dengan waktu yang cepat untuk mendeteksi objek gambar dalam satuan second ialah 89 detik.
Fulltext View|Download
Kata Kunci: YOLO; Deteksi Kedaraan; mAP (mean Average Precision)

Article Metrics:

  1. Zaenudin, “Pengertian Transportasi, Ciri, Fungsi, Manfaat & Jenis-Jenis Transportasi,” march 5, 2022. https://artikelsiana.com/pengertian-transportasi-ciri-fungsi-manfaat-jenis-transportasi/
  2. F. Ananda, “Analisa Penggunaan ‘Speed Bump’ Terhadap Perubahan Kecepatan Kendaraan pada Jalan Beringin Pasar VII Tembung (Studi Kasus),” vol. 1, no. November, p. 90, 2021
  3. S. T. Informatika, “Implementasi Deteksi Real Time Klasifikasi Jenis Kendaraan Di Indonesia Menggunakan Metode YOLOV5,” vol. 6, pp. 13971–13982, 2022
  4. Y. Pratama and E. Rasywir, “Eksperimen Penerapan Sistem Traffic Counting dengan Algoritma YOLO (You Only Look Once) V.4.,” J. Media Inform. Budidarma, vol. 5, no. 4, p. 1438, 2021, doi: 10.30865/mib.v5i4.3309
  5. Lapian Andre Kanisius Edguard, Sompie Sherwin R.U.A, and Manembu Pinrolinvic D. K, “You Only Look Once (YOLO) Implementation For Signature Pattern Classification,” J. Tek. Inform., vol. 16, no. 3, pp. 337–346, 2021
  6. G. Plastiras, C. Kyrkou, and T. Theocharides, “Efficient convnet-based object detection for unmanned aerial vehicles by selective tile processing,” ACM Int. Conf. Proceeding Ser., 2018, doi: 10.1145/3243394.3243692
  7. J. Redmon and A. Farhadi, “Yolo V2.0,” Cvpr2017, no. April, pp. 187–213, 2016, [Online]. Available: http://www.worldscientific.com/doi/abs/10.1142/9789812771728_0012
  8. J. Sang et al., “An improved YOLOv2 for vehicle detection,” Sensors (Switzerland), vol. 18, no. 12, 2018, doi: 10.3390/s18124272
  9. B. Jan, H. Farman, M. Khan, M. Talha, and I. U. Din, “Designing a Smart Transportation System: An Internet of Things and Big Data Approach,” IEEE Wirel. Commun., vol. 26, no. 4, pp. 73–79, 2019, doi: 10.1109/MWC.2019.1800512
  10. B. Benjdira, T. Khursheed, A. Koubaa, A. Ammar, and K. Ouni, “Car Detection using Unmanned Aerial Vehicles: Comparison between Faster R-CNN and YOLOv3Benjdira, B., Khursheed, T., Koubaa, A., Ammar, A., &Ouni, K. (2019). Car Detection using Unmanned Aerial Vehicles: Comparison between Faster R-CNN and YOLOv3. 2019 1s,” 2019 1st Int. Conf. Unmanned Veh. Syst. UVS 2019, pp. 1–6, 2019
  11. J. Redmon and A. Farhadi, “YOLOv3: An Incremental Improvement,” 2018, [Online]. Available: http://arxiv.org/abs/1804.02767
  12. A. Bochkovskiy, C.-Y. Wang, and H.-Y. M. Liao, “YOLOv4: Optimal Speed and Accuracy of Object Detection,” 2020, [Online]. Available: http://arxiv.org/abs/2004.10934
  13. F. Rofii, G. Priyandoko, M. I. Fanani, and A. Suraji, “Vehicle Counting Accuracy Improvement By Identity Sequences Detection Based on Yolov4 Deep Neural Networks,” Teknik, vol. 42, no. 2, pp. 169–177, 2021, doi: 10.14710/teknik.v42i2.37019
  14. A. W. Sudjana, “Implementasi Deep Learning untuk Object Detection Menggunakan Algoritma YOLO ( You Only Look Once ) pada Rambu Lalu Lintas di Indonesia,” 2009
  15. P. Mahto, P. Garg, P. Seth, and J. Panda, “Refining Yolov4 for vehicle detection,” Int. J. Adv. Res. Eng. Technol., vol. 11, no. 5, pp. 409–419, 2020, doi: 10.34218/IJARET.11.5.2020.043
  16. A. Ahda, “Analisa Perbandingan Kinerja Cctv Dvr Dengan Cctv Portable Menggunakan Smartphone Android Secara Online,” Perencanaan, Sains, Teknol. dan Komput., vol. 1, no. 2, pp. 114–120, 2018
  17. Patel, “Penggunaan Closed Circuit Television,” pp. 9–25, 2019
  18. S. W. Dari and J. Triloka, “Kajian Algoritme Mask Region-Based Convolutional Neural Network ( Mask R-CNN ) dan You Look Only Once ( YOLO ) Untuk Deteksi Penyakit Kulit Akibat Infeksi Jamur,” pp. 132–138, 2022
  19. W. W. Bahana and R. Rachmawati, “Evaluasi Dampak Infrastruktur Jalan terhadap Perkembangan Fisik Kota dan Kegiatan Perdagangan/Jasa di Kawasan Koridor Jalan Lingkar Soekarno-Hatta Kota Palembang,” J. Bumi Indones., vol. 4, no. 4
  20. D. N. Rachman and P. I. Sari, “Analisis Kerusakan Jalan Dengan Menggunakan Metode Pci Dan Strategi Penanganannya (Studi Kasus Jalan Nasional Srijaya Raya Palembang Km 8+149 Sd Km9+149),” J. Tek. Sipil, vol. 10, no. 1, pp. 13–24, 2021, doi: 10.36546/tekniksipil.v10i1.456

Last update:

No citation recorded.

Last update: 2024-03-01 17:50:43

No citation recorded.