Perbandingan Sistem Pendeteksian Kendaraan: Faster R-CNN dengan YOLOV5 untuk Keselamatan Lalu Lintas
Keywords:
Keselamatan lalu lintas, Pendeteksian kendaraan; Model Faster R-CNN; Raspberry Pi 4B; Metode YOLOV5Abstract
Penelitian ini bertujuan untuk meningkatkan keselamatan lalu lintas dengan menggunakan sistem pendeteksian kendaraan di jalan raya. Abstrak pertama membahas penggunaan model Faster R-CNN yang diimplementasikan pada Raspberry Pi 4B untuk memberikan notifikasi kepada pengemudi saat terdeteksi kendaraan di depannya. Sistem ini memiliki akurasi sebesar 90.25% dan waktu komputasi rata-rata sekitar 7.638 detik per gambar. Abstrak kedua menggunakan metode YOLOV5 untuk mendeteksi jenis kendaraan di jalan raya. Penelitian ini mencapai tingkat akurasi sebesar 90% dengan dataset 1332 gambar yang mencakup berbagai jenis kendaraan. Dalam perbandingan, penelitian pertama menggunakan model Faster R-CNN dan Raspberry Pi 4B, sedangkan penelitian kedua menggunakan metode YOLOV5. Kedua penelitian ini memberikan kontribusi untuk meningkatkan keselamatan lalu lintas dengan pendeteksian kendaraan, meskipun penelitian pertama memiliki waktu komputasi yang lebih lama per gambar dibandingkan dengan penelitian kedua.
References
Charli, F., Syaputra, H., Akbar3, M., Sauda, S., & Panjaitan, F. (2020). Implementasi Metode Faster Region Convolutional Neural Network (Faster R-CNN) Untuk Pengenalan Jenis Burung Lovebird. In Journal of Information Technology Ampera (Vol. 1, Issue 3). https://journal-computing.org/index.php/journal-ita/index
Dwiyanto, R., Widodo, D. W., & Kasih, P. (n.d.). Implementasi Metode You Only Look Once (YOLOv5) Untuk Klasifikasi Kendaraan Pada CCTV Kabupaten Tulungagung. https://arxiv.org/abs/1506.02640.
Hidayat, H., Nurul Musthofa, K., Octavian, R., Firdaus, R., & Rosyani, P. (n.d.). BISIK : Jurnal Ilmu Komputer, Hukum, Kesehatan, dan SosHum Hasil Penelitian dan Pengabdian Masyarakat Analisis Perbandingan Metode Logika Fuzzy Untuk Mendiagnosis Penyakit Diabetes Melitus.
Manajemen, J., Agung Laksono, A., Syahlanisyiam, M., & Rosyani, P. (n.d.). Sistem Pakar Diagnosa Penyakit Kulit Dengan Menggunakan Metode Forward Chaining. https://journal.mediapublikasi.id/index.php/manekin
Maulida, A., Rahmatulloh, A., Ahussalim, I., Alvian Jaya Mulia, R., & Rosyani, P. (2023). Analisis Metode Forward Chaining pada Sistem Pakar: Systematic Literature Review (Vol. 1). https://journal.mediapublikasi.id/index.php/manekin
Megawan, S., & Lestari, W. S. (2020). Deteksi Spoofing Wajah Menggunakan Faster R-CNN dengan Arsitektur Resnet50 pada Video (Face Spoofing Detection Using Faster R-CNN with Resnet50 Architecture on Video). In Jurnal Nasional Teknik Elektro dan Teknologi Informasi | (Vol. 9, Issue 3). https://www.idiap.ch/dataset/replayattack.
Mulyana, D. I., & Rofik, M. A. (2022). Implementasi Deteksi Real Time Klasifikasi Jenis Kendaraan Di Indonesia Menggunakan Metode YOLOV5. http://google.com/
Rosyani, P., & Retnawati, R. (2023). Ekstraksi Fitur Wajah Menggunakan Metode Viola Jones dengan Tools Cascade Detector. JURIKOM (Jurnal Riset Komputer), 10(2), 633. https://doi.org/10.30865/jurikom.v10i2.6062
Satria Wirandi, D., Daris Permadi, E., Prasetio, D., Rudin, M., & Rosyani, P. (2022). Kecerdasan Buatan Alat Pendeteksi Maling Berbasis Arduino Menggunakan Sensor Ultrasonic Melalui SMS. In Scientia Sacra: Jurnal Sains (Vol. 2, Issue 2). http://pijarpemikiran.com/index.php/Scientia
Shianto, K. A., Gunadi, K., & Setyati, E. (n.d.). Deteksi Jenis Mobil Menggunakan Metode YOLO Dan Faster R-CNN.
