FAIZIN, Achmad Iqbal Al (2024) Klasifikasi rambu lalu lintas menggunakan model CNN dengan arsitektur ResNet50. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 24060119140113 - 1. Cover.pdf Download (1MB)
	Text 24060119140113 - 3. Halaman Pengesahan.pdf Download (204kB)
	Text 24060119140113 - 4. Kata Pengantar.pdf Download (492kB)
	Text 24060119140113 - 6. ABSTRAK.pdf Download (1MB)
	Text 24060119140113 - 7. ABSTRACT.pdf Download (1MB)
	Text 24060119140113 - 8. DAFTAR ISI.pdf Download (1MB)
	Text 24060119140113 - 11. BAB I PENDAHULUAN.pdf Download (1MB)
	Text 24060119140113 - 16. DAFTAR PUSTAKA.pdf Download (1MB)

Abstract

Klasifikasi rambu lalu lintas merupakan salah satu aspek yang krusial pada Autonomous
Driving System (ADAS). Sistem ini membantu kendaraan untuk mengenali dan merespon
berbagi tanda rambu lalu lintas secara akurat. Menggunakan model Convolutional Neural
Network (CNN) dapat mengidentifikasi dan mengklasifikasi rambu lalu lintas berdasarkan
citra yang diambil dari kamera yang terpasang pada kendaraan. Oleh karena itu, Penelitian ini
mengusulkan model Convolutional Neural Network (CNN) arsitektur ResNet50 untuk
membantu perkembangan autonomous driving system. ResNet50 mampu menangani
kompleksitas dan variasi gambar rambu lalu lintas dengan akurasi tinggi, memungkinkan
Autonomous Driving System untuk membuat keputusan mengemudi yang tepat secara real
time. Data yang digunakan pada penelitian ini adalah German Traffic Sign Dataset (GTSDB)
dengan performa tinggi dan mengembangkan performa model dengan melakukan penyetelan
hyperparameter. Data dari GTSDB yang terdiri dari 4 kelas dasar, yaitu prohibitory,
mandatory, danger, dan other, diolah dan dibagi menjadi data pelatihan, data validasi untuk
proses pelatihan model, serta data pengujian untuk menguji model terbaik. Hyperparameter
yang digunakan pada pengembangan performa model adalah dropout, batch size, dan
learning rate. Hasil penelitian menunjukkan bahwa model ResNet50 dapat memiiliki
performa accuracy pengujian yang mencapai 98,55%, precision 98,40%, recall 98,10%, dan
f1-score 98,21%. Dengan penggunaan hyperparameter dropout 0,1; batch size 8; dan
learning rate 0,0001. Hal ini menunjukkan bahwa model ResNet50 dapat memiliki performa
yang baik untuk klasifikasi citra rambu lalu lintas jika hyperparameter yang digunakan sama.
Kata kunci :Autonomous Driving System, Klasifikasi Rambu Lalu Lintas, CNN, Arsitektur
ResNet50

Actions (login required)

View Item