Klasifikasi Jenis Kendaraan Berbasis Citra Menggunakan Deep Learning

Naufal Andhika Pratama, Petrick Kristanto, Nasarrudin Darmawan

Abstract


Perkembangan sistem transportasi cerdas menuntut kemampuan identifikasi kendaraan yang akurat dan efisien. Penelitian ini bertujuan untuk mengklasifikasikan jenis kendaraan berbasis citra menggunakan pendekatan deep learning dengan teknik transfer learning. Model yang digunakan adalah VGG16 pralatih ImageNet yang dimodifikasi dengan Global Average Pooling dan lapisan fully connected untuk mengklasifikasikan sepuluh kelas kendaraan, yaitu SUV, bus, family sedan, fire engine, heavy truck, jeep, minibus, racing car, taxi, dan truck. Dataset terdiri dari 1.400 citra data latih dan 200 citra data validasi dengan variasi sudut pandang dan kondisi pencahayaan. Proses pelatihan dilakukan dalam dua tahap, yaitu pelatihan awal dengan lapisan konvolusi dibekukan dan tahap fine-tuning dengan membuka sebagian lapisan akhir VGG16. Hasil pengujian menunjukkan model mencapai akurasi validasi terbaik sebesar 89% dengan nilai loss sebesar 0,32. Hasil ini menunjukkan bahwa pendekatan transfer learning efektif untuk klasifikasi kendaraan berbasis citra dan berpotensi diterapkan pada sistem transportasi cerdas.



Keywords


Deep Learning, CNN, Klasifikasi Kendaraan, Pengolahan Citra

References


Abadi, M., et al. (2016). TensorFlow: A system for large-scale machine learning. Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation, 265–283.

Chen, Z., Xu, J., & Chen, Y. (2019). Vehicle classification based on deep convolutional neural networks. Sensors, 19(6), 1–15. https://doi.org/10.3390/s19061367

Chollet, F., et al. (2018). Keras: The Python deep learning library. Astrophysics Source Code Library.

Deng, J., et al. (2009). ImageNet: A large-scale hierarchical image database. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 248–255.

Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097–1105.

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539

Liu, S., Li, X., & Wang, J. (2020). Deep learning-based vehicle detection and classification for intelligent transportation systems. IEEE Transactions on Intelligent Transportation Systems, 21(2), 749–761.

Pan, S. J., & Yang, Q. (2010). A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359.

Perez, L., & Wang, J. (2017). The effectiveness of data augmentation in image classification using deep learning. arXiv preprint, arXiv:1712.04621.

Simonyan, K., & Zisserman, A. (2015). Very deep convolutional networks for large-scale image recognition. International Conference on Learning Representations.

Zhang, Y., Liu, D., & Wang, Y. (2017). Vehicle type classification using deep learning. IEEE Access, 5, 1884–1893.




DOI: https://doi.org/10.30998/semnasristek.v10i1.8892

Refbacks

  • There are currently no refbacks.


Prosiding SEMNAS RISTEK indexed by: