Record Details

Sistem Pengenalan Rambu Pembatas Kecepatan menggunakan Metode Histogram of Oriented Gradients dan Klasifikasi K-Nearest Neighbor berbasis Raspberry Pi

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

View Archive Info
 
 
Field Value
 
ISSN 2548-964X
 
Authentication Code dc
 
Title Statement Sistem Pengenalan Rambu Pembatas Kecepatan menggunakan Metode Histogram of Oriented Gradients dan Klasifikasi K-Nearest Neighbor berbasis Raspberry Pi
 
Added Entry - Uncontrolled Name Try, Nugraheny Wahyu
Utaminingrum, Fitri
Fakultas Ilmu Komputer, Universitas Brawijaya
Fakultas Ilmu Komputer, Universitas Brawijaya
 
Summary, etc. Di Indonesia yang dominan penggunaan transportasi saat ini adalah transportasi darat moda jalan raya dibandingkan transportasi lainnya yaitu transportasi laut dan udara. Ditemukan data tingkat kecelakaan yang semakin meningkat, karena kurangnya kesadaran terhadap keselamatan dan keamanan berkendara. Faktor kesalahan manusia yang dominan penyebab adanya kecelakaan. Salah satu faktor kecelakaan disebabkan pengemudi yang kehilangan kontrol, karena mengabaikan rambu pembatas kecepatan maksimum dan minimum. Solusi permasalahan tersebut adalah membuat sistem yang dapat mengenali rambu pembatas kecepatan maksimum dan minimum. Penelitian menerapkan metode Histogram Of Oriented Gradients (HOG) untuk mendapatkan ektraksi fitur karakteristik dari rambu, kemudian mengklasifikasi rambu menggunakan metode K-Nearest Neighbor (KNN). Sistem membutuhkan kamera raspberry pi untuk mengambil citra untuk dideteksi dan pengenalan objek. Jika sistem berhasil mengenali rambu sesuai kondisi aktual yang dilalui pengemudi, maka akan mendapat notification informasi angka rambu kecepatan berupa suara dari speaker. Pengujian sistem dilakukan berdasarkan jarak yang bervariatif yaitu jarak 3m, 5m, 7m, dan 9m. Keempat jarak yang menjadi jarak terbaik dalam mendeteksi rambu pembatas kecepatan adalah 5 meter. Rata-rata hasil akurasi pengenalan/rekognisi rambu menggunakan metode HOG berdasarkan jarak hasil deteksi terbaiknya sebesar 97,91%. Pengujian klasifikasi dengan menggunakan K-NN terdiri dari 650 data latih dan 48 data uji didapatkan nilai akurasi k=1 dan k=2 sebesar 97,91%, akurasi nilai k=3, k=4, dan k=5 sebesar 95,83%. Rata-rata waktu komputasi sistem untuk mengenali objek 897 milisecond.
 
Publication, Distribution, Etc. Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya
 
Electronic Location and Access application/pdf
http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/7021
 
Data Source Entry Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer; Vol 4 No 2 (2020): Februari 2020
 
Language Note ind
 
Terms Governing Use and Reproduction Note Hak Cipta (c) 2020 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
 


www.freevisitorcounters.com