Record Details

Rancang Bangun Sistem Klasifikasi Tipe Permukaan Jalan menggunakan Gray Level Co-Occurrence Matrix (GLCM) dan Support Vector Machine (SVM) berbasis Raspberry Pi

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

View Archive Info
 
 
Field Value
 
ISSN 2548-964X
 
Authentication Code dc
 
Title Statement Rancang Bangun Sistem Klasifikasi Tipe Permukaan Jalan menggunakan Gray Level Co-Occurrence Matrix (GLCM) dan Support Vector Machine (SVM) berbasis Raspberry Pi
 
Added Entry - Uncontrolled Name Bramantya, Akbar Wira
Utaminingrum, Fitri
Fakultas Ilmu Komputer, Universitas Brawijaya
Fakultas Ilmu Komputer, Universitas Brawijaya
 
Summary, etc. Jalan merupakan jalur yang dibuat untuk memudahkan akses lalu lintas dari suatu tempat ke tempat lainnya. Indonesia memiliki panjang jalan sepanjang 537.838 km. Namun, seluruh jalan ini tidak memiliki kondisi yang sama, masih banyak ditemukan jalan dengan kondisi buruk. Disisi lain alat transportasi saat ini sudah menuju era Smart Car, dimana teknologi ini fokus pada sistem berkendara secara autonomous dan keselamatan pengendara. Oleh karena itu, dibutuhkan sistem yang dapat mengatasi berbagai kondisi jalanan ini . Pada penelitian ini, dilakukan pengujian menggunakan metode Gray Level Co-Occurrence Matrix (GLCM) dan Support Vector Machine (SVM) untuk mengklasifikasikan jalanan tersebut masuk ke kondisi jalan beraspal, jalan berbatu, atau jalan berpaving. Fitur GLCM yang digunakan pada penelitian ini ialah kumpulan 4 fitur terbaik dari total 6 fitur yang akan diujikan yaitu dissimilarity, correlation, homogeneity, contrast, ASM, dan energy. Pengujian ini dilakukan menggunakan SVM kernel linear, polynomial, dan RBF, nilai d = 1, serta nilai θ = 0o, 45o, 90o, 135o. Setelah dilakukan semua pengujian ini didapatkan hasil terbaik yaitu pada GLCM menggunakan fitur dissimilarity, correlation, contrast, dan energy, nilai d = 1, dan kombinasi dari semua sudut θ, yaitu menggunakan sudut 0o, 45o, 90o, 135o secara bersamaan serta untuk SVM menggunakan kernel linear. Akurasi yang didapatkan dari kombinasi ini mencapai 97% pada training set SVM dan 98,3% pada pengujian manual menggunakan data uji. Pengujian integrasi sistem menggunakan inputan kamera mendapatkan akurasi 88,6% dan pengujian integrasi sistem terhadap performa motor listrik mendapatkan akurasi 87%.
 
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/10556
 
Data Source Entry Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer; Vol 6 No 2 (2022): Februari 2022
 
Language Note ind
 
Terms Governing Use and Reproduction Note Hak Cipta (c) 2022 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
 


www.freevisitorcounters.com