Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Sistem Informasi, Teknik Informatika dan Teknologi Pendidikan (JUSTIKPEN)
Intan Aulia
Universitas Mercu Buana Yogyakarta
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Engineering Mechanical Engineering Social Sciences Other

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Segmentasi Citra Rambu Lalu Lintas Menggunakan Arsitektur DeepLabV3+ Berbasis Convolutional Neural Network Intan Aulia; Mutaqin Akbar
Jurnal Sistem Informasi, Teknik Informatika dan Teknologi Pendidikan Vol. 6 No. 1 (2026): Edisi April - September 2026 IN PRESS
Publisher : Utiliti Project Solution

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Keamanan di jalan raya sangat ditentukan oleh kemampuan pengemudi dalam memahami serta mengikuti petunjuk yang ada. Namun, pengenalan rambu secara manual rentan terhadap kelalaian manusia, sehingga diperlukan sistem yang dapat secara otomatis mendekteksi dan memisahkan rambu lalu lintas secara akurat. Tujuan dari studi ini adalah menciptakan model segmentasi citra rambu lalu lintas dengan memanfaatkan arsitektur DeepLabV3+ berbasis Convolution Neural Network (CNN) dengan backbone MobileNetV2. Kumpulan data yang dipakai terdiri atas 2.050 foto rambu lalu lintas yang mencakup 10 kategori rambu, yang diperoleh dari penelitian terdahulu. Karena dataset awal belum memiliki anatosi mask, dilakukan proses pelabelan manual menggunakan perangkat lunak LabelMe untuk menghasilkan mask segmentasi. Citra tersebut kemudian diubah ukurannya menjadi 128×128 piksel. Model DeepLabV3+ dikonfigurasi dengan optimizer Adam (learning rate 0,0002), ditraining selama 40 epoch dengan batch size 4 pada platfrom Google Colab menggunakan GPU T4. Evaluasi terhadap data pengujian mengindikasikan bahwa model ini memperoleh tingkat akurasi sebesar 93,59%,Intersection over Union (IoU) sebesar 79,12%, serta koefisien Dice sebesar 79,96%. Hasil ini membuktikan bahwa arsitektur DeepLabV3+ dengan backbone MobileNetV2 mampu melakukan segmentasi citra rambu lalu lintas secara efektif pada dataset 10 kelas.
Co-Authors Mutaqin Akbar