Perbandingan Sistem Pendeteksian Kendaraan: Faster R-CNN dengan YOLOV5 untuk Keselamatan Lalu Lintas

Ardieka Fahmi Radhitya (Universitas Pamulang)
Abdal Jabar (Mahasiwa)
Muhammad Kemal Qodrat (Universitas Pamulang)
Hasan Maulana (Universitas Pamulang)

AI dan SPK : Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan
Vol. 1 No. 1 (2023): Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan

Penelitian ini bertujuan untuk meningkatkan keselamatan lalu lintas dengan menggunakan sistem pendeteksian kendaraan di jalan raya. Abstrak pertama membahas penggunaan model Faster R-CNN yang diimplementasikan pada Raspberry Pi 4B untuk memberikan notifikasi kepada pengemudi saat terdeteksi kendaraan di depannya. Sistem ini memiliki akurasi sebesar 90.25% dan waktu komputasi rata-rata sekitar 7.638 detik per gambar. Abstrak kedua menggunakan metode YOLOV5 untuk mendeteksi jenis kendaraan di jalan raya. Penelitian ini mencapai tingkat akurasi sebesar 90% dengan dataset 1332 gambar yang mencakup berbagai jenis kendaraan. Dalam perbandingan, penelitian pertama menggunakan model Faster R-CNN dan Raspberry Pi 4B, sedangkan penelitian kedua menggunakan metode YOLOV5. Kedua penelitian ini memberikan kontribusi untuk meningkatkan keselamatan lalu lintas dengan pendeteksian kendaraan, meskipun penelitian pertama memiliki waktu komputasi yang lebih lama per gambar dibandingkan dengan penelitian kedua.