<![CDATA[Kendaraan yang melintasi gerbang tol memainkan peran vital dalam sistem transportasi. Untuk meningkatkan pengelolaan lalu lintas dan efisiensi koleksi tol, metode otomatis yang akurat diperlukan untuk mengklasifikasikan jenis kendaraan di gerbang tol. Penelitian ini bertujuan untuk mengembangkan model deep learning yang mampu mengklasifikasikan berbagai jenis kendaraan dengan menggunakan arsitektur Convolutional Neural Network (CNN) VGG16, dengan dataset yang berasal dari sumber data Mendeley. Dataset terdiri dari 1225 gambar kendaraan yang diambil dari berbagai perspektif di gerbang tol. Dataset ini diambil dari sumber data Mendeley yang memiliki variasi jenis kendaraan yang luas, memastikan representasi yang memadai dalam pelatihan dan pengujian model. Untuk meningkatkan kemampuan generalisasi model, dataset diperkaya melalui augmentasi data. Model CNN VGG16 diimplementasikan tanpa penggunaan Dropout dan dilatih dengan learning rate sebesar 0.001. Melalui proses fine-tuning yang cermat, model berhasil mencapai akurasi validasi sebesar 90%. Keberhasilan model dalam mengenali jenis kendaraan di gerbang tol menawarkan potensi untuk meningkatkan efisiensi operasional gerbang tol serta pengaturan lalu lintas secara keseluruhan. Hasil penelitian ini menunjukkan bahwa model Convolutional Neural Network VGG16 memiliki kemampuan klasifikasi yang kuat dalam mengidentifikasi berbagai jenis kendaraan di gerbang tol. Dengan akurasi sebesar 99%, model ini dapat dijadikan sebagai solusi otomatisasi yang efektif dalam mengenali kendaraan di gerbang tol, potensial mengurangi antrian, serta meningkatkan efisiensi pengumpulan tol dan manajemen lalu lintas secara signifikan.]]>
Copyrights © 2024
