<![CDATA[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.]]>
Copyrights © 2026
