Model CNN Lenet Dalam Pengenalan Jenis Golongan Kendaraan Pada Jalan Tol

Authors

  • Anggay Luri Pramana Institut Sains dan Teknologi Terpadu Surabaya
  • Endang Setyati Institut Sains dan Teknologi Terpadu Surabaya
  • Yosi Kristian Institut Sains dan Teknologi Terpadu Surabaya

DOI:

https://doi.org/10.30736/jt.v13i2.469

Keywords:

CNN, LeNet, Relu Activation, Transportation System, Vehicle Type Classification

Abstract

Research in the field of transportation, especially vehicle classification with various methods, is a widely developed field of study. Vehicles can be categorized by shape, dimension, logo, and  type. The vehicle dataset is also not difficult to find because it is general in nature. Based on the research that has been done, the introduction of group types based on the number of axles with CNN, the dataset is not yet available to the public. In this paper, we discuss the introduction of the types of groups using the Convolutional Neural Network method. The architecture used is the LeNet model. The trial scenario is carried out in 4 stages, namely 25 epochs, 50 epochs, 75 epochs and 100 epochs. Based on the test results, the accuracy obtained continues to increase at 50 epochs and 100 epochs iterations. Starting from an accuracy of 82%, 94% to the highest accuracy of 95%. Likewise in the prediction the data has increased from 80%, 85% to the highest accuracy that can be 86%. From 50 epochs to 75 epochs, the accuracy of both training and testing has decreased.

Downloads

Download data is not yet available.

References

Jilong Zheng, Yaowei Wang, and Wei Zeng, “CNN Based Vehicle Counting with Virtual Coil in Trafï¬c Surveillance Video†2015 IEEE International Conference on Multimedia Big Data, pp. 280–281, 2015, doi: 10.1109/BigMM.2015.56.

Yanjun Chen, Wenxing Zhu, Donghui Yao, and Lidong Zhang, “Vehicle Type Classification based on Convolutional Neural Networkâ€, Shandong University, Jinan China, pp. 1898-1901, 2017, doi : 10.1109/CAC.2017.8243078.

Changxin Huang, Binbin Liang, Wei Li, and Songchen Han, “A Convolutional Neural Network Architecture for Vehicle Logo Recognitionâ€, 978-1-5386-3107-2/17/$31. 00©2017 IEEE, pp. 282-287, doi: 10.1109/ICUS.2017.8278355.

Patrick Le Callet, Christian Viard-Gaudin, and Dominique Barba, “A Convolutional Neural Network Approach for Objective Video Quality Assessmentâ€, member IEEE, 1045-9227, 2006, IEEE., doi: 10.1109/TNN.2006.879766.

Ceren Gulra Melek, Elena Battini Sonmez, and Songul Albayrak, “Object Detection in Shelf Images with YOLO†978-1-5386-9301-8/19/$31.00 ©2019 IEEE, 2019, doi: 10.1109/EUROCON.2019.8861817.

Mochamad Bagus Setiyo Bakti, and Yuliana Melita Pranoto, “Pengenalan Angka Sistem Isyarat Bahasa Indonesia Dengan Menggunakan Metode Convolutional Neural Network†Seminar Nasional Inovasi Teknologi UN PGRI Kediri 2019, pp. 11–16, 2019.

Septianto T, Setyati E dan Santoso J, “Model CNN LeNet dalam Rekognisi Angka Tahun pada Prasasti Peninggalan Kerajaan Majapahit†Jurnal Teknologi dan Sistem Komputer Jilid 6 Terbitan 3, pp. 106–109, 2018.

Mattew D. Zeiller " Adadelta : An Adaptive Learning Rate Mehod†Cornell University, 2012.

Downloads

PlumX Metrics

Published

2020-09-20

How to Cite

Pramana, A. L., Setyati, E., & Kristian, Y. (2020). Model CNN Lenet Dalam Pengenalan Jenis Golongan Kendaraan Pada Jalan Tol. Jurnal Teknika, 12(2), 65–69. https://doi.org/10.30736/jt.v13i2.469

Issue

Vol. 12 No. 2 (2020): Jurnal Teknika

Section

Jurnal Teknika

License

Copyright (c) 2020 Anggay Luri Pramana, Endang Setyati, Yosi Kristian

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Jurnal Teknika dilisensikan di bawah Attribution-ShareAlike 4.0 International (CC BY-SA 4.0). Anda bebas untuk:

 

  • Bagikan — salin dan distribusikan ulang materi dalam media atau format apa pun
  • Beradaptasi — me-remix, mengubah, dan membangun materi untuk tujuan apa pun, bahkan secara komersial. Lisensi ini dapat diterima untuk Karya Budaya Bebas.

Pemberi lisensi tidak dapat mencabut kebebasan ini selama Anda mengikuti persyaratan lisensi.

  • Atribusi — Anda harus memberikan kredit yang sesuai, memberikan tautan ke lisensi, dan menunjukkan jika ada perubahan. Anda dapat melakukannya dengan cara yang wajar, tetapi tidak dengan cara apa pun yang menunjukkan bahwa pemberi lisensi mendukung Anda atau penggunaan Anda.
  • ShareAlike — Jika Anda me-remix, mengubah, atau membangun materi, Anda harus mendistribusikan kontribusi Anda di bawah lisensi yang sama seperti aslinya.
  • Tidak ada batasan tambahan — Anda tidak boleh menerapkan persyaratan hukum atau tindakan teknologi yang secara hukum membatasi orang lain untuk melakukan apa pun yang diizinkan oleh lisensi.

 

Hak Cipta

Penulis yang menerbitkan dengan jurnal ini menyetujui persyaratan berikut:

 

Penulis mempertahankan hak cipta dan memberikan jurnal hak publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang memungkinkan orang lain untuk berbagi karya dengan pengakuan kepenulisan karya dan publikasi awal di jurnal ini .

Penulis dapat membuat pengaturan kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan publikasi awalnya di jurnal ini.

Penulis diizinkan dan didorong untuk memposting karya mereka secara online (misalnya, di repositori institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena dapat menghasilkan pertukaran yang produktif, serta kutipan lebih awal dan lebih besar dari karya yang diterbitkan (Lihat Pengaruh Akses Terbuka).

 

Jutnal teknika oleh Universitas Islam Lamongan berlisensi Creative Commons Attribution-ShareAlike 4.0 International License.

Berdasarkan karya di https://jurnalteknik.unisla.ac.id/index.php/teknika/index

Crossref
Scopus
Google Scholar
Europe PMC