{"id":1107,"date":"2025-04-29T09:06:08","date_gmt":"2025-04-29T09:06:08","guid":{"rendered":"https:\/\/online.binus.ac.id\/computer-science\/?p=1107"},"modified":"2025-04-30T07:27:35","modified_gmt":"2025-04-30T07:27:35","slug":"membuat-jalanan-lebih-lancar-klasifikasi-kendaraan-otomatis-dengan-resnet50","status":"publish","type":"post","link":"https:\/\/online.binus.ac.id\/computer-science\/2025\/04\/29\/membuat-jalanan-lebih-lancar-klasifikasi-kendaraan-otomatis-dengan-resnet50\/","title":{"rendered":"Membuat Jalanan Lebih Lancar: Klasifikasi Kendaraan Otomatis dengan ResNet50"},"content":{"rendered":"

Oleh: Muhammad Fitra Kacamarga, S.Kom., M.T.I. (Faculty Member PJJ CS)<\/strong><\/p>\n

Siapa yang tidak pernah terjebak macet di gerbang tol? Padatnya arus kendaraan menjadi salah satu penyebab kemacetan, apalagi jika sistem tol belum bisa mengenali jenis kendaraan secara otomatis. Untuk mengatasi masalah ini, kami melakukan riset dengan teknologi deep learning<\/strong> menggunakan ResNet50<\/strong> untuk mengenali kendaraan melalui citra gambar.<\/p>\n

\"\"<\/p>\n

Tujuannya? Membantu sistem lalu lintas menjadi lebih pintar, mempercepat antrian di gerbang tol, dan pada akhirnya mengurangi kemacetan di Indonesia.<\/p>\n

\ud83e\udd16 Apa Itu ResNet50 dan Bagaimana Cara Kerjanya?<\/h3>\n

ResNet50 adalah model kecerdasan buatan berbasis jaringan saraf dalam (deep neural network) yang sangat andal dalam menganalisis gambar.
Dalam penelitian ini:<\/p>\n

    \n
  • \n

    Kami mengumpulkan foto kendaraan di gerbang tol Indonesia.<\/p>\n<\/li>\n

  • \n

    Gambar dikelompokkan menjadi empat kategori: bus<\/strong>, mobil<\/strong>, truk<\/strong>, dan pickup\/van<\/strong>.<\/p>\n<\/li>\n

  • \n

    Gambar diproses (resize, normalisasi, augmentasi) sebelum dimasukkan ke model.<\/p>\n<\/li>\n

  • \n

    Model ResNet50 dilatih menggunakan PyTorch<\/strong> dan diuji untuk mengukur akurasinya.<\/p>\n<\/li>\n<\/ul>\n

    \ud83d\udcca Hasil yang Memuaskan<\/h3>\n

    Hasilnya sangat menjanjikan!<\/p>\n

      \n
    • \n

      Akurasi model kami dalam klasifikasi kendaraan mencapai antara 93,13% hingga 99,48%<\/strong> saat pelatihan, dan 83,44% hingga 95,19%<\/strong> saat pengujian.<\/p>\n<\/li>\n

    • \n

      Model kami lebih baik dibandingkan metode sebelumnya, terutama dalam mengenali kendaraan di kondisi cahaya rendah (seperti malam hari).<\/p>\n<\/li>\n

    • \n

      Tantangan utama tetap ada di kondisi low-light, tapi model ini sudah menunjukkan performa yang sangat kuat di berbagai skenario.<\/p>\n<\/li>\n<\/ul>\n

      \ud83c\udfaf Kesimpulan<\/h3>\n

      Dengan akurasi yang tinggi, teknologi ini berpotensi besar untuk:<\/p>\n

        \n
      • \n

        Mengoptimalkan pengelolaan lalu lintas di gerbang tol.<\/p>\n<\/li>\n

      • \n

        Mengurangi antrean dan waktu tunggu.<\/p>\n<\/li>\n

      • \n

        Mendukung pengembangan smart traffic system<\/strong> di Indonesia.<\/p>\n<\/li>\n<\/ul>\n

        Masih dibutuhkan penyempurnaan untuk skenario ekstrim seperti malam hari atau cuaca buruk, tetapi langkah awal ini sangat positif untuk membawa inovasi nyata dalam transportasi.<\/p>\n

        \ud83d\udccc Dengan teknologi seperti ini, masa depan jalanan yang lebih lancar dan efisien bukan lagi mimpi.<\/em><\/p>\n

        \n

        Sumber: Penelitian Dosen dan Mahasiswa PJJ CS<\/p>\n

        Editor: Pandu Dwi Luhur Pambudi, S.Kom., M.Kom., M.I.M<\/p>\n<\/div>\n

        #BINUSRESEARCHPOINT #TEKNIKINFORMATIKA #COMPUTERSCIENCE #BINUS #BINUSUNIVERSITY<\/h3>\n","protected":false},"excerpt":{"rendered":"

        Oleh: Muhammad Fitra Kacamarga, S.Kom., M.T.I. (Faculty Member PJJ CS) Siapa yang tidak pernah terjebak macet di gerbang tol? Padatnya arus kendaraan menjadi salah satu penyebab kemacetan, apalagi jika sistem tol belum bisa mengenali jenis kendaraan secara otomatis. Untuk mengatasi masalah ini, kami melakukan riset dengan teknologi deep learning menggunakan ResNet50 untuk mengenali kendaraan melalui […]<\/p>\n","protected":false},"author":702,"featured_media":1109,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[2],"tags":[16],"class_list":["post-1107","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-article","tag-binusresearchpoint-teknikinformatika-computerscience-binus-binusuniversity"],"_links":{"self":[{"href":"https:\/\/online.binus.ac.id\/computer-science\/wp-json\/wp\/v2\/posts\/1107","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/online.binus.ac.id\/computer-science\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/online.binus.ac.id\/computer-science\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/online.binus.ac.id\/computer-science\/wp-json\/wp\/v2\/users\/702"}],"replies":[{"embeddable":true,"href":"https:\/\/online.binus.ac.id\/computer-science\/wp-json\/wp\/v2\/comments?post=1107"}],"version-history":[{"count":3,"href":"https:\/\/online.binus.ac.id\/computer-science\/wp-json\/wp\/v2\/posts\/1107\/revisions"}],"predecessor-version":[{"id":1112,"href":"https:\/\/online.binus.ac.id\/computer-science\/wp-json\/wp\/v2\/posts\/1107\/revisions\/1112"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/online.binus.ac.id\/computer-science\/wp-json\/wp\/v2\/media\/1109"}],"wp:attachment":[{"href":"https:\/\/online.binus.ac.id\/computer-science\/wp-json\/wp\/v2\/media?parent=1107"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/online.binus.ac.id\/computer-science\/wp-json\/wp\/v2\/categories?post=1107"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/online.binus.ac.id\/computer-science\/wp-json\/wp\/v2\/tags?post=1107"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}