Early Warning Sistem Rambu Pembatas Kecepatan menggunakan Histogram Oriented Gradient dan Klasifikasi SVM berbasis Raspberry Pi

##plugins.themes.bootstrap3.article.main##

Masyita Lionirahmada Fitri Utaminingrum

Abstrak

Kecelakaan lalu lintas sering terjadi akibat kurang nya perhatian masyarakat terhadap peraturan-peraturan rambu lalu lintas. Seiring dengan banyak nya kasus kecelakaan dan tingginya angka kematian yang disebabkan oleh kelalaian masyarakat yang kurang memahami arti rambu-rambu lalu lintas dengan benar, maka diperlukan himbauan atau peringatan dini pemahaman terhadap rambu-rambu lalu lintas yang tertera di jalan dengan dibuat nya sistem peringatan dini rambu pembatas kecepatan. Dalam penelitian ini dibuatlah sistem untuk mendeteksi rambu pembatas kecepatan menggunakan ekstraksi ciri fitur Histogram of Oriented Gradient (HOG) dan klasifikasi Support Vector Machine (SVM) untuk mengklasifikasikan jenis-jenis rambu pembatas kecepatan. Untuk melakukan proses deteksi terhadap rambu, sistem ini menggunakan Pi camera untuk mengambil citra video rambu yang akan dideteksi. Ketika rambu berhasil terdeteksi maka speaker akan mengeluarkan suara peringatan untuk mempermudah pengendara dalam berkendara dan mematuhi peraturan berlalu lintas. Proses pengujian sistem dilakukan dengan melihat bagaimana hasil implementasi sistem yang dapat mendeteksi rambu serta tingkat akurasi sistem saat berhasil mendeteksi rambu pembatas kecepatan. Rata-rata akurasi sistem dari hasil deteksi yang terdiri dari rambu pembatas kecepatan maksimum 20km, 25km, 30km, 40km, 50km dan minimum 20km sebesar 86.08 %. Selain itu pengujian sistem dilakukan dengan berkendara mengikuti kecepatan kendaraan yang tertera pada rambu pembatas kecepatan untuk mengetahui apakah sistem dapat mendeteksi dengan baik dengan mengikuti arahan kecepatan pada rambu pembatas kecepatan.

##plugins.themes.bootstrap3.article.details##

Cara Sitasi
Lionirahmada, M., & Utaminingrum, F. Early Warning Sistem Rambu Pembatas Kecepatan menggunakan Histogram Oriented Gradient dan Klasifikasi SVM berbasis Raspberry Pi. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 9, p. 4061-4068, sep. 2021. ISSN 2548-964X. Tersedia pada: <https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/9854>. Tanggal Akses: 07 okt. 2022
Bagian
Artikel