Perbandingan Kinerja Metode Convolutional Neural Network (CNN) dan VGG-16 dalam Klasifikasi Rambu Lalu Lintas
Abstract
Penelitian ini membandingkan kinerja metode Convolutional Neural Network (CNN) dan VGG-16 dalam klasifikasi rambu lalu lintas menggunakan dataset gambar yang telah diproses sebelumnya. CNN yang digunakan melibatkan beberapa lapisan konvolusi, pooling, dropout, dense, serta penerapan data augmentasi untuk meningkatkan performa model. Hasil penelitian menunjukkan bahwa CNN sederhana mampu menghasilkan akurasi yang lebih baik dalam klasifikasi rambu lalu lintas dibandingkan dengan VGG-16. Model CNN terdiri dari lapisan-lapisan yang lebih sederhana namun efektif dalam mengekstraksi fitur dan mengurangi dimensi data, sehingga mengurangi kompleksitas komputasi dan mencegah overfitting. VGG-16, yang merupakan salah satu arsitektur CNN yang lebih kompleks dan mendalam, memerlukan sumber daya komputasi yang lebih besar serta waktu pelatihan yang lebih lama. Meskipun VGG-16 dilatih dengan fine-tuning pada beberapa lapisan terakhir untuk menyesuaikan model dengan dataset rambu lalu lintas, hasil eksperimen menunjukkan bahwa VGG-16 masih memerlukan lebih banyak waktu dan sumber daya dibandingkan dengan CNN sederhana. Hasil penelitian ini menyimpulkan bahwa CNN sederhana tidak hanya efisien dan efektif untuk aplikasi dengan keterbatasan sumber daya tetapi juga mampu memberikan akurasi yang lebih tinggi dibandingkan VGG-16. Keunggulan CNN sederhana terletak pada efisiensi komputasi dan kemampuannya untuk dioptimalkan lebih lanjut, termasuk penerapan teknik transfer learning untuk meningkatkan performa model tanpa perlu pelatihan ulang dari awal. Dengan demikian, CNN sederhana menjadi pilihan yang lebih ideal untuk aplikasi klasifikasi rambu lalu lintas, terutama dalam konteks yang memerlukan efisiensi waktu dan sumber komputasi. Penelitian ini membuka peluang untuk eksplorasi lebih lanjut dalam penggunaan teknik optimisasi dan transfer learning guna meningkatkan kinerja model dalam berbagai aplikasi klasifikasi gambar.
Kata Kunci: rambu lalu lintas, VGG16, convolutional neural network (CNN)
References
Adiningsi, S., & Saputra, R. A. (t.t.). JIP (Jurnal Informatika Polinema) IDENTIFIKASI JENIS DAUN TANAMAN OBAT MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN MODEL VGG16.
AGUSTINA, R., MAGDALENA, R., & PRATIWI, N. K. C. (2022). Klasifikasi Kanker Kulit menggunakan Metode Convolutional Neural Network dengan Arsitektur VGG-16. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 10(2), 446. https://doi.org/10.26760/elkomika.v10i2.446
Akbar, M. (2022). Pengenalan Rambu Lalu-lintas menggunakan Convolutional Neural Network (Studi Kasus: Rambu Lalu-lintas Indonesia). 6(2). https://doi.org/10.30743/infotekjar.v6i2.4564
Akbar, M., Purnomo, A. S., & Supatman, S. (2022). Multi-Scale Convolutional Networks untuk Pengenalan Rambu Lalu Lintas di Indonesia. Jurnal Sisfokom (Sistem Informasi dan Komputer), 11(3), 310–315. https://doi.org/10.32736/sisfokom.v11i3.1452
Balai, E. S., Daerah, B., & Yogyakarta, I. (t.t.). HUMOR DALAM RAMBU LALU LINTAS *) HUMOR IN TRAFFIC SIGNS. https://id.Wi-
Hafifah, F., Rahman, S., & Asih, S. (2021). Klasifikasi Jenis Kendaraan Pada Jalan Raya Menggunakan Metode Convolutional Neural Networks (CNN). 2(5), 292–301. https://ejurnal.seminar-id.com/index.php/tin
Haris Munandar, M., & Bangun, B. (t.t.-a). Perancangan Sistem Pengenalan Rambu-Rambu Lalu Lintas Pada MTS Islamiyah Menggunakan Adobe Flash Prosesional CS6. Dalam Journal of Student Development Information System (JoSDIS) e-ISSN (Vol. 1, Nomor 1).
Haris Munandar, M., & Bangun, B. (t.t.-b). Perancangan Sistem Pengenalan Rambu-Rambu Lalu Lintas Pada MTS Islamiyah Menggunakan Adobe Flash Prosesional CS6. Dalam Journal of Student Development Information System (JoSDIS) e-ISSN (Vol. 1, Nomor 1).
Hartono, I., Noertjahyana, A., & Santoso, L. W. (t.t.). Deteksi Masker Wajah dengan Metode Convolutional Neural Network.
Jinan, A., & Ikorasaki, F. (2020). RANCANG BANGUN APLIKASI RAMBU-RAMBU LALU LINTAS DALAM BENTUK POP QUIS BERBASIS ANDROID DESIGN AND BUILD TRAFFIC SIGNS APPLICATIONS IN THE FORM OF POP QUIS BASED ON ANDROID. Dalam 184. IT Journal (Vol. 8, Nomor 2).
Kholik, A. (2021). KLASIFIKASI MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) PADA TANGKAPAN LAYAR HALAMAN INSTAGRAM. JDMSI, 2(2), 10–20.
Nicola, M., Virgono, A., & Saputra, R. E. (t.t.-a). RANCANG BANGUN SELF-DRIVING CAR ROBOT BERBASIS PENGENALAN RAMBU LALU LINTAS DI INDONESIA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DESIGN FOR SELF-DRIVING CAR ROBOT BASED ON INDONESIA ROAD SIGN RECOGNITION USING CONVOLUTIONAL NEURAL NETWORK.
Prasetyo, M. E., Faza, M. R., Pratama, R., Alhabsy, S. N. H., Purwanti, H., & Masa, A. P. A. (2023). Klasifikasi Ragam Kendaraan Menggunakan Metode Convolutional Neural Network (Cnn). Adopsi Teknologi dan Sistem Informasi (ATASI), 2(2), 142–148. https://doi.org/10.30872/atasi.v2i2.1156
Putri, A., Negara, B. S., & Sanjaya, S. (2022). Penerapan Deep Learning Menggunakan VGG-16 untuk Klasifikasi Citra Glioma. Jurnal Sistem Komputer dan Informatika (JSON), 3(4), 379. https://doi.org/10.30865/json.v3i4.4122
Rizky, D., Fortuna, F., Rahmadi, I. F., Ardyananda, D. A., Sari, A. P., Informatika, P. S., Pembangunan, U., Veteran, N. ", & Timur, J. (2023). Analisis Prediksi Intensitas Cahaya Lampu Menggunakan Metode Fuzzy Mamdani dan Sugeno. Dalam Seminar Nasional Informatika Bela Negara (SANTIKA) (Vol. 3).
Sinha, Y., Hadassa, B., Krishna, G., & Ravi Kumar, C. V. (2020b). Traffic sign recognition using convolutional neural networks. International Journal of Electrical Engineering and Technology, 11(3), 210–217. https://doi.org/10.14710/jtsiskom.2021.13959