ACADSTAFF UGM
| Title | : | Fine-Grained Vehicle Recognition Berbasis Multi-task Deep Learning Untuk Pengenalan Model Kendaraan Dengan Tingkat Kemiripan Tinggi di Indonesia |
| Author | : | |
| Date | : | 0 2022 |
| Abstract | : | Peningkatan jumlah kendaraan yang terus terjadi membuat peran pengawasan kendaraan dan lalu lintas menjadi semakin penting. Pengawasan kendaraan menjadi semakin sulit dilakukan karena jumlah petugas yang ada tidak sebanding dengan jumlah kendaraan yang harus diawasi. Oleh karena itu sistem pengawasan kendaraan berbasis artificial intelligence dapat menjadi salah satu solusi untuk mendukung fungsi pengawasan lalu lintas. Hingga saat ini, sistem pengawasan kendaraan masih menjadi topik penelitian yang terus didalami karena banyaknya tantangan yang ditemui di lapangan. Salah satu modul utama di dalam sistem pengawasan lalu lintas adalah kemampuan untuk mengklasifikasi model kendaraan seperti Avanza, Ayla, dan Ertiga. Masalah yang kemudian muncul adalah, sistem yang ada belum pernah diuji untuk mengklasifikasi model kendaraan dengan tingkat kemiripan yang tinggi. Tingkat kemiripan yang tinggi dapat terjadi karena adanya kesepakatan kolaborasi antar pabrikan pembuat mobil seperti yang dilakukan Toyota-Daihatsu dalam pembuatan Avanza-Xenia dan pabrikan Suzuki-Mazda dalam memproduksi Ertiga-VX-1. Mengingat fakta yang menunjukkan bahwa mobil-mobil dengan tingkat kemiripan tinggi tersebut mendominasi jalanan di Indonesia, suatu sistem yang mampu melakukan klasifikasi model kendaraan dengan tingkat kemiripan tinggi menjadi sangat diperlukan. Meskipun memiliki tingkat kemiripan tinggi, setiap pabrikan tetap memberikan beberapa detil pembeda di bagian interior dan eksterior. Tetapi pembeda ini menjadi sulit untuk diamati terutama pada saat mobil melesat di jalanan. Salah satu pembeda utama dari kasus ini adalah emblem logo yang merujuk pada pabrikan pembuat kendaraan. Emblem logo pabrikan juga menjadi pembeda yang cukup mudah diamati karena bentuknya yang khas dan letaknya yang berada di dua sisi yaitu depan dan belakang kendaraan. Oleh karena itu, pada penelitian ini atribut pabrikan akan dilibatkan dalam pembuatan model fine-grained vehicle recognition yang diusulkan. Model yang diusulkan memiliki label fine-grained karena mampu menghasilkan 2 output yaitu model kendaraan dan pabrikan kendaraan. Model yang diusulkan akan memanfaatkan metode deep learning yaitu convolutional neural network (CNN) yang telah banyak diuji untuk pengenalan kendaraan namun belum teruji secara spesifik untuk pengenalan model kendaraaan dengan tingkat kemiripan tinggi. Alih-alih membuat 2 arsitektur CNN biasa untuk masing-masing output, penelitian ini akan memodifikasi arsitektur CNN dengan menambahkan pendekatan multi-task learning. Penerapan modifikasi tersebut akan memungkinkan CNN menghasilkan 2 output yang berbeda hanya dengan 1 arsitektur sehingga lebih menghemat waktu dan computational resource. Selain itu, pendekatan multi-task learning secara intuitif dapat membantu CNN selama melakukan pelatihan jaringan karena adanya keterkaitan antara model dan pabrikan kendaraan. Data yang akan digunakan pada penelitian ini adalah data primer berupa citra kendaraan di Indonesia yang diambil melalui dashboard camera. Kinerja model yang diusulkan nantinya akan dievaluasi menggunakan tolok ukur akurasi untuk melihat efektifitasnya dalam menyelesaikan permasalahan dalam konteks kendaraan dengan tingkat kemiripan tinggi. Adapun target luaran pada penelitian ini ada 2 yaitu: 1) artikel di jurnal internasional terindeks scopus dengan status accepted sebagai luaran wajib. 2) sertifikat HKI untuk framework sistem yang dihasilkan sebagai luaran tambahannya. Ringkasan penelitian tidak lebih dari 500 kata yang berisi latar belakang penelitian, tujuan dan tahapan metode penelitian, luaran yang ditargetkan, serta uraian TKT penelitian yang diusulkan. Sedangkan dari sisi Tingkat Kesiapterapan Teknologi (TKT), penelitian ini ditargetkan untuk mencapai TKT level 3 pada akhir periode penelitian dengan menaruh fokus pada pembuktian konsep fungsi seacara analitis dan eksperimental. |
| Group of Knowledge | : | Sistem Informasi Geografi (SIG) |
| Original Language | : | Bahasa Indonesia |
| Level | : | Nasional |
| Status | : |