CONVOLUTIONAL NEURAL NETWORK DALAM SISTEM DETEKSI HELM PADA PENGENDARA MOTOR
DOI:
https://doi.org/10.51903/semnastekmu.v2i1.158Keywords:
Revolusi Industri, Helm, Convolutional Neural Network, Deep learning, MobileNetV2Abstract
Di tahun ini sudah terjadi perubahan atau revolusi dalam sistem industri yaitu revolusi industri 4.0, di mana industri sudah mengimplementasikan sebuah mesin-mesin yang serba cepat dan praktis untuk membantu dalam hal produktivitas. Dengan semakin pesatnya teknologi, banyak alat-alat yang di ciptakan untuk perkembangan teknologi di dunia. Pemanfaatan teknologi di gunakan untuk sebagai penggerak di pesatnya sistem berbasis AI ini dapat di manfaatkan untuk di berbagai bidang, salah satunya adalah penerapan sistem deep learning dan salah satu teknik yang terkenal dan sudah banyak digunakan untuk klasifikasi citra adalah menggunakan metode Jaringan Syaraf Tiruan (JST) yang mampu mengenali wajah manusia dan suatu gambar citra lalu mengklasifikasinya atau bisa di sebut image classification dan image recognition. Untuk perancangan sistem deteksi helm pada penelitian ini akan menggunakan algoritma CNN(Convolutional Neural Network). Convolutional Neural Network dan untuk model arsitektur yang di gunakan adalah MobileNetV2 dengan akurasi 80%, yang dapat di kategorikan baik dalam sebuah akurasi.
References
[2] H. Lin, J. D. Deng, D. Albers, and F. W. Siebert, “Helmet Use Detection of Tracked Motorcycles Using CNNBased Multi-Task Learning,” IEEE Access, vol. 8, no. 3, pp. 162073–162084, 2020.
[3] S. Rakhmadani, “Analisis Penerapan E-Tilang Dalam Mewujudkan Good Governance Di Indonesia,” Pros. SNaPP2017 Sos. Ekon. dan Hum., vol. 7, no. 3, pp. 663–671, 2017.
[4] S. Chen, W. Tang, T. Ji, H. Zhu, Y. Ouyang, and W. Wang, “Detection of Safety Helmet Wearing Based on Improved Faster R-CNN,” in 2020 International Joint Conference on Neural Networks (IJCNN), 2020, pp. 1–7.
[5] L. Shine and J. C. V., “Automated detection of helmet on motorcyclists from traffic surveillance videos: a comparative analysis using hand-crafted features and CNN,” Multimed. Tools Appl., vol. 79, no. 19–20, pp. 14179–14199, May 2020.
[6] P. Samant and R. Agarwal, “Machine learning techniques for medical diagnosis of diabetes using iris images,” Comput. Methods Programs Biomed., vol. 157, pp. 121–128, Apr. 2018.
[7] Y. Li, H. Wei, Z. Han, J. Huang, and W. Wang, “Deep Learning-Based Safety Helmet Detection in Engineering Management Based on Convolutional Neural Networks,” Adv. Civ. Eng., vol. 2020, 2020.
[8] C. Vishnu, D. Singh, C. K. Mohan, and S. Babu, “Detection of motorcyclists without helmet in videos using convolutional neural network,” in 2017 International Joint Conference on Neural Networks (IJCNN), 2017, pp. 3036–3041.
[9] C. Raras and A. Widiawati, “Automatic RoI dan Active Contour untuk Deteksi Penggunaan Helm pada Pengendara Sepeda Motor,” JISA (Jurnal Inform. dan Sains), vol. 02, no. 02, pp. 41–46, 2019.
[10] K. Gunadi, E. Setyati, and J. S. Surabaya, “Deteksi Helm pada Pengguna Sepeda Motor dengan Metode Convolutional Neural Network,” Junral INFRA, vol. 8, no. 1, 2020.
[11] B. Widodo, H. A. Armanto, and E. Setyati, “Deteksi Pemakaian Helm Proyek Dengan Metode Convolutional Neural Network,” J. Intell. Syst. Comput., vol. 3, no. 1, pp. 23–29, Apr. 2021.
[12] Y. Kulkarni, S. Bodkhe, A. Kamthe, and A. Patil, “Automatic number plate recognition for motorcyclists riding without helmet,” in 2018 International Conference on Current Trends towards Converging
Technologies (ICCTCT), 2018, pp. 1–6.
[13] M. M. Thaha, K. P. M. Kumar, B. S. Murugan, S. Dhanasekeran, P. Vijayakarthick, and A. S. Selvi, “Brain Tumor Segmentation Using Convolutional Neural Networks in MRI Images,” J. Med. Syst., vol. 43, no. 9, 2019.
[14] D. L. B, H. Ma, Z. Xiong, and F. Wu, MultiMedia Modeling, vol. 10705. Cham: Springer International Publishing, 2018.
[15] A. H. Mawaddah, C. Atika Sari, D. R. Ignatius Moses Setiadi, and E. Hari Rachmawanto, “Handwriting Recognition of Hiragana Characters using Convolutional Neural Network,” in 2020 International Seminar on Application for Technology of Information and Communication (iSemantic), 2020, pp. 79–82.
[16] D. Yashunin, T. Baydasov, and R. Vlasov, “MaskFace: multi-task face and landmark detector,” May 2020.
[17] W. Wu, Y. Yin, X. Wang, and D. Xu, “Face detection with different scales based on faster R-CNN,” IEEE Trans. Cybern., vol. 49, no. 11, pp. 4017–4028, 2019.
[18] A. Chavda, J. Dsouza, S. Badgujar, and A. Damani, “Multi-Stage CNN Architecture for Face Mask
Detection,” 2021 6th Int. Conf. Converg. Technol. I2CT 2021, pp. 1–8, 2021.
