Deteksi dan Klasifikasi Merek Mobil untuk Penentuan Iklan Billboard Menggunakan Convolution Neural Network
DOI:
https://doi.org/10.25126/jtiik.2020742183Abstrak
Dunia periklanan di Indonesia saat ini memiliki perkembangan yang sangat pesat. Hal ini dibuktikan dengan semakin bertambah banyaknya media periklanan yang diciptakan, salah satunya adalah iklan billboard pada jalan raya. Iklan billboard ini memiliki kelemahan, yaitu materi atau konten dari iklan yang ditampilkan tidak dapat berubah-ubah, dengan demikian maka target dari periklanan tidak bisa tertuju pada konsumen yang tepat. Untuk mengatasi masalah tersebut maka dibutuhkan pemanfaatan teknologi untuk mendukung keefektifan kinerja dari iklan billboard. Pada penelitian ini dibuat sebuah sistem yang dapat mendeteksi mobil dan mengenali merek dari mobil yang terdeteksi, sehingga materi iklan dapat berubah sesuai dengan merek mobil yang dikenali oleh sistem. Untuk deteksi pada mobil digunakan metode You Only Look Once (YOLO) dan untuk klasifikasi pada merek mobil digunakan metode MiniVGGNet. Proses latih dilakukan dengan menggunakan 1100 buah gambar dan terdapat 11 macam merek mobil yang dapat diklasifikasikan. Dari pengujian yang dilakukan, didapatkan akurasi akhir 93% pada deteksi mobil. Untuk klasifikasi dari merek mobil dilakukan pengujian dengan fungsi optimasi Adam dengan ukuran masukan gambar 64x64 piksel. Untuk akurasi terbaik yang didapatkan adalah 60%.
Abstract
The world of advertising in Indonesia today has a very rapid development. This is proven by the increasing number of advertising media created, one example is billboard advertising on the highway. Billboard advertising has a weakness, namely the material or the content of the ads displayed cannot change, therefore the target of advertising cannot be directed at the right consumer. To overcome this problem, the use of technology is needed to support the effectiveness of billboard advertising. In this study a system was created which is can detect the car and recognize the brand of the car detected, so the advertising material can change according to the brand of the car that is recognized by the system. For the detection of cars, using You Only Look Once (YOLO) method and for the classification of car brands, using MiniVGGNet method. The training process is carried out using 1100 pictures and there are 11 kinds of car brands that can be classified. From the tests performed, 93% final accuracy was found in car detection. The classification of the car brand was tested with Adam optimization functions with an image input size of 64x64 pixels. For the best accuracy obtained is 60% using the Adam optimization function with the input image size of 64x64 pixels.
Downloads
Referensi
AMALUDDIN, F., MUSLIM, M.A. AND NABA, A., 2015. Klasifikasi Kendaraan Menggunakan Gaussian Mixture Model (GMM) dan Fuzzy Cluster K Means (FCM). Jurnal EECCIS, 9(1), pp.19-24.
HERYADI, Y., BUDIHARTO, W. AND ABDURACHMAN, E., 2019, April. Logo and Brand Recognition from Imbalanced Dataset Using MiniGoogLeNet and MiniVGGNet Models. In Asian Conference on Intelligent Information and Database Systems(pp. 385-393). Springer, Cham.
IRFAN, M., SUMBODO, B.A.A. AND CANDRADEWI, I., 2017. Sistem Klasifikasi Kendaraan Berbasis Pengolahan Citra Digital dengan Metode Multilayer Perceptron. IJEIS (Indonesian Journal of Electronics and Instrumentation Systems), 7(2), pp.139-148.
KINGMA, D.P. & BA, J.L. 2017, Adam: A Method for Stochastic Optimization, ArXiv, 1412:6980.
REDMON, J, DIVVALA, S, GIRSHICK, R, FARHADI, A 2015, You Only Look Once: Unified, Real-Time Object Detection, Diakses tanggal 16 Februari 2019,
ROHADI, E., CHRISTINE, A.M., PRASETYO, A., ASMARA, R.A., SIRADJUDDIN, I., RONILAYA, F. AND SETIAWAN, A., 2018. Implementasi Video Streaming Lalu Lintas Kendaraan Dengan Server Raspberry Pi Menggunakan Protokol H. 264. Jurnal Teknologi Informasi dan Ilmu Komputer, 5(5), pp.629-634.
SETYAWAN, G.E., ADIWIJAYA, B. AND FITRIYAH, H., 2019. Sistem Deteksi Jumlah, Jenis dan Kecepatan Kendaraan Menggunakan Analisa Blob Berbasis Raspberry Pi. Jurnal Teknologi Informasi dan Ilmu Komputer, 6(2), pp.211-218.
SIMONYAN, K. & ZISSERMAN, A. 2015, Very Deep Convolutional Neural Network for Large-Scale Image Recognition, ArXiv, 1409:1556
SWASTIKA, W., ARIYANTO, M.F., SETIAWAN, H. AND IRAWAN, P.L.T., 2019, March. Appropriate CNN Architecture and Optimizer for Vehicle Type Classification System on the Toll Road. In Journal of Physics: Conference Series (Vol. 1196, No. 1, p. 012044). IOP Publishing.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
