Pengenalan Jalan Berlubang Berbasis Vision Menggunakan Pyramid Histogram Of Oriented Gradients
DOI:
https://doi.org/10.25126/jtiik.2023106820Abstrak
Lubang, sejenis kerusakan jalan, dapat merusak kendaraan dan berdampak negatif pada keamanan mengemudi dari pengemudi. Bahkan, dalam kasus yang parah dapat menyebabkan kecelakaan lalu lintas. Manajemen jalan berlubang yang efisien dan preventif di lingkungan jalan yang kompleks memainkan peran penting dalam mengamankan keselamatan pengemudi. Hal ini juga diharapkan dapat memberikan kontribusi terhadap pencegahan kecelakaan lalu lintas dan kelancaran arus lalu lintas. Di masa lalu, deteksi lubang terutama dilakukan melalui inspeksi visual oleh ahli manusia. Baru-baru ini, metode deteksi lubang otomatis menerapkan berbagai teknologi yang menyatukan teknologi dasar seperti sensor dan pemrosesan sinyal. Pada artikel ini, metode berbasis pengolahan citra dan pembelajaran mesin diaplikasikan untuk mengenali lubang di jalan. Penelitian ini menghasilkan model dari bentuk lubang dengan memanfaatkan ciri bentuk yang diekstraksi dari Pyramid Histogram of Oriented Gradients (PHOG). Untuk metode klasifikasi, peneliti menggunakan Support Vector Machine (SVM) dengan hasil terbaik diperoleh pada penggunaan kernel polynomial. Sistem pengenalan jalan berlubang yang diusulkan mampu menunjukkan hasil performa yang sangat baik, yaitu akurasi sebesar 94,45%, precision sebesar 96,13% recall sebesar 95,77%, dan F1-score sebesar 95,95%.
Abstract
Potholes on roads can damage vehicles and endanger drivers, potentially leading to accidents. Preventative management of potholes is crucial for driver safety and efficient traffic flow. Traditional methods of pothole detection relied on visual inspection, but automatic methods have been developed using sensors and signal processing. This article presents a new approach using image processing and machine learning to identify potholes on roads. The proposed system uses shape features extracted from Pyramid Histogram of Oriented Gradients (PHOG) and a Support Vector Machine (SVM) with polynomial kernels for classification. The system achieves high accuracy, precision, recall, and F1-Score, with an accuracy of 94.45%, precision of 96.130%, recall of 95.77%, and F1-Score of 95.950%.
Downloads
Referensi
BAEK, J.W. & CHUNG, K., 2020. Pothole Classification Model Using Edge Detection in Road Image. Applied Sciences 2020, Vol. 10, Page 6662, [online] 10(19), p.6662. https://doi.org/10.3390/APP10196662.
DALAL, N. & TRIGGS, B., 2005. Histograms of oriented gradients for human detection. In: Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer Society Conference on. pp.886–893 vol. 1. https://doi.org/10.1109/CVPR.2005.177.
HOANG, N.D., 2019. Automatic detection of asphalt pavement raveling using image texture based feature extraction and stochastic gradient descent logistic regression. Automation in Construction, 105, p.102843. https://doi.org/10.1016/J.AUTCON.2019.102843.
IANS, 2019. 2,015 pedestrians lost their lives due to potholes in 2018: Govt | Business Standard News. [online] Available at: <https://www.business-standard.com/article/current-affairs/2-015-pedestrians-lost-their-lives-due-to-potholes-in-2018-govt-119120200747_1.html> [Accessed 15 December 2022].
KATADATA, 2017. Sepanjang 2017 Terjadi 98 Ribu Kali Kecelakaan Lalu Lintas. [online] Available at: <https://databoks.katadata.co.id/datapublish/2018/09/21/sepanjang-2017-terjadi-98-ribu-kali-kecelakaan-lalu-lintas> [Accessed 15 December 2022].
PRAMESTYA, R.H., SULISTYANINGRUM, D.R., SETIYONO, B., MUKHLASH, I. & FIRDAUS, Z., 2018. Road defect classification using Gray Level Co-Occurrence Matrix (GLCM) and Radial Basis Function (RBF). Proceedings of 2018 10th International Conference on Information Technology and Electrical Engineering: Smart Technology for Better Society, ICITEE 2018, pp.285–289. https://doi.org/10.1109/ICITEED.2018.8534769.
SAPUTRA, A.D., 2017. Studi Tingkat Kecelakaan Lalu Lintas Jalan di Indonesia Berdasarkan Data KNKT (Komite Nasional Keselamatan Transportasi) dari Tahun 2007-2016. Warta Penelitian Perhubungan, [online] 29(2). Available at: <https://garuda.kemdikbud.go.id/documents/detail/895039> [Accessed 15 December 2022].
SHOKRANI, S., MOALLEM, P. & HABIBI, M., 2014. Facial emotion recognition method based on Pyramid Histogram of Oriented Gradient over three direction of head. Proceedings of the 4th International Conference on Computer and Knowledge Engineering, ICCKE 2014, pp.215–220. https://doi.org/10.1109/ICCKE.2014.6993346.
SONJA NIENABER, B., BOOYSEN, M. & KROON, R., 2016. Detecting potholes with monocular computer vision: A Performance evaluation of techniques. [online] Available at: <https://scholar.sun.ac.za:443/handle/10019.1/98456> [Accessed 15 December 2022].
WAHYUNI, E.S., ALINRA, R.R. & SETIAWAN, H., 2018. People counting for indoor monitoring. 3rd International Conference on Computing, Engineering, and Design, ICCED 2017, 2018-March, pp.1–5. https://doi.org/10.1109/CED.2017.8308112.
WANG, J., LIU, P., SHE, M.F.H., KOUZANI, A. & NAHAVANDI, S., 2011. Human action recognition based on pyramid histogram of oriented gradients. Conference Proceedings - IEEE International Conference on Systems, Man and Cybernetics, pp.2449–2454. https://doi.org/10.1109/ICSMC.2011.6084045.
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).