Deteksi Penggunaan Helm Pada Pengendara Motor di Indonesia Menggunakan Deformable DETR
Kata Kunci:
Helm, Lalu lintas, Object Detection, DETR, Deformable DETR, Artificial intelligence, Deep Learning, Pengguna Sepeda MotorAbstrak
Mayoritas pengendara kendaraan bermotor di Indonesia merupakan pengendara sepeda motor. Jumlah kecelakaan yang melibatkan sepeda motor cukup tinggi, oleh karena itu pengendara diwajibkan menggunakan helm saat mengendarai motor. Penggunaan helm merupakan penyelamat dan menurunkan resiko cedera yang lebih buruk bagi pengendara motor. Pada zaman sekarang sudah terdapat banyak kamera tilang elektronik yang berguna untuk menertibkan pengguna kendaraan bermotor. Namun, pada saat ini kamera tersebut masih belum dapat mendeteksi pelanggaran terhadap pengguna sepeda motor yang tidak menggunakan helm. Kontribusi dari makalah ini adalah menjelaskan model kecerdasan buatan beserta dengan metode yang dapat digunakan untuk kamera tiang elektronik dalam mendeteksi penggunaan helm pada pengendara sepeda motor. Penelitian ini menggunakan model Deformable DETR (DEtection TRansformer) untuk mendeteksi penggunaan helm pada pengendara sepeda motor. Hasil dari implementasi model Deformable DETR tersebut menunjukan performa yang mencapai 0.590 mAP dan penggunaan metode two-stage detection dalam Deformable DETR berhasil meningkatkan performa menjadi 0.611 mAP. Hasil penelitian ini diharapkan dapat berkontribusi dalam pembangunan Indonesia maju dan berkelanjutan dengan cara memajukan Indonesia dalam penegakan hukum lalu lintas dan mengurangi pelanggaran tidak menggunakan helm yang dilakukan oleh pengendara sepeda motor di Indonesia.
Referensi
R. Kurniawan, “Jumlah kendaraan di indonesia 147 juta unit, 87 persen motor,” Feb 2023.
R. Kurniawan, “Angka kecelakaan sepeda motor tahun ini sudah tembus 120.284 kasus,” Sep 2022.
A. Nursalikah, “Polisi akui kamera tilang elektronik belum bisa kenali pelanggaran taknbsp;pakai helm,” Nov 2022.
W. Jia, S. Xu, Z. Liang, Y. Zhao, H. Min, S. Li, and Y. Yu, “Real-time automatic helmet detection of motor- cyclists in urban traffic using improved yolov5 detector,” 2021.
A. Saumya, V. Gayathri, K. Venkateswaran, S. Kale, and N. Sridhar, “Machine learning based surveillance system for detection of bike riders without helmet and triple rides,” 2020.
Y. U. Hanafi, “Deteksi penggunaan helm pada pengendara bermotor berbasis deep learning,” 2020.
N. Carion, F. Massa, G. Synnaeve, N. Usunier, A. Kir- illov, and S. Zagoruyko, “End-to-end object detection with transformers,” Computer Vision – ECCV 2020, p. 213–229, 2020.
X. Zhu, W. Su, L. Lu, B. Li, X. Wang, and J. Dai, “Deformable detr: Deformable transformers for end-to- end object detection,” arXiv preprint arXiv:2010.04159, 2020.
T.-Y. Lin, M. Maire, S. Belongie, J. Hays, P. Perona, D. Ramanan, P. Dolla´r, and C. L. Zitnick, “Microsoft coco: Common objects in context,” in Computer Vision– ECCV 2014: 13th European Conference, Zurich, Switzer- land, September 6-12, 2014, Proceedings, Part V 13, pp. 740–755, Springer, 2014.
R. N. Rajaram, E. Ohn-Bar, and M. M. Trivedi, “Re- finenet: Iterative refinement for accurate object local- ization,” in 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), pp. 1528– 1533, 2016.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Eduardus Tjitrahardja, Ikhlasul Akmal Hanif, Rahmat Bryan Naufal, Laksmita Rahadianti
Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.
