Pengembangan Sistem Deteksi Pemakaian Sabuk Pengaman Berbasis Convolutional Neural Network (CNN)

Authors

  • Fahmi Fidyan Cahyadi Dept. Teknik Komputer Institut Teknologi Sepuluh Nopember Surabaya, Indonesia
  • Susi Juniastuti Dept. Teknik Komputer Institut Teknologi Sepuluh Nopember Surabaya, Indonesia
  • Reza Fuad Rachmadi

DOI:

https://doi.org/10.59378/jcenim.v2i3.56

Keywords:

Deteksi, Deteksi Pelanggaran Sabuk Pengaman, You Only Look Once (YOLO), COnvolution al Neural Network (CNN)

Abstract

Abstrak

Salah satu penerapan pengolahan citra adalah pendeteksian penggunaan sabuk pengaman. Banyak penelitian telah mengusulkan berbagai solusi berbasis pengolahan citra untuk mendeteksi penggunaan sabuk pengaman. Oleh karena itu, dengan memanfaatkan Convolutional Neural Network, dibuat sebuah sistem yang dapat secara otomatis mendeteksi penggunaan sabuk pengaman penumpang kursi depan yang akan diterapkan di jalan raya. Proses training dilakukan menggunakan YOLOv3-SPP dan YOLOv3-tiny dengan menggunakan 1240 dataset. Data tersebut dibagi menjadi 969 citra latih dan 271 citra uji. Hasil training tertinggi yang diperoleh oleh YOLOv3-SPP adalah sebesar 90,2% mAP dan hasil training tertinggi yang diperoleh oleh YOLOv3-tiny adalah sebesar 92% mAP. Hasil pengujian kinerja menunjukkan nilai rata-rata presisi (mean Average Precision/mAP) tertinggi pada YOLOv3-SPP dengan nilai sebesar 90,2% dibandingkan dengan YOLOv3-tiny yang memperoleh nilai sebesar 92,6%. Pada waktu pemrosesan untuk pengujian dataset, YOLOv3-tiny memiliki keunggulan waktu pemrosesan untuk mendeteksi 271 dataset, yaitu membutuhkan waktu 7 detik, sedangkan pada YOLOv3-SPP membutuhkan waktu 15 detik untuk seluruh citra. Tingkat kesalahan dalam pendeteksian penggunaan sabuk pengaman berada pada nilai terendah yaitu sebesar 5%.

Kata kunci: Deteksi, Deteksi Pelanggaran Sabuk Pengaman, You Only Look Once (YOLO), Convolutional Neural Network (CNN)

References

R. D. Kusumanto and A. N. Tompunu, “Pengolahan citra digital untuk mendeteksi obyek menggunakan pengolahan warna model normalisasi rgb,” Semantik, vol. 1, no. 1, 2011.

R. Patil, P. Ahire, K. Bamane, A. Patankar, P. D. Patil, S. Badoniya, R. Desai, G. Bhandari, and B. S. Dhami, “Real-time traffic sign detection and recognition system using computer vision and machine learning,” Journal of Electrical Systems, vol. 20, no. 2, 2024.

H. Gharemnehzad, H. Shi, and C. Liu, “Real-time accident detection in traffic surveillance using deep learning,” in 2022 IEEE International Conference on Imaging Systems and Techniques (IST), Kaohsiung, Taiwan, 2022, pp. 1–6.

National Highway Traffic Safety Administration, “Usdot releases 2016 fatal traffic crash data,” 2017. [Online]. Available: https://nhtsa.gov/

World Health Organization, “Save lives-a road safety technical package,” 2017. [Online]. Available: http://www.who.int/

V. R. Sajja, D. Venkatesulu, J. N. Rao, and D. B. N. G. S. L., “Driver’s seat belt detection using cnn,” Turkish Journal of Computer and Mathematics Education (TURCOMAT), vol. 12, no. 5, pp. 776–785, 2021.

I. W. S. E. Putra, “Klasifikasi citra menggunakan convolutional neural network (cnn) pada caltech 101,” 2016.

P. Chen, X. Bai, and W. Liu, “Vehicle color recognition on an urban road by feature context,” 2014.

Downloads

Published

2024-12-15

How to Cite

Fahmi Fidyan Cahyadi, Susi Juniastuti, & Reza Fuad Rachmadi. (2024). Pengembangan Sistem Deteksi Pemakaian Sabuk Pengaman Berbasis Convolutional Neural Network (CNN). Journal of Computer Engineering, Network, and Intelligent Multimedia, 2(3), 114–124. https://doi.org/10.59378/jcenim.v2i3.56

Issue

Vol. 2 No. 3 (2024)

Section

Articles

License

Copyright (c) 2026 Fahmi Fidyan Cahyadi, Susi Juniastuti, Reza Fuad Rachmadi

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Authors who publish with JCENIM agree to the following terms:

  1. Authors retain copyright and grant the journal the right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (CC BY-SA 4.0) that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal
  2. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
  3. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.