KLASIFIKASI KENDARAAN MENGGUNAKAN METODE CONVOLUTION NEURAL NETWORK (CNN) UNTUK MENENTUKAN TARIF TOL STUDI KASUS : GERBANG TOL BANYU URIP

Klasifikasi adalah satu di antara data mining yang digunakan untuk memprediksi sebuah pengelompokan data. Salah satu topik klasifikasi yang cukup dikenal adalah klasifikasi citra (Image Classification). Antrean saat melakukan transaksi pada gerbang tol masih menjadi permasalahan di indonesia, hal tersebut terjadi karena belum ada sistem yang secara otomatis melakukan klasifikasi terhadap kendaraan pada gerbang tol, klasifikasi masih dilakukan manual oleh penjaga pintu tol. Adapun upaya untuk mengatasi kemacetan tersebut, perlunya sistem yang dapat secara otomatis mengklasifikasi kendaraan yang ada pada gebang tol menjadi 5 golongan sesuai dengan peraturan pada jalan tol di Indonesia, sehingga proses klasifikasi dapat dilakukan secara otomatis. Dengan adanya sistem tersebut waktu transaksi pada setiap kendaraan akan lebih cepat, sehingga kemacetan pada gerbang pintu tol dapat teratasi. Pada penelitian ini dibangun model untuk pengklasifikasian kendaraan bermotor berdasarkan golongan jalan tol menggunakan metode Convolutional Neural Network (CNN). Dengan dataset dari Mendeley Vehicle dataset yang berisikan 5 kelas golongan kendaraan berbeda. Hasil akhir pada penelitian kali ini diharapkan menghasilkan sistem yang akurat untuk klasifikasi citra kendaraan. Dari serangkaian uji coba yang sudah dilakukan mendapatkan berbagai macam model yang berbeda beda. Hasil dari berbagai pemodelan tersebut juga mendapatkan hasil akurasi yang berbeda-beda. Adapun hasil model yang terbaik terdapat pada model dengan menggunakan Stride 2 Batch Size 32 dense 16 dengan menggunakan epoch 40 yang berada pada fold ke dua mendapatkan hasil akurasi sebesar 100% dan hasil akurasi terbaik selanjutnya terdapat pada model dengan fold ke tiga denga menggunakan jumlah batch size 32, epoch 40 ,dense 16 serta stride 2 dan fold ke empat dengan jumlah batch size 32, epoch 30 ,dense 32 serta stride 2 yang mendapatkan hasil akurasi sebesar 97,90%.