Klasifikasi Model Kendaraan Roda Empat Menggunakan Metode Convolutional Neural Network

Topik klasifikasi citra berkembang pesat dalam beberapa tahun terakhir dan menjadi salah satu topik populer dalam bidang computer vision. Klasifikasi citra digital memiliki banyak manfaat dalam kehidupan sehari-hari, contohnya klasifikasi kendaraan pada sistem pembayaran tol otomatis. Selain itu, klasifikasi kendaraan dapat digunakan untuk keperluan lalu lintas di antaranya yaitu dapat dimanfaatkan untuk pengendalian kendaraan di jalan raya, menghitung volume kendaraan di lalu lintas berdasarkan jenisnya, atau melacak jenis mobil yang
melanggar aturan lalu lintas. Salah satu metode yang digunakan untuk proses klasifikasi citra digital adalah metode Convolutional Neural Network (CNN) yang melakukan klasifikasi dengan melalui dua tahap utama yaitu tahap ekstraksi fitur dan tahap klasifikasi. Pada penelitian ini empat model CNN yang berbeda akan dibandingkan. Model-model dibangun dengan tujuan untuk mendapatkan nilai akurasi yang baik dari arsitektur CNN dengan jumlah lapisan yang kecil. Proses pelatihan menggunakan beberapa nilai parameter yang diubah-ubah untuk mendapatkan akurasi terbaik. Dari hasil pengujian yang telah dilakukan menghasilkan kesimpulan bahwa nilai parameter optimizer, epoch, batch size, dan jumlah fitur berpengaruh terhadap akurasi yang dihasilkan. Diperoleh optimizer ADAM, 100 epoch, dan batch size 64, dan Model D yang memiliki jumlah fitur terbanyak menghasilkan nilai akurasi terbaik dengan rata-rata nilai f1-score sebesar
59,33% untuk dataset asli dan 89,49% untuk dataset hasil augmentasi.