Klasifikasi Jenis Kendaraan Berbasis Citra Menggunakan Deep Learning

Abstract

Perkembangan sistem transportasi cerdas menuntut kemampuan identifikasi kendaraan yang akurat dan efisien. Penelitian ini bertujuan untuk mengklasifikasikan jenis kendaraan berbasis citra menggunakan pendekatan deep learning dengan teknik transfer learning. Model yang digunakan adalah VGG16 pralatih ImageNet yang dimodifikasi dengan Global Average Pooling dan lapisan fully connected untuk mengklasifikasikan sepuluh kelas kendaraan, yaitu SUV, bus, family sedan, fire engine, heavy truck, jeep, minibus, racing car, taxi, dan truck. Dataset terdiri dari 1.400 citra data latih dan 200 citra data validasi dengan variasi sudut pandang dan kondisi pencahayaan. Proses pelatihan dilakukan dalam dua tahap, yaitu pelatihan awal dengan lapisan konvolusi dibekukan dan tahap fine-tuning dengan membuka sebagian lapisan akhir VGG16. Hasil pengujian menunjukkan model mencapai akurasi validasi terbaik sebesar 89% dengan nilai loss sebesar 0,32. Hasil ini menunjukkan bahwa pendekatan transfer learning efektif untuk klasifikasi kendaraan berbasis citra dan berpotensi diterapkan pada sistem transportasi cerdas.