Klasifikasi Golongan Kendaraan Tol menggunakan CNN Tensorflow
DOI:
https://doi.org/10.33005/jifti.v7i1.151Keywords:
Convolutional Neural Network, TensorFlow, klasifikasi kendaraan, jalan tol, efisiensi transportasiAbstract
Pengelolaan lalu lintas di jalan tol memerlukan strategi yang efektif dalam mengidentifikasi jenis kendaraan untuk meningkatkan keamanan dan efisiensi transportasi. Artikel ini membahas implementasi Convolutional Neural Network (CNN) menggunakan TensorFlow untuk klasifikasi kendaraan di jalan tol. CNN telah terbukti efektif dalam mengenali pola visual kompleks, memungkinkan identifikasi kendaraan secara akurat tanpa perlu ekstraksi fitur manual. Dengan memanfaatkan arsitektur deep learning, CNN dapat mempelajari representasi fitur dari data citra dengan tingkat akurasi yang tinggi. Penggunaan TensorFlow sebagai framework deep learning memberikan keunggulan dalam pengembangan model dengan performa tinggi. Implementasi CNN dengan TensorFlow meningkatkan efisiensi dan akurasi klasifikasi kendaraan, membantu dalam mengelola lalu lintas dengan lebih efektif. Solusi ini meminimalkan kesalahan manusia, mempercepat proses klasifikasi, dan meningkatkan pengalaman pengguna jalan tol. Integrasi TensorFlow dalam sistem pengelolaan lalu lintas dapat menciptakan solusi yang lebih efektif dalam mengatasi tantangan di jalan tol. Model klasifikasi kendaraan ini mencapai 90.6% akurasi pada data uji. Sehingga dapat disimpulkan bahwa metode ini dapat secara efektif meningkatkan akurasi dan efisiensi dalam klasifikasi jenis kendaraan di jalan tol
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Achmad Rozy, Abdurrahman Al Hakim, Chiristian K, Farrel Tiuraka Vierino, Hendra Maulana, S.Kom., M.Kom.

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