Seminar Internal merupakan kegiatan rutin yang diselenggarakan Laboratorium Smart Transportasi yang bertujuan untuk menambah wawasan serta sharing terhadap penelitian yang dikembangkan. Saat ini banyak diperbincangkan berkaitan dengan Artificial Intelligent (AI), maka dalam pembahasan seminar internal on line mengambil topik artificial intelligent dalam bidang transportasi. Kecerdasan buatan (Artificial Intelligent) saat ini telah berkembang sedemikian rupa disegala sektor salah satunya sektor transportasi. Penerapan AI dalam sektor transportasi cukup banyak diantaranya seperti sistem informasi jalan terpandu, sistem law enforcement pelanggaran lalu lintas (deteksi plat nomer kendaraan) dan sebagainya.

    Seminar internal online ini membahas penerapan algoritma neural network untuk memprediksi performa engine dan untuk identifikasi karakter sebagai pendukung pengenalan karakter pada plat nomer kendaraan.

    1. Implementasi Algoritma Neural Network (NN) Untuk Memprediksi Performa Engine

    Implementasi algoritma NN untuk memprediksi engine masuk dalam kategori machine learning khususnya supervised learning. Kategori supervised learning apabila data telah tersedia dan terstruktur serta adanya target sebagai pembanding output hasil proses perhitungan NN.

    Proses algoritma NN untuk memprediksi performa engine seperti terlihat pada gambar 1 dimana data engine telah tersedia, sehingga dalam proses NN selanjutnya yaitu menentukan setting parameter jumlah neuron dan hidden layer. Dalam proses perhitungan NN yang menjadi salah satu kunci keberhasilan adalah jumlah data set yang besar. Selain daripada itu proses dalam machine learning tidak dapat ditinggalkan yaitu memberikan pembelajaran pada komputer untuk mengenal berbagai macam jenis parameter data dengan berbagai macam variasi data, proses tersebut dikenal dengan istilah training data. Dalam proses training, data sebagai input diuji dalam algoritma untuk mengupdate parameter bobot (weight) sampai diperoleh nilai bobot yang optimal dengan nilai loss yang kecil.

    Dari hasil perhitungan menunjukkan bahwa algoritma Neural Network dapat membantu proses pengujian dalam hal mempercepat, mempermudah proses perhitungan serta memprediksi hasil yang cukup akurat. Sebagai perbandingan hasil pengujian langsung memberikan gambaran yang lebih riil dan akurat sehingga digunakan sebagai acuan (target). Sedangkan pada tahap awal NN membutuhkan target untuk mendapatkan nilai yang sesuai dengan melakukan beberapa ribu kali training. Hasil perhitungan dengan menggunakan algoritma Neural Network memberikan gambaran terhadap hasil lebih cepat baik secara waktu dan prosesnya, sehingga antara pengujian langsung dan perhitungan dengan NN dapat saling menguatkan.

      

    Gambar 1. Flow Proses Algoritma NN dalam Memprediksi Performa Engine

     

     

    Gambar Seminar OnLine hari pertama Menggunakan Aplikasi

     

    2. Implementasi Neural Network untuk Identifikasi Karakter

    Salah satu implementasi NN dalam bidang transportasi adalah Identifikasi karakter untuk tujuan law enforcement terhadap pelanggaran lalu lintas pengguna kendaraan. Pengembangan identifikasi karakter ini sebagai cikal bakal identifikasi karakter plat nomer kendaraan dengan menggunakan kamera. Pengembangan identifikasi karakter dengan menggunakan kamera sudah banyak dikembangkan, akan tetapi untuk kebutuhan dan tujuan yang beragam.

    Implementasi algoritma NN untuk mengidentifikasi karakter ini masuk dalam kategori machine learning khususnya supervised learning. Kategori supervised learning apabila data telah tersedia dan terstruktur serta adanya acuan sebagai pembanding output dari proses NN.

    Dalam seminar internal ini akan dibahas implementasi NN untuk identifikasi karakter dengan menggunakan dataset MNIST. Berbeda dengan seminar sebelumnya data yang digunakan dalam seminar ini berupa data image (gambar), machine Learning khususnya supervised dan unsupervised learning mengandalkan pada besar dan variasi data, oleh karena itu data menjadi kunci keberhasilan dalam pengembangan model dengan menggunakan algoritma NN.

    Proses pembahasan NN ini meliputi penyiapan dataset, pembentukan model, perhitungan Loss Function dan optimization algorithm. Sedangkan pada tahap uji coba dilakukan melalui tahap training 70% dari jumlah data, validasi 10 % dari jumlah data training dan testing 20% dari jumlah data.

    Hasil uji coba menunjukkan akurasi dalam mendeteksi karakter mencapai 97% seperti terlihat pada gambar 2.

     

    gambar 2. Deteksi karakter angka

    Gambar Seminar OnLine hari kedua Menggunakan Aplikasi


    Page 1 of 22

    © 2020 PTSPT-BPPT. All Rights Reserved.