Segmentasi Citra Rambu Lalu Lintas Menggunakan  Arsitektur DeepLabV3+ Berbasis Convolutional Neural Network

Intan Aulia; Mutaqin Akbar

doi:10.55338/justikpen.v6i1.896

Authors

Intan Aulia Universitas Mercu Buana Yogyakarta
Mutaqin Akbar Universitas Mercu Buana Yogyakarta

DOI:

https://doi.org/10.55338/justikpen.v6i1.896

Keywords:

Segmentasi Citra, Rambu Lalu Lintas, DeepLabV3 , Convolution Neural Network, MobileNetV2

Abstract

Keamanan di jalan raya sangat ditentukan oleh kemampuan pengemudi dalam memahami serta mengikuti petunjuk yang ada. Namun, pengenalan rambu secara manual rentan terhadap kelalaian manusia, sehingga diperlukan sistem yang dapat secara otomatis mendekteksi dan memisahkan rambu lalu lintas secara akurat. Tujuan dari studi ini adalah menciptakan model segmentasi citra rambu lalu lintas dengan memanfaatkan arsitektur DeepLabV3+ berbasis Convolution Neural Network (CNN) dengan backbone MobileNetV2. Kumpulan data yang dipakai terdiri atas 2.050 foto rambu lalu lintas yang mencakup 10 kategori rambu, yang diperoleh dari penelitian terdahulu. Karena dataset awal belum memiliki anatosi mask, dilakukan proses pelabelan manual menggunakan perangkat lunak LabelMe untuk menghasilkan mask segmentasi. Citra tersebut kemudian diubah ukurannya menjadi 128×128 piksel. Model DeepLabV3+ dikonfigurasi dengan optimizer Adam (learning rate 0,0002), ditraining selama 40 epoch dengan batch size 4 pada platfrom Google Colab menggunakan GPU T4. Evaluasi terhadap data pengujian mengindikasikan bahwa model ini memperoleh tingkat akurasi sebesar 93,59%,Intersection over Union (IoU) sebesar 79,12%, serta koefisien Dice sebesar 79,96%. Hasil ini membuktikan bahwa arsitektur DeepLabV3+ dengan backbone MobileNetV2 mampu melakukan segmentasi citra rambu lalu lintas secara efektif pada dataset 10 kelas.

References

R. Silaban and I. M. Pase, “TINJAUAN YURIDIS SANKSI PIDANA TERHADAP PELAKU PELANGGARAN LALU LINTAS MENURUT UNDANG-UNDANG NOMOR 22 TAHUN 2009 TENTANG LALU LINTAS DAN ANGKUTAN JALAN,” jurnalrectum, vol. 3, no. 1, p. 107, Jan. 2021, doi: 10.46930/jurnalrectum.v3i1.823.

M. E. Prasetyo, M. R. Faza, R. Pratama, S. N. H. Alhabsy, H. Purwanti, and A. P. A. Masa, “Klasifikasi Ragam Kendaraan Menggunakan Metode Convolutional Neural Network (Cnn),” ATASI, vol. 2, no. 2, pp. 142–148, Dec. 2023, doi: 10.30872/atasi.v2i2.1156.

M. Akbar, A. S. Purnomo, and S. Supatman, “Multi-Scale Convolutional Networks untuk Pengenalan Rambu Lalu Lintas di Indonesia,” SISFOKOM, vol. 11, no. 3, pp. 310–315, Dec. 2022, doi: 10.32736/sisfokom.v11i3.1452.

M. Akbar, “Pengenalan Rambu Lalu-lintas menggunakan Convolutional Neural Network (Studi Kasus: Rambu Lalu-lintas Indonesia),” InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan, vol. 6, no. 2, pp. 272–276, Mar. 2022, doi: 10.30743/infotekjar.v6i2.4564.

A. J. Rindengan and M. Mananohas, “PERANCANGAN SISTEM PENENTUAN TINGKAT KESEGARAN IKAN CAKALANG MENGGUNAKAN METODE CURVE FITTING BERBASIS CITRA DIGITAL MATA IKAN,” JIS, vol. 17, no. 2, p. 161, Dec. 2017, doi: 10.35799/jis.17.2.2017.18128.

O. D. Nurhayati, D. N. Afifah, . N., and N. Rustanti, “Segmentasi Thresholding untuk Pemilihan Kualitas Telur Asin,” J. Sistem Info. Bisnis, vol. 8, no. 1, p. 42, Apr. 2018, doi: 10.21456/vol8iss1pp42-48.

M. U. Habibah and M. Kurniawan, “Segmentasi Citra Wajah dengan Implementasi Adaptif Threshold- Integral Image,” JTIIK, vol. 8, no. 5, pp. 919–928, Oct. 2021, doi: 10.25126/jtiik.2021853840.

R. T. Wahyuningrum, M. Jannah, B. D. Satoto, A. K. Sari, and A. D. Sensusiati, “Segmentasi Citra X-Ray Dada Menggunakan Metode Modifikasi Deeplabv3+,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 10, no. 3, pp. 687–698, Jul. 2023, doi: 10.25126/jtiik.2023106754.

B. S. Wijaya, R. Munir, and N. P. Utama, “Segmentasi Awan pada Citra Satelit Multispektral Menggunakan Convolutional Neural Networks,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 12, no. 6, pp. 1251–1260, Dec. 2025, doi: 10.25126/jtiik.2025125.

L.-C. Chen, Y. Zhu, G. Papandreou, F. Schroff, and H. Adam, “Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation,” in Computer Vision – ECCV 2018, vol. 11211, V. Ferrari, M. Hebert, C. Sminchisescu, and Y. Weiss, Eds., in Lecture Notes in Computer Science, vol. 11211. , Cham: Springer International Publishing, 2018, pp. 833–851. doi: 10.1007/978-3-030-01234-2_49.

M. M. Subagio, M. S. Bhakti, A. Y. Yulestiono, and A. P. Sari, “Perbandingan Kinerja Metode Convolutional Neural Network (CNN) dan VGG-16 dalam Klasifikasi Rambu Lalu Lintas,” Jurnal Mahasiswa Teknik Informatika, vol. 3, no. 2, pp. 79–87, Oct. 2024, doi: 10.35473/jamastika.v3i2.3361.

T. T. Zalukhu, A. R. Himamunanto, and H. Budiati, “Sistem Pengenalan Citra Dokumen Teks Terdistorsi menjadi Teks Menggunakan Metode Deep Learning,” Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi), vol. 10, no. 1, pp. 1–14, Jan. 2026, doi: 10.35870/jtik.v10i1.4700.

M. F. Ikhsal, B. A. Dermawan, and R. I. Adam, “Peningkatan Deteksi Kecelakaan di Jalan Raya Menggunakan Real-ESRGAN pada Citra CCTV Persimpangan Jalan,” JAIC, vol. 7, no. 1, pp. 51–56, Jul. 2023, doi: 10.30871/jaic.v7i1.5562.

M. Akbar, “Pengenalan Rambu Lalu-lintas menggunakan Convolutional Neural Network (Studi Kasus: Rambu Lalu-lintas Indonesia,” InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan, vol. 6, no. 2, pp. 272-276, Mar. 2022, doi: 10.30743/infotekjar.v6i2.4564.

D. Irfan, R. Rosnelly, M. Wahyuni, J. T. Samudra, and A. Rangga, “PERBANDINGAN OPTIMASI SGD, ADADELTA, DAN ADAM DALAM KLASIFIKASI HYDRANGEA MENGGUNAKAN CNN,” JSSR, vol. 5, no. 2, p. 244, Jun. 2022, doi: 10.54314/jssr.v5i2.789.

A. A. G. Bagus Janapriya, “Pengenalan Jenis Rambu Lalu Lintas menggunakan Metode YOLO V5,” JLK, vol. 11, no. 4, p. 1011, Apr. 2023, doi: 10.24843/JLK.2023.v11.i04.p32.

N. Yudistira, A. W. Widodo, and B. Rahayudi, “Deteksi Covid-19 pada Citra Sinar-X Dada Menggunakan Deep Learning yang Efisien,” JTIIK, vol. 7, no. 6, p. 1289, Dec. 2020, doi: 10.25126/jtiik.2020763651.

M. A. Hidayat, N. L. Husni, and F. Damsi, “Pendeteksi Banjir Dengan Image Processing Berbasis Convolutional Neural Network (CNN) pada Kamera Pengawas: Image Processing Based Flood Detector Using Convolutional Neural Network (CNN) Within Surveillance Camera,” MALCOM, vol. 2, no. 2, pp. 10–18, Aug. 2022, doi: 10.57152/malcom.v2i2.382.

B. Nugroho and E. Y. Puspaningrum, “Kinerja Metode CNN untuk Klasifikasi Pneumonia dengan Variasi Ukuran Citra Input,” JTIIK, vol. 8, no. 3, pp. 533–538, Jun. 2021, doi: 10.25126/jtiik.2021834515.

P. A. Nugroho, I. Fenriana, R. Arijanto, and M. Kom, “IMPLEMENTASI DEEP LEARNING MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK ( CNN ) PADA EKSPRESI MANUSIA,” vol. 2, no. 1, 2020.

D. Irfan, R. Rosnelly, M. Wahyuni, J. T. Samudra, and A. Rangga, “PERBANDINGAN OPTIMASI SGD, ADADELTA, DAN ADAM DALAM KLASIFIKASI HYDRANGEA MENGGUNAKAN CNN,” JSSR, vol. 5, no. 2, p. 244, Jun. 2022, doi: 10.54314/jssr.v5i2.789.

A. Peryanto, A. Yudhana, and R. Umar, “Rancang Bangun Klasifikasi Citra Dengan Teknologi Deep Learning Berbasis Metode Convolutional Neural Network,” Format : Jurnal Ilmiah Teknik Informatika, vol. 8, no. 2, pp. 138–147, Feb. 2020, doi: 10.22441/format.2019.v8.i2.007.

Subhan Bole Boly and Mutaqin Akbar, “Segmentasi Citra Sel Darah Menggunakan Convolutional Neural Network,” Restikom, vol. 6, no. 2, pp. 390–398, Aug. 2024, doi: 10.52005/restikom.v6i2.336.

A. W. Setiawan, “Image Segmentation Metrics in Skin Lesion: Accuracy, Sensitivity, Specificity, Dice Coefficient, Jaccard Index, and Matthews Correlation Coefficient,” in 2020 International Conference on Computer Engineering, Network, and Intelligent Multimedia (CENIM), Surabaya, Indonesia: IEEE, Nov. 2020, pp. 97–102. doi: 10.1109/CENIM51130.2020.9297970.