Abstract
Dengan berkembangnya teknologi kendaraan otonom dan pengawasan lalu lintas cerdas, klasifikasi kendaraan menjadi elemen kunci dalam sistem transportasi modern. Artikel ini mengusulkan suatu pendekatan berbasis Convolutional Neural Network (CNN) untuk meningkatkan ketepatan dan efisiensi dalam klasifikasi jenis kendaraan dari data visual. Metode yang diusulkan menggunakan arsitektur CNN yang mendalam untuk mengekstraksi fitur-fitur penting dari citra kendaraan. Data pelatihan yang luas dan bervariasi digunakan untuk melatih model, yang kemudian diuji pada dataset independen untuk mengevaluasi performanya. Hasil eksperimen menunjukkan bahwa pendekatan ini dapat mencapai tingkat akurasi yang tinggi dalam klasifikasi kendaraan, bahkan dalam kondisi pencahayaan yang bervariasi dan latar belakang yang kompleks. Keuntungan utama dari metode ini adalah kemampuannya untuk secara otomatis mempelajari pola dan fitur- fitur diskriminatif dari citra kendaraan, membuatnya mampu mengatasi variasi dan kompleksitas dalam lingkungan praktis. Hasil dari penelitian ini memberikan kontribusi positif terhadap pengembangan sistem transportasi pintar dan meningkatkan keamanan serta efisiensi lalu lintas.
Sign-in/Register to access full text options 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callSimilar Papers
Disclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
