PERBAIKAN AKURASI SISTEM KLASIFIKASI JENIS KENDARAAN BERMOTOR DENGAN METODE BAG OF VISUAL WORD  

Survei lalu lintas secara manual memiliki banyak kelemahan dan rentan terjadinya kesalahan manusia (human error) dari surveyornya. Sehingga pengaplikasian Traffic Monitoring System (TMS) yang mengarah ke pengembangan Intelligent Transportation System dengan menggunakan teknologi Computer Vision menjadi lebih efektif dan efisien. Penelitian ini bertujuan untuk membuat system klasifikasi jenis kendaraan bermotor secara otomatis dari ketiga kategorinya, yaitu Motorcycle (MC), Light Vehicle (LV) dan Heavy Vehicle (HV). Proses identifikasi jenis kendaraan bermotor mengacu pada fitur lokal yang diekstraksi dari setiap jenis kendaraan menggunakan metode Binary Robust Invariant Scalable Keypoint (BRISK). Namun untuk lebih meningkatkan kinerja system dalam melakukan klasifikasi maka dilakukan penambahan metode Bag of Visual Word (BOVW). Adapun metode yang digunakan dalam melakukan klasifikasi jenis kendaraan bermotor menggunakan algoritma K-Nearest Neighbor (KNN). Pengambilan data video lalu lintas kendaraan diambil pada Jl. Perintis Kemerdekaan Makassar, Sulawesi Selatan di depan Makassar Town Square menggunakan kamera IP Vivotec. Hasil penelitian menunjukkan peningkatan akurasi dengan penambahan metode BOVW dengan parameter jumlah kluster 90 dan parameter nilai k5 pada metode KNN yang menghasilkan akurasi tertinggi yaitu 92%. Penelitian ini juga menggunakan nilai F1 Score dengan mengacu pada nilai precision dan recall dengan metrik evaluasi yang mengikuti kondisi data yang tidak seimbang (Imbalance) pada setiap jenis kendaraan bermotor, yaitu untuk nilai F1 Score pada kategori MC sebesar 99%, LV sebesar 86% dan HV 47%.