Electronic Theses and Dissertation

Informasi ketersedian ruang parkir sangat dibutuhkan oleh pengemudi untuk memarkirkan kendaraannya dengan cepat. CNN merupakan salah satu metode terbaik yang dapat digunakan untuk mengatasi masalah tersebut. CNN dapat mengklasifikasi ruang parkir dan menghasilkan informasi berupa ketersediaan ruang parkir hanya menggunakan citra yang diambil menggunakan kamera. mAlexnet merupakan arsitektur CNN pertama yang digunakan untuk mengklasifikasi ruang parkir, namun masih perlu peningkatan akurasi dan kecepatan proses klasifikasi.
Eksploitasi Existing CNN seperti fine tuning dan pruning sering diterapkan oleh para praktisi untuk memperoleh arsitektur yang lebih optimal pada kasus yang lebih spesifik. Fine tuning terhadap mAlexnet dan Pruning terharap ShuffleNet berhasil meningkatkan akurasi dalam klasifikasi ruang parkir, namun hasil yang diperoleh belum optimal. Oleh karena itu, perlu merancang sebuah arsitektur yang lebih effisien. Dari beberapa percobaan dengan mempertimbangkan konsep Arsitektur CNN yang baik dan beberapa penelitian sebelumnya, ditemukan Arsitektur yang diberi nama dengan EfficientParkingNet. EfficientParkingNet adalah “arsitektur yang kecil” dengan empat lapisan konvolusi dan LeakyReLU sebagai fungsi aktivasi. Tingkat akurasi EfficientParkingNet sebesar 98,44% untuk seluruh data CNRPark+EXT. Tingkat akurasi EfficientParkingNet lebih tinggi dibandingkan metode lainnya.
Penelitian berlanjut dengan motivasi untuk menghasilkan arsitektur CNN yang optimal terus dilakukan, sehingga ditemukan arsitektur yang lebih baik yang diberi nama EfficientCarNet. Berdasarkan pengujian, akurasi EfficientCarNet2x mengungguli akurasi arsitektur mAlexnet, EfficientParkingNet, dan Carnet. Akurasi EfficientCarNet2x sebesar 99,37% pada dataset CNRPark+EXT dan rata-rata 97,27% untuk dataset PKLot, bahkan mencapai 99,93% pada subdataset yang sama pada dataset PKLot. Selain itu, EfficientCarNet juga memiliki jumlah parameter, ukuran file dan FLOPs (Floating Point Operations) lebih sedikit dibandingkan dengan arsitektur lainnya.

Information on the availability of parking spaces is needed by drivers to park their vehicles quickly. CNN is one of the best methods that can be used to solve this problem. CNN can classify parking spaces and generate information on the availability of parking spaces using only images taken using a camera. mAlexnet is the first CNN architecture used to classify parking spaces but still needs to improve the accuracy and speed of the classification process. Existing CNN exploits such as fine-tuning and pruning are often applied by practitioners to obtain a more optimal architecture in more specific cases. With fine-tuning of mAlexnet and Pruning, it is hoped that ShuffleNet can improve accuracy in parking space classification, but the results obtained are not optimal. Therefore, it is necessary to design a more efficient architecture. From several experiments considering the concept of a good CNN Architecture and several previous studies, an architecture was found which was named EfficientParkingNet. EfficientParkingNet is a “small architecture” with four convolution layers and LeakyReLU as an activation function. EfficientParkingNet's accuracy rate is 98.44% for all CNRPark+EXT data. EfficientParkingNet's level of accuracy is higher than other methods. Research continues with the motivation to produce an optimal CNN architecture so that a better architecture was found which was named EfficientCarNet. Based on the test, the accuracy of EfficientCarNet2x outperforms the accuracy of mAlexnet, EfficientParkingNet, and Carnet architectures. EfficientCarNet2x's accuracy is 99.37% on the CNRPark+EXT dataset and an average of 97.27% for the PKLot dataset, even reaching 99.93% in the same sub dataset on the PKLot dataset. In addition, EfficientCarNet also has less number of parameters, file size, and FLOPs (Floating Point Operations) compared to other architectures.