Metode Pengukuran Percepatan Kendaraan Bermotor Berbasis Data GPS menggunakan Jaringan Saraf Tiruan
Main Article Content
Abstract
Penelitian ini bertujuan untuk mengembangkan metode pengukuran percepatan kendaraan bermotor dengan menggunakan data kecepatan tanpa memerlukan alat ukur percepatan tambahan, sehingga alat pengukuran tersebut lebih efisien dan ekonomis. Dasar teori yang dipergunakan adalah bahwa percepatan merupakan perubahan kecepatan pada waktu tertentu. Hasil dari percepatan secara teori dapat menggunakan perhitungan formula penurunan dari hasil pengukuran kecepatan, akan tetapi hasil perhitungan konvensional dengan formula penurunan kecepatan dibandingkan dengan hasil pengukuran alat ukur percepatan memberikan deviasi hasil konversi yang terlalu besar. Oleh sebab itu, formula konvensional tersebut digantikan oleh pendekatan berbasis jaringan saraf tiruan (JST) untuk memodelkan hubungan antara kecepatan dan percepatan secara lebih akurat. Pada penelitian ini, data kecepatan kendaraan diukur menggunakan global positioning system (GPS) dengan frekuensi akuisisi data sebesar 10 Hz. Data tersebut digunakan sebagai data set pada JST yang terbagi atas 90% data training dan 10% data testing. Jika dibandingkan dengan pendekatan yang lain optimasi hyperparameter JST dilakukan secara otomatis menggunakan pendekatan Bayesian Optimization karena kemampuannya dalam memilih parameter secara efisien dan menghindari hasil optimal pada lokal minimum. Model JST yang terbaik diuji menggunakan data testing pertama dengan hasil nilai mean absolute error (MAE) sebesar 0.06373, root mean square error (RMSE) sebesar 0.08434, dan koefisien determinasi (R²) sebesar 0.82456, selanjutnya data testing kedua dengan hasil nilai MAE sebesar 0.07061, RMSE sebesar 0.09112, dan R² sebesar 0.78517. Hasil metode ini menunjukkan potensi penerapan dalam pengukuran percepatan kendaraan dengan akurat dan bisa dikembangkan lebih lanjut untuk berbagai skenario kendaraan dinamis, integrasi real-time dengan sistem navigasi, serta penerapan pada kendaraan otonom atau sistem monitoring berbasis IoT.
Downloads
Article Details
Section
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Usulan Pembuatan Informasi Hak Cipta
1. Kebijakan yang diajukan untuk jurnal yang menawarkan akses terbuka
Syarat yang harus dipenuhi oleh Penulis sebagai berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Commons Attribution License yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis dapat memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan.
2. Kebijakan yang diajukan untuk jurnal yang menawarkan akses terbuka yang tertunda
Penulis yang menerbitkan dengan jurnal ini setuju pada persyaratan berikut ini:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama, dengan pekerjaan [TENTUKAN PERIODE WAKTU] setelah penerbitan secara simultan dengan lisensi di bawah: Creative Commons Attribution License yang memudahkan yang lain untuk berbagi karya dengan pengakuan penerbitan awal dan kepenulisan karya di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non-ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan.
Warta Penelitian Perhubungan by Sekretariat Badan Penelitian dan Pengembangan Perhubungan is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License. Based on a work at //ojs.balitbanghub.dephub.go.id/index.php/warlit/index.
References
[1] A. S. Mohammed, A. Olalekan Salau, B. Sigweni, and A. M. Zungeru, “Conversion and performance evaluation of petrol engine to electric powered three-wheeler vehicle with an onboard solar charging system,” Energy Convers. Manag. X, vol. 20, no. April, p. 100427, 2023, doi: 10.1016/j.ecmx.2023.100427.
[2] F. Aiello et al., “Do non-contact injuries occur during high-speed running in elite football? Preliminary results from a novel GPS and video-based method,” J. Sci. Med. Sport, vol. 26, no. 9, pp. 465–470, 2023, doi: 10.1016/j.jsams.2023.07.007.
[3] W. Djuriatno, E. Maulana, Hasan, E. D. Arisandi, and Wijono, “Velocity measurement based on inertial measuring unit,” Telkomnika (Telecommunication Comput. Electron. Control., vol. 17, no. 4, pp. 1898–1906, 2019, doi: 10.12928/telkomnika.v17i4.11826.
[4] Y. Zou, L. Ding, H. Zhang, T. Zhu, and L. Wu, “Vehicle Acceleration Prediction Based on Machine Learning Models and Driving Behavior Analysis,” Appl. Sci., vol. 12, no. 10, 2022, doi: 10.3390/app12105259.
[5] H. Luo, X. Hu, and L. Huang, “A Hybrid Model for Vehicle Acceleration Prediction,” Sensors, vol. 23, no. 16, pp. 1–17, 2023, doi: 10.3390/s23167253.
[6] M. Ok, S. Ok, and J. H. Park, “Estimation of vehicle attitude, acceleration and angular velocity using convolutional neural network and dual extended Kalman filter,” Sensors (Switzerland), vol. 21, no. 4, pp. 1–22, 2021, doi: 10.3390/s21041282.
[7] L. Bai, R. Liu, and Q. Li, “Data-driven bias correction and defect diagnosis model for in-service vehicle acceleration measurements,” Sensors (Switzerland), vol. 20, no. 3, 2020, doi: 10.3390/s20030872.
[8] I. Pamungkas, S. Sumadi, and S. Alam, “Studi Komparasi Fungsi Aktivasi Sigmoid Biner, Sigmoid Bipolar dan Linear pada Jaringan Saraf Tiruan dalam Menentukan Warna RGB Menggunakan Matlab,” J. Serambi Eng., vol. 7, no. 4, 2022, doi: 10.32672/jse.v7i4.4776.
[9] D. Jonas, I. A. Supriyono, and H. Junianto, “Perancangan Sistem Pencegahan Pencurian Kendaraan Bermotor Berbasis ESP32 pada PT. Suwarna Dwipa Maju,” Technomedia J., vol. 7, no. 2, pp. 216–230, 2022, doi: 10.33050/tmj.v7i2.1748.
[10] M. Zulfikri, K. Abd Latif, R. Hammad, M. Syahrir, and P. Studi, “Deteksi dan Estimasi Kecepatan Kendaraan dalam Sistem Pengawasan Lalu Lintas Menggunakan Pengolahan Citra Detection and Estimation of Vehicle Speed in Traffic Control Systems Using Image Processing,” Techno.COM, Vol. 20, No.3, Agustus 2021: 455-467
[11] M. Parsa, J. P. Mitchell, C. D. Schuman, R. M. Patton, T. E. Potok, and K. Roy, “Bayesian Multi-objective Hyperparameter Optimization for Accurate, Fast, and Efficient Neural Network Accelerator Design,” Front. Neurosci., vol. 14, no. July, pp. 1–16, 2020, doi: 10.3389/fnins.2020.00667.
[12] C. He, D. Wang, Y. Yu, and Z. Cai, “A Hybrid Deep Learning Model for Link Dynamic Vehicle Count Forecasting with Bayesian Optimization,” J. Adv. Transp., vol. 2023, 2023, doi: 10.1155/2023/5070504.
[13] Syarif Iskandar, Valentinus Galih Vidia Putra, dan A. Hermansyah. “Prediksi End Breakage Benang Kapas Di Mesin Rotor Spinning Menggunakan Pendekatan Jaringan Saraf Tiruan,” Edufisika, Vol. 7, No.01, Juni 2022, doi:10.59052/edufisika.v7i1.19543
[14] W. Amelia, “Implementasi Jaringan Syaraf Tiruan Sebagai Sistem Diagnosis Stunting Balita Menggunakan Metode Backpropagation Di Puskesmas Brebes,” vol. 12, no.2, September 2023
[15] I. U. W. Mulyono, Y. Kusumawati, and A. Susanto, “Analisa Perfoma Algortima Jaringan Syaraf Tiruan Dalam Klasifikasi Karakter Hiragana,” Semnas Ristek (Seminar Nas. Ris. dan Inov. Teknol.), vol. 8, no. 01, pp. 60–64, 2024, doi: 10.30998/semnasristek.v8i01.7134.
[16] A. Nugroho and A. Husin, “Performance Analysis of Random Forest Using Attribute Normalization,” Sistemasi, vol. 11, no. 1, p. 186, 2022, doi: 10.32520/stmsi.v11i1.1681.
[17] J. Wu, X. Y. Chen, H. Zhang, L. D. Xiong, H. Lei, and S. H. Deng, “Hyperparameter optimization for machine learning models based on Bayesian optimization,” J. Electron. Sci. Technol., vol. 17, no. 1, pp. 26–40, 2019, doi: 10.11989/JEST.1674-862X.80904120.
[18] A. H. Victoria and G. Maragatham, “Automatic tuning of hyperparameters using Bayesian optimization,” Evol. Syst., vol. 12, no. 1, pp. 217–223, 2021, doi: 10.1007/s12530-020-09345-2.
[19] T. T. Joy, S. Rana, S. Gupta, and S. Venkatesh, “Hyperparameter tuning for big data using Bayesian optimisation,” Proc. - Int. Conf. Pattern Recognit., vol. 0, pp. 2574–2579, 2016, doi: 10.1109/ICPR.2016.7900023.
[20] T. D. Ngo, A. Kashani, G. Imbalzano, K. T. Q. Nguyen, and D. Hui, “Additive manufacturing (3D printing): A review of materials, methods, applications and challenges,” Compos. Part B Eng., vol. 143, no. December 2017, pp. 172–196, 2018, doi: 10.1016/j.compositesb.2018.02.012.
[21] Lee, K. and Kwan, M., “Automatic physical activity and in‐vehicle status classification based on gps and accelerometer data: a hierarchical classification approach using machine learning techniques,” Transactions in Gis, 22(6), 1522-1549, 2018. https://doi.org/10.1111/tgis.12485.
[22] Ma, X., Yu, H., Wang, Y., & Wang, Y., “Large-scale transportation network congestion evolution prediction using deep learning theory,” Plos One, 10(3), e0119044, 2015. https://doi.org/10.1371/journal.pone.0119044.
[23] Allahbakhshi, H., Conrow, L., Naimi, B., & Weibel, R., “Using accelerometer and gps data for real-life physical activity type detection,” Sensors, 20(3), 588, 2020. https://doi.org/10.3390/s20030588.
[24] Safi’i, A., Ramdani, D., & Muslim, B., “Utilization of Indonesia’s regional ionosphere model to improve the accuracy of gps measurements to support disaster mitigation studies,” Iop Conference Series Earth and Environmental Science, 950(1), 012097, 2022. https://doi.org/10.1088/1755-1315/950/1/012097.
[25] Arsan, T., “Accurate indoor positioning with ultra-wide band sensors,” Turkish Journal of Electrical Engineering & Computer Sciences, 28(2), 1014-1029, 2020. https://doi.org/10.3906/elk-1911-79.