MENGENALI RAMBU LALU LINTAS MENGGUNAKAN METODE HOG DAN KNN

[Id]Kota-kota besar pasti tidak lepas dengan penggunaan rambu lalu lintas untuk meningkatkan keselamatan pengguna jalan. Rambu lalu lintas dirancang untuk membantu pengemudi untuk mencapai tujuan mereka dengan aman, dengan menyediakan informasi rambu yang berguna. Meskipun demikian, hal yang tidak diinginkan dapat terjadi ketika informasi yang tersimpan pada rambu lalu lintas tidak diterima dengan baik pada pengguna jalan. Hal ini dapat menjadi masalah baru dalam keamanan berkendara. Dalam meminimalisasi masalah tersebut, dapat dibuat suatu teknologi yang mengembangkan sistem yang mengidentifikasi objek rambu lalu lintas secara otomatis yang dapat menjadi salah satu alternatif meningkatkan keselamatan berkendara, yaitu Traffic Sign Recognition (Sistem Rekognisi Rambu Lalu Lintas). Sistem ini menggunakan metode Histogram of Oriented Gradient (HOG), untuk ektraksi ciri citra, dan K-Nearest Neighbour (KNN) untuk mengklasifikasikan citra rambu lalu lintas. Sehingga dapat dianalisa bagaimana Sistem dapat mengenali citra yang merupakan objek rambu lalu lintas Serta bagaimana performansi akurasi sistem. Diharapkan dengan adanya paduan metode-metode tersebut dapat dilihat bagaimana sistem merekognisi rambu lalu lintas. Dari hasil pengujian performansi sistem dengan nilai k=3, diperoleh akurasi sistem 79.4444 %.Kata kunci : ekstraksi ciri, klasifikasi, HOG, KNN.[En]The big cities must not be separated by the use of traffic signs to improve road safety. Traffic signs designed to help drivers to reach their destination safely, by providing useful information signs. Nonetheless, undesirable things can happen when information stored in the traffic signs are not received well on the road. It can be a new problem in road safety. In minimizing the problem, can be made of a technology that is developing a system that identifies an object traffic signs automatically which can be one alternative to improve driving safety, the Traffic Sign Recognition. The system uses a method Histogram of Oriented Gradient (HOG), for the feature extraction of image characteristics, and K-Nearest Neighbor (KNN) to classify traffic signs image. So, it can be analyzed how the system can detect and recognize the image which is the object of traffic signs And how the accuracy of the system performance. Expected by the blend of these methods can be seen how the system detects and merekognisi traffic signs. From the results of performance testing system with a value of k = 3, acquired 79.4444% system accuracy.