Teknologi pengenalan rambu lalu lintas yang
sering disebut dengan traffic sign recognition (TSR), digunakan
untuk mengenali rambu lalu lintas melalui pemanfaatan
pengolahan citra. TSR sendiri dapat diaplikasikan pada sistem
pembantu pengemudi, sistem pembantu pengemudi tingkat lanjut,
sistem mengemudi otonom, keamanan jalan raya, pemahaman
suasana perkotaan, dan pemantauan rambu untuk kepentingan
perawatan. Pengenalan rambu lalu lintas di Indonesia telah
dikaji beberapa kali oleh beberapa peneliti sebelumnya, dimana
hasil akurasi terbaik yang pernah dicapai yaitu 99,33%.
Perbaruan dari pengenalan rambu lalu lintas di Indonesia
menggunakan multi-scale convolutional neural network (CNN)
telah disajikan pada artikel ini. Dataset yang digunakan pada
penelitian ini diambil dengan beberapa cara diantaranya
pengambilang langsung, pemgambilan tidak langsung dengan
Google Maps, pengambilan dari berbagai sudut dan pengambilan

pada siang dan malam hari. Dataset yang dikumpulkan
berjumlah 2050 data citra rambu lalu lintas yang dikelompokkan
kedalam 10 kelas. Dataset dipotong pada region of interest (ROI),
diubah ukurannya menjadi 28x28 dan dikonversi ke ruang
warna aras keabuan. Model CNN terdiri dari tiga lapisan
konvolusi berukuran 3x3, tiga lapisan penggabungan (Maxpool)
berukuran 2x2 dan satu lapisan fully-connected yang
memanfaatkan fungsi aktivasi Softmax. Jumlah filter yang
digunakan pada setiap lapisan konvolusi adalah 32. Algoritma
pelatihan yang digunakan yaitu Stochastic gradient descent
(SGD). Dengan menggunakan 1750 data citra latih, nilai epoch
20, dan laju pelatihan 0,005, nilai galat dan nilai akurasi yang
didapatkan pada tahap pelatihan adalah masing-masing 0,0026
dan 100%. Sedangkan pada tahap pengujian, dengan 300 data
citra uji, model CNN mampu memperoleh nilai galat 0,017 dan
nilai akurasi mencapai 99,67%.