Bahu jalan tol merupakan bagian kiri jalan tol yang berguna bagi kendaraan yang mengalami keadaan darurat. Namun masih banyak kendaran yang menggunakan bahu jalan tol dengan tidak bijak seperti menggunakannya untuk mengdahului kendaraan lain atau berhenti atau beristirahat dalam waktu yang lama. Hal ini dapat menyebabkan kecelakaan dan juga keributan.
Berdasarkan dari masalah tersebut, diaplikasikan algoritma Cascade R-CNN yang dapat digunakan sebagai algoritma untuk mendeteksi pelanggaran pada bahu jalan tol. Cascade R-CNN memiliki deteksi multistage yang dapat mengurangi overfitting karena kurangnya dataset. Cascade R-CNN memiliki deteksi multistage yang terdiri dari tiga stage. Hasil train deteksi di stage pertama akan di train lagi di stage kedua, begitu pun seterusnya sampai di hasil stage ketiga. Deteksi multistage ini membuat Cascade R-CNN disebut sebagai algoritma berkualitas tinggi dalam mendeteksi objek.
Pengujian Algoritma Cascade R-CNN dilakukan menggunakan tiga hyperparameter yaitu epoch, batch size, dan learning rate. Pengujian hyperparameter ini bertujuan untuk mendapatkan model terbaik untuk melakukan prediksi. Model terbaik didapatkan pada hyperparameter di epoch 12, batch size 16, learning rate 0.02 dengan Average Precision=97,1%, Average Recall=79,1%, mAP@.5=97,1% , dan mAP@.5:.95=74,8%.
Kata kunci: Bahu Jalan Tol, Cascade R-CNN, Deteksi Objek