Cover
PUBLIC karya Abstrak dan Abstract
PUBLIC karya Lembar Pengesahan
PUBLIC karya Tesis
PUBLIC karya
Mobil otonom pada dasarnya sangat bergantung pada keadaan lingkungannya,
sehingga dibutuhkan sistem persepsi yang baik yang dapat mendeteksi dan melacak
keberadaan objek – objek yang ada di sekitar kendaraan tersebut. Namun pada
kenyataannya, setiap negara memiliki kondisi lalu lintas yang berbeda – beda.
Sebagai contoh, negara berkembang seperti Indonesia memiliki lalu lintas yang
relatif lebih padat dan lebih beragam jenis kendaraan. Sehingga dibutuhkan
penyesuaian pada pendeteksian dan pelacakan objek yang sesuai dengan kondisi
lalu lintas di Indonesia.
Pada karya tulis ini, sistem persepsi pada mobil otonom dilakukan dengan
menggabungkan dua buah proses, yaitu pendeteksian objek dan pelacakan objek.
Selain itu, dalam penanggulangan perbedaan kondisi lalu lintas yang ada di
Indonesia, pada karya tulis ini, diperkenalkan dataset baru yang diambil di jalan
sekitar kota Bandung. Pendeteksian objek difungsikan untuk mendeteksi
keberadaan kendaraan atau pejalan kaki pada frame video, sekaligus
mengelasifikasi objek tersebut. Pendeteksian objek dapat didekati dengan berbagai
macam cara, salah satunya adalah deep learning. YOLOv3 merupakan
pendeteksian objek berbasis dari deep learning yang memiliki kinerja cukup baik
dari sisi presisi dan kecepatan. Pada karya tulis ini, YOLOv3 original dibandingkan
dengan YOLO-SPP yang merupakan YOLOv3 dengan penambahan layer SPP.
Selanjutnya agar model tersebut dapat mendeteksi objek yang sesuai dengan
kondisi lalu lintas di Indonesia, model tersebut harus di-training ulang. Transfer
learning adalah salah satu cara untuk mendapatkan hasil training yang optimal.
Setelah dilakukan proses pelatihan dan pengujian dengan dataset di Indonesia,
diperoleh YOLO-SPP yang dilatih dengan transfer learning dapat mencapai nilai
presisi yaitu 95.49% mAP dibandingkan dengan training model YOLO-SPP dari
awal yang mendapatkan presisi sebesar 92.39% mAP. Selain itu, YOLO-SPP juga
memiliki nilai presisi yang lebih baik dibandingkan dengan YOLOv3 dengan
transfer learning hanya memperoleh 93.18% mAP. Dalam hal pelacakan objek,
algoritma SORT digunakan dalam sistem persepsi mobil otonom. Hasil pengujian
dari pelacakan dengan algoritma SORT sangat bergantung pada model
pendeteksian objek yang dipakai. Dengan model YOLO-SPP dan SORT, diperoleh
rata – rata MOTA pada 87.73% dan rata – rata MOTP pada 95.03%.