Perpustakaan Digital ITB

Pengemudian kendaraan merupakan salah satu proses keseharian yang manusia lakukan untuk keperluan transportasi. Selain manusia, sistem otonom sudah diperbolehkan untuk mengemudikan kendaraan di jalan raya. Namun, penyebab utama kecelakaan yang terjadi pada kendaraan otonom adalah manuver yang dilakukan pengemudi manusia. Faktor utama yang mempengaruhi pilihan manuver manusia ketika mengemudikan kendaraan adalah perilaku manusia tersebut. Sebesar 93% kecelakaan yang terjadi di Indonesia disebabkan oleh faktor manusia. Maka dari itu, kemampuan untuk mengenali perilaku pengemudi kendaraan lain merupakan salah satu bagian penting dalam proses pengemudian. Penelitian ini bertujuan untuk membantu pengemudi kendaraan, baik manusia maupun sistem otonom, agar dapat mengenali perilaku pengemudi yang berada di sekitarnya dengan menggunakan sistem prediksi perilaku. Hal tersebut akan membantu pengemudi dalam mengantisipasi gerakan dari kendaraan lain. Data pengamatan pengemudian kendaraan di jalan raya digunakan sebagai acuan utama dalam pembentukan sistem prediksi. Penelitian ini mengajukan sistem prediksi perilaku pengemudian dengan menggunakan Fuzzy Logic Hidden Markov Model (FL-HMM). FL-HMM merupakan kombinasi dari konsep logika fuzzy dengan HMM. HMM merupakan konsep yang mendefinisikan perubahan keadaan tak terlihat (tidak dapat diukur) berdasarkan keadaan terlihat (dapat diukur). HMM untuk perilaku pengemudian dimodelkan dengan menggunakan kecepatan kendaraan yang diobservasi sebagai keadaan terlihat dan pemilihan lajur jalan sebagai keadaan tak terlihat. Logika fuzzy digunakan untuk meniru proses manusia dalam mengestimasi kecepatan dari suatu objek. Keadaan terlihat atau estimasi kecepatan dari kendaraan yang diobservasi ditentukan dengan membandingkan kecepatan kendaraan tersebut dengan kecepatan dari kendaraan yang mengobservasi. Keluaran dari logika fuzzy digunakan oleh HMM sebagai masukan untuk menentukan prediksi keadaan tak terlihat. Model dari FL-HMM dilengkapi dengan algoritma Baum-Welch untuk memperbarui HMM berdasarkan hasil observasi. Selain itu, algoritma Viterbi juga digunakan untuk memberikan prediksi perilaku pengemudian. Prediksi ditentukan berdasarkan proses pendeteksian dan pelacakan kendaraan menggunakan kombinasi algoritma YOLOv5 dan StrongSORT. Data observasi kendaraan didapatkan melalui kamera aksi GoPro HERO7. Sistem prediksi dimodelkan menggunakan dua metode, yakni metode analitik dan metode optimasi dengan menggunakan algoritma Flower Pollination Algorithm (FPA). Terdapat dua sistem prediksi yang dibentuk untuk setiap metode yaitu sistem prediksi orisinal (SPO) dan sistem prediksi modifikasi (SPM). Sistem prediksi dibedakan menggunakan asumsi klasifikasi perilaku berdasarkan kecepatan kendaraan yang diobservasi. SPO menggunakan dua HMM untuk memprediksi perilaku pengemudi pada kecepatan rendah dan normal, sementara SPM menggunakan tiga HMM untuk prediksi perilaku pada kecepatan rendah, normal, dan tinggi. Setiap sistem prediksi yaitu SPO, SPM, SPO-FPA, dan SPM-FPA diuji untuk mengetahui kinerja masing-masing model. Berdasarkan hasil eksperimen, sistem prediksi cukup sukses dalam melakukan prediksi perilaku pengemudi pada kecepatan rendah, normal, dan tinggi. Capaian terbaik untuk prediksi pada kecepatan rendah adalah 95,83% oleh SPO-FPA, pada kecepatan normal adalah 59,80% oleh SPM-FPA, dan pada kecepatan tinggi adalah 81,40% oleh SPM. Kemudian, hasil terbaik secara keseluruhan didapatkan oleh SPM dengan skor persentase prediksi rata-rata sebesar 65,16%. Hasil tersebut menunjukkan prediksi yang diberikan bersifat antisipatif sehingga bisa digunakan pengemudi dalam mengantisipasi bahaya yang disebabkan oleh pengemudi lain.