Perpustakaan Digital ITB

Perkembangan teknologi self-driving car menawarkan potensi yang besar dalam meningkatkan efisiensi dan keamanan transportasi. Self-driving car mampu mengurangi keterlibatan manusia dalam mengemudi, yang berpotensi menurunkan angka kecelakaan lalu lintas yang sering disebabkan oleh human error. Teknologi ini juga diharapkan dapat mengoptimalkan perjalanan dan mengurangi kemacetan dengan memanfaatkan sistem navigasi yang lebih efisien. Saat ini, industri self- driving car sedang mengalami pertumbuhan pesat di seluruh dunia, termasuk di Indonesia, di mana penerapan teknologi ini dapat menghadapi berbagai tantangan infrastruktur dan regulasi. Penelitian ini bertujuan untuk mengembangkan prototipe self-driving car berbasis Jetson Nano dengan memanfaatkan algoritma Convolutional Neural Network (CNN) untuk prediksi sudut kemudi. Dalam penelitian ini, digunakan arsitektur CNN ResNet18 untuk model prediksi sudut kemudi, yang kemudian dilatih dan diuji dengan dataset gambar lintasan. Sistem ini menggabungkan JetRacer AI Kit dan modul kamera IMX219 untuk pengambilan dan pemrosesan data visual secara real-time. Model dilatih dengan dataset yang mencakup kondisi lintasan sederhana dan diuji pada dua lintasan simulasi, yaitu sederhana dan kompleks. Dengan pendekatan ini, diharapkan sistem dapat mengikuti lintasan dengan memberikan prediksi yang akurat dan responsif terhadap berbagai kondisi jalan serta meningkatkan keselamatan dan kenyamanan dalam berkendara. Hasil penelitian menunjukkan bahwa model CNN ResNet18 telah berhasil melewati proses pelatihan dengan baik. Hal ini dapat dilihat dari grafik training loss dan validation loss yang stabil dan berdekatan nilainya. Dalam pengujian simulasi road following, model menunjukkan kestabilan dengan perubahan sudut kemudi yang halus dan tidak berfluktuasi secara liar. Pada lintasan (a), JetRacer menghasilkan respons yang baik dalam mengikuti lintasan, baik ketika bergerak searah jarum jam maupun berlawanan arah jarum jam. Pada lintasan (b), model tetap dapat mengikuti lintasan dengan menunjukkan kemampuan generalisasi yang baik dalam kondisi lintasan yang berbeda. Secara keseluruhan, model menunjukkan performa yang stabil dan siap untuk diterapkan pada berbagai lintasan dengan sedikit penyesuaian lebih lanjut. ii Penelitian ini menyimpulkan bahwa teknologi self-driving car berbasis Jetson Nano dan CNN dapat diimplementasikan dengan baik menggunakan WiFi. Walaupun belum berhasil mengintegrasikan teknologi 5G karena keterbatasan kesediannya, diperoleh responsivitas yang dapat diterima terhadap sistem road following pada self-driving car. Berdasarkan hasil yang diperoleh, model CNN ResNet18 mampu memprediksi sudut kemudi dengan tepat, meskipun masih terdapat beberapa kendala pada lintasan yang lebih kompleks. Meskipun tidak setara dengan kecepatan dan stabilitas yang diharapkan dari teknologi 5G, koneksi WiFi menunjukkan hasil yang cukup baik dalam mendukung operasi dasar JetRacer dalam mengikuti lintasan. Untuk pengembangan lebih lanjut, disarankan untuk memperluas dataset dengan lintasan yang lebih bervariasi dan kompleks agar meningkatkan kemampuan generalisasi model. Selain itu, integrasi teknologi 5G untuk meningkatkan responsivitas dan keandalan sistem perlu diperhatikan, serta penambahan sensor seperti LiDAR atau kamera stereo dapat digunakan dalam meningkatkan deteksi objek dan informasi lingkungan. Implementasi dan hasil penelitian ini diharapkan dapat memberikan kontribusi yang signifikan dalam pengembangan teknologi self- driving car serta menjadi dasar bagi penelitian-penelitian selanjutnya di bidang yang sama. Diharapkan hasil penelitian ini dapat diaplikasikan dan dikembangkan lebih lanjut untuk mendukung kemajuan teknologi di masa depan, khususnya dalam bidang kendaraan self-driving car di Indonesia. Dengan demikian, diharapkan teknologi ini dapat membantu mengatasi berbagai permasalahan transportasi yang ada, meningkatkan efisiensi, keamanan, dan kenyamanan pengguna di masa mendatang. Keseluruhan penelitian ini menunjukkan potensi besar dari penggunaan teknologi deep learning dalam mengembangkan sistem self-driving car yang canggih dan andal.