![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
Dokumen Asli
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
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.