Perpustakaan Digital ITB

Penelitian ini bertujuan untuk mengembangkan dan mengimplementasikan sistem deteksi rambu lalu lintas pada prototipe self-driving car JetRacer menggunakan Jetson Nano, dengan dukungan jaringan 5G. Sistem yang diusulkan ini memanfaatkan teknologi AI dengan menggunakan algoritma deep learning yaitu Single Shot Multibox Detector (SSD) MobileNet-v2 dan Convolutional Neural Network (CNN) ResNet-18 untuk mendeteksi dan mengenali rambu lalu lintas dalam waktu nyata. Meskipun tujuan awal penelitian mencakup integrasi jaringan 5G untuk meningkatkan kecepatan dan responsivitas sistem, implementasi jaringan 5G tidak berhasil diwujudkan dalam eksperimen ini. Pada tahap perancangan, subsistem hardware terdiri dari JetRacer AI Kit yang mencakup Jetson Nano, kamera, motor, servo, dan sasis mobil RC. Jetson Nano dipilih karena kemampuannya dalam menjalankan algoritma AI secara efisien. Subsistem software mencakup pemrograman dan pengaturan perangkat lunak untuk deteksi rambu lalu lintas. SSD MobileNet-v2 dan CNN ResNet-18 diimplementasikan untuk melakukan proses deteksi dan klasifikasi rambu lalu lintas dari data visual yang ditangkap oleh kamera yang terpasang pada mobil JetRacer. Implementasi dimulai dengan perakitan hardware JetRacer sesuai dengan manual yang disediakan. Jetson Nano dipasang pada sasis mobil RC dan dilengkapi dengan kamera yang terhubung untuk menangkap gambar jalan dan rambu lalu lintas. Setelah perakitan selesai, perangkat lunak diinstal dan dikonfigurasi pada Jetson Nano, termasuk instalasi dan pelatihan model deteksi objek. SSD MobileNet-v2 digunakan untuk deteksi cepat dengan akurasi yang memadai, sedangkan CNN ResNet-18 digunakan untuk klasifikasi rambu lalu lintas dengan tingkat akurasi yang lebih tinggi dan dapat diintegrasikan dengan JetRacer. Dari hasil pengujian, algoritma SSD MobileNet-v2 menunjukkan kemampuan deteksi rambu lalu lintas yang efektif dengan akurasi 59,6% untuk rambu stop, 57,7% untuk rambu turn_left, dan 60,2% untuk rambu turn_right, meskipun belum mencapai ambang batas akurasi 70%. Hasil ini membuktikan bahwa JetRacer dapat mengenali rambu lalu lintas penting dalam kondisi tertentu dan membuka peluang untuk peningkatan lebih lanjut melalui pengumpulan data yang lebih luas atau ii penyesuaian algoritma. Selain itu, pengujian CNN ResNet-18 menunjukkan bahwa JetRacer berhasil mengadopsi perilaku baru yaitu berhenti saat menemui rambu stop di lintasan 1 dengan training score sebesar 237/364 dan average loss sebesar 0,062. Begitu juga pada lintasan 2, JetRacer berhasil mengadopsi perilaku baru dengan 2 skenario yang lebih kompleks dari sebelumnya. JetRacer berhasil mendeteksi rambu belok ke kiri atau ke kanan ketika bertemu rambu turn_left atau turn_right dan berhenti saat bertemu rambu stop, diperoleh training score sebesar 458/516 dan average loss sebesar 0,0362. Analisis hasil pengujian menunjukkan bahwa Jetson Nano mampu menjalankan kedua algoritma dengan efisien, meskipun tanpa dukungan jaringan 5G. Latensi yang dihasilkan masih dalam batas yang dapat diterima untuk aplikasi self-driving dalam skala prototipe. Kendala utama yang ditemukan adalah ketidakmampuan untuk mengintegrasikan jaringan 5G, yang disebabkan oleh keterbatasan infrastruktur dan perangkat yang tersedia selama penelitian ini. Penelitian ini menyimpulkan bahwa sistem deteksi rambu lalu lintas menggunakan Jetson Nano dengan algoritma SSD MobileNet-v2 dan CNN ResNet-18 dapat berfungsi dengan baik dalam lingkungan simulasi. Namun, untuk aplikasi yang lebih luas dan lebih realistis, terutama yang melibatkan komunikasi real-time antara kendaraan dan server pusat, dukungan jaringan 5G akan sangat diperlukan. Ketidakberhasilan integrasi jaringan 5G dalam penelitian ini menunjukkan perlunya penelitian lebih lanjut untuk mengatasi tantangan teknis dan infrastruktur yang ada. Secara keseluruhan, penelitian ini memberikan kontribusi yang signifikan dalam pengembangan teknologi kendaraan otonom, khususnya dalam hal deteksi rambu lalu lintas. Hasil yang diperoleh dapat menjadi dasar bagi pengembangan sistem yang lebih canggih dan implementasi yang lebih luas, terutama dengan dukungan penuh dari teknologi jaringan 5G di masa depan.