![](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
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.