Perpustakaan Digital ITB

Navigasi drone berbasis visi memerlukan kemampuan mendeteksi jalur secara akurat dan cepat agar dapat menghasilkan keputusan navigasi yang andal. Salah satu pendekatan yang banyak digunakan adalah segmentasi semantik, namun sebagian besar penelitian hanya mengevaluasi performa berdasarkan metrik segmentasi tanpa mengkaji pengaruhnya terhadap proses navigasi. Penelitian ini bertujuan menganalisis pengaruh arsitektur model, encoder, dan objective optimasi terhadap kualitas segmentasi serta dampaknya terhadap pembentukan skeleton sebagai dasar navigasi drone. Penelitian menggunakan arsitektur U-Net dengan tiga encoder berbeda, yaitu ResNeSt50d, ResNet50, dan MobileNetV3 Large. Dataset terdiri atas 200 citra GTAV, 200 citra UAVid, dan 600 citra hasil anotasi sendiri yang diproses melalui resize dan slicing sehingga menghasilkan 2.752 citra pelatihan. Proses hyperparameter tuning dilakukan menggunakan Optuna sebanyak 30 trial dengan objective optimasi IoU, Recall, dan Precision untuk memperoleh konfigurasi terbaik setiap model. Hasil penelitian menunjukkan bahwa arsitektur U-Net dengan encoder yang ditingkatkan memiliki hasil lebih baik Penelitian ini menunjukkan bahwa pemilihan model segmentasi untuk navigasi drone tidak cukup didasarkan pada metrik segmentasi semata, tetapi juga perlu mempertimbangkan efisiensi komputasi dan kualitas skeleton yang dihasilkan. Temuan ini memberikan dasar yang lebih komprehensif dalam menentukan model segmentasi yang sesuai untuk sistem navigasi drone berbasis visi secara real-time.