Perpustakaan Digital ITB

Mendeteksi area jalan yang dapat dilalui oleh kendaraan melalui sebuah citra menjadi sebuah topik penelitian yang penting dan banyak dilakukan oleh peneliti. Mendeteksi area jalan merupakan sebuah kebutuhan dasar yang diperlukan dalam penerapan sistem pengendara otomatis atau sistem bantuan mengemudi. Metode deteksi jalan yang dapat ditemukan sekarang bervariasi mulai dari pendekatan heuristik berdasarkan deteksi batas jalan, sistem informasi geografis maupun gabungan kedua metode tersebut. Selain pendekatan heuristik, terdapat juga pendekatan dengan menggunakan pembelajaran mesin. Masalah yang sering dijumpai dalam mendeteksi jalan dapat dibagi menjadi masalah area jalan (pencahayaan, genangan air, jalanan berlubang, bayangan) dan masalah pinggir jalan (marka jalan, rumput, tanah, trotoar). Tugas akhir ini berfokus menggunakan pendekatan pembelajaran mesin dengan melakukan rekayasa fitur serta melakukan eksperimen pembejaran dengan beberapa algoritma pembelajaran mesin untuk menghasilkan dua jenis model, yaitu model dua kelas (kelas jalan dan latar) dan model tiga kelas (kelas jalan, latar, dan pinggir jalan). Fitur yang digunakan adalah fitur warna ratarata, fitur tetangga, fitur posisi dan fitur linear binary pattern. Algoritma yang dicoba terdiri dari algoritma SVM, KNN, dan Random Forest. Model terbaik dipilih dengan membandingkan model dua kelas dan model tiga kelas dengan berbagai konfigurasi fitur dan parameter pembelajaran mesin. Model yang dihasilkan dari proses tersebut digunakan untuk mengembangkan prototipe sistem deteksi jalan. Hasil pengujian menunjukkan bahwa model terbaik adalah model dua kelas dengan algoritma Random Forest dengan F1-Score rata-rata sebesar 0,944 dan untuk klasifikasi video memiliki FPS 20.5. Prototipe sistem deteksi jalan yang dikembangkan memiliki kinerja yang baik dalam melakukan klasifikasi jalan. Kesimpulannya adalah prototipe sistem yang dikembangkan dapat mengklasifikasi area jalan dalam sebuah citra atau video.