Afdhal Primary Author mixed material bibliography Banda Aceh Program Doktor Ilmu Teknik (S3) 2024

Dissertation

Self-driving car adalah kendaraan yang mampu mentransformasikan fungsi manusia sebagai pengemudi secara otonom, sehingga dapat beroperasi secara mandiri dan aman tanpa intervensi manusia. Kendaraan ini harus mampu beradaptasi dengan berbagai kondisi infrastruktur dan karakteristik lalu lintas, termasuk lingkungan yang kompleks dan dinamis, tidak beraturan, serta heterogenitas pengguna jalan. Mixed-traffic adalah lingkungan lalu lintas kompleks dengan beragam jenis kendaraan dan infrastruktur terbatas. Lingkungan ini memiliki dua ruas jalan dengan arah lalu lintas berlawanan tanpa median jalan. Tantangan utama bagi kendaraan otonom dalam beroperasi di lingkungan ini adalah memiliki sistem persepsi yang mampu memahami situasi dan kondisi lalu lintas termasuk kondisi pencahayaan yang tinggi maupun tingkat visibilitas yang rendah secara akurat dan real-time, sehingga memungkinkan perencanaan gerak kendaraan beradaptasi dengan baik. Namun, sistem persepsi yang ada belum mampu berinteraksi dan beradaptasi karena keterbatasan informasi dalam mengenali dan memahami berbagai objek di lingkungan ini. Keterbatasan ini menyebabkan kemampuan sistem persepsi dalam mendeteksi dan mengklasifikasikan objek menjadi rendah dan tidak akurat. Tujuan penelitian ini adalah meningkatkan kemampuan sistem persepsi kendaraan otonom pada lingkungan mixed-traffic secara visual dalam mengenali dan memahami berbagai objek, sehingga mampu mendeteksi dan mengklasifikasikan objek secara akurat dan real-time. Metode yang akan diterapkan pada penelitian ini adalah pembelajaran mesin dengan model Convolutional Neural Networks (CNN). Kontribusi utama penelitian ini adalah menghasilkan sebuah model persepsi yang mampu memahami lingkungan mixed-traffic secara lebih komprehensif untuk pengembangannya di masa depan. Kebaruan dan keaslian penelitian ini meliputi: (1) tersedianya dataset baru, (2) model baru yang mampu mendeteksi dan mengklasifikasikan objek secara akurat dan real-time, serta (3) model ringan (lightweight) yang sesuai untuk digunakan pada kendaraan otonom di lingkungan mixed-traffic. Hasil eksperimen menunjukkan bahwa model baru yang dikembangkan dalam penelitian ini mengungguli kemampuan berbagai model yang telah ada sebelumnya. Kemampuan deteksi dan klasifikasinya meningkat secara keseluruhan, terbukti dengan peningkatan nilai mAP@0.5 hingga 6,1%, serta presisi yang mencapai 93,7% dan recall sebesar 93,4%. Model ini secara signifikan meningkatkan akurasi deteksi sambil mempertahankan kompleksitas komputasi yang rendah 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 143913 2024-12-25 02:04:13 2024-12-27 09:08:25 machine generated