Detail Cantuman

Kemajuan teknologi di bidang artificial intelligence berkembang sangat
pesat, menghasilkan produk-produk teknologi yang memudahkan manusia untuk
mengurangi peran manusia di berbagai bidang, termasuk teknologi mobil listrik
otonom yang berkembang berkat kemajuan dalam bidang deteksi objek pada citra
thermal, mobil listrik otonom yang menggunakan pemrosesan gambar thermal
dapat beroperasi secara optimal meskipun dalam kondisi malam hari atau cuaca
buruk seperti kabut. Teknik segmentasi semantik memberikan kemudahan mobil
listrik otonom dalam memproses citra thermal dengan keunggulan memberikan
label pada setiap pixel pada objek gambar thermal. Gambar yang di dapat akan
digunakan sebagai basic dari pengenalan objek dengan menggunakan deep
learning, deep learning digunakan untuk melakukan proses segmentasi semantik
yang memerlukan komputasi tinggi. Pada penelitian ini dilakukan proses
segmentasi citra menggunakan model FCN-32 MobileNet dan VGG PSPNet untuk
mengklasifikasikan citra. Dataset yang digunakan terdiri dari 3001 gambar yang
dibagi menjadi sepuluh kelas: Background, Sky, Building, Tree, Road, Pavement,
Car, Motorcycle, Pedestrian dan Pole. Hasil penelitian menunjukkan bahwa model
FCN-32 MobileNet mempunyai kinerja yang lebih baik dibandingkan dengan
model VGG PSPNet. Penelitian dengan model FCN-32 MobileNet memperoleh
akurasi pada trainer sebesar 0,9672% dengan loss sebesar 0,0893%. Sedangkan
model VGG PSPNet mencapai akurasi pelatihan sebesar 0,9369% dengan loss
sebesar 0,1645%. Selanjutnya, Accuracy FCN-32 MobileNet pada pengujian
sebesar 96.64%, Precision 86.20%, Recall 86.62% dan nilai F1-Score 86.40%,
serta Accuracy VGG PSPNet dalam pengujian sebesar 91.18%, Precision 69.31%,
Recall 69.78% dan nilai F1-Score 69,54%. Hasil tersebut menunjukkan bahwa
model FCN-32 MobileNet lebih baik dibandingkan VGG PSPNet dalam
memprediksi kelas objek pada gambar termal.