Detail Cantuman

Perkembangan teknologi memiliki kemajuan sangat pesat pada bidang
Artificial Intelligence sehingga menghasilkan suatu produk teknologi yang semakin memanjakan manusia, yang bertujuan untuk meminimalisir peran manusia dalam segala bidang, salah satunya pengembangan di bidang mobil listrik otonom. Dalam mobil listrik otonom agar bisa bergerak secara otonom dibutuhkan teknologi yang
bersifat pendukung kesuksesan untuk mendeteksi objek, salah satunya dengan cara pendeteksi objek menggunakan segmentasi semantik. Sistem ini dibangun menggunakan metode pendeteksi objek secara segmentasi semantic dan Image Processing sebagai proses sinyal input yang berupa gambar, dan kamera thermal
FLIR sebagai mata input dari kendaraan. Metoda pembelajaran mendalam menggunakan Fully Convolutional Network (FCN) dengan model arsitektur U-Net Mini dan Vgg U-Net sebagai ekstraksi fiturnya. U-Net Mini yang merupakan potongan model arsitektur dari U-Net yang kinerja dari model arsitektur ini tidak menurun walaupun arsitekturnya semakin dalam, Vgg U-Net merupakan gabungan
dari arsitektur Vgg16 dan U-Net. Metode yang saat ini digunakan dalam tugas akhir adalah segmentasi semantik dengan teknologi deep learning, menggunakan arsitektur U-Net Mini dan Vgg U-Net. Medel U-Net Mini dan Vgg U-Net ini dilatih dengan menggunakan 2700 frame gambar, mendapatkan nilai akurasi mencapai 0,8741% dengan loss 0,3937% untuk model U-Net Mini dan nilai akurasi 0,972%
dengan loss 0,06491% untuk model Vgg U-Net. Kinerja sistem segmentasi semantik selanjutnya diuji dengan 301 frame gambar secara offline dengan nilai Accuracy model U-Net Mini sebesar 82,63%, Precision 55,02%, Recall 48,53%, F1-Score 48,92% serta mAP 0,3351. Dan nilai Accuracy pada model Vgg U-Net sebesar 95,91%, Precision 83,50% Recall 84,41%, F1-Score 82,32% serta mAP
0,6837.