Detail Cantuman

Perkembangan kendaraan di Indonesia mengalami tingkat penggunaan
kendaraan yang signifikan. Guna mengurangi dampak negatif lingkungan dari kendaraan berbahan bakar minyak penting untuk mencari solusi dan inovasi yang berkelanjutan dalam transportasi. Kendaraan listrik sebagai transportasi masa depan yang menjadi salah satu pilihan sebagai solusi dan inovasi. Kendaraan Listrik Otonom (KLO) merupakan kendaraan dengan tenaga listrik yang beroperasi dengan bantuan sensor-sensor agar bergerak secara otonom. Kendaraan listrik otonom menggunakan berbagai macam sensor untuk mengetahui dan mengenali objek di lingkungannya seperti LiDAR (Light Intensity Detection and Ranging), Radar, dan
kamera. Kamera thermal menggunakan sensor yang dapat menangkap radiasi infrared yang dipancarkan oleh manusia atau benda disekitar. Panjang gelombang infrared yang dipancarkan sebesar 8-14 ?m bisa ditangkap oleh kamera thermal. Pada penelitian ini, menggunakan kamera thermal FLIR ADK dan menerapkan metode deep learning dengan menggunakan arsitektur model VGG-SegNet dan FCN-32 VGG untuk segmentasi semantik pada gambar thermal. Kedua model tersebut dilatih dengan 2.700 gambar dan 120 epoch. Proses pengujian kedua model
dilakukan secara offline dengan menggunakan 301 gambar. Hasilnya menunjukkan bahwa model FCN-32 VGG memiliki performa yang lebih baik dibandingkan model VGG-SegNet. Model FCN-32 VGG memperoleh nilai accuracy sebesar 95,04%, precision sebesar 79,53%, recall sebesar 78,71%, dan f-1 score sebesar 78,50%. Sedangkan model VGG-SegNet memperoleh nilai accuracy sebesar 93,39%, precision sebesar 74,04%, recall sebesar 75,93%, dan f-1 score sebesar 72,98%.