Detail Cantuman

Pengembangan teknologi di bidang kendaraan listrik semakin maju, untuk
memenuhi kebutuhan masyarakat dan mendukung bahan bakar yang ramah lingkungan. Didorongan dengan peraturan pemerintah untuk memenuhi kebutuhan transportasi yang lebih hemat energi. Sistem otonom menggunakan sensor kamera untuk deteksi lingkungan dan kecerdasan buatan untuk membuat keputusan. Penelitian ini menggunakan metode Convolutional Neural Network (CNN) dengan
model arsitektur SegNet dan MobileNet-SegNet serta pemrosesan gambar dengan teknik segmentasi semantik pada gambar termal. Kedua model dilatih dengan 2.700 gambar termal dan 120 epoch dengan 10 label kelas yang ditentukan yaitu Car, Tree, Sky, Pedestrian, Building, Pole, Motorcycle, Pavement, Road, and Background. Pengujian kedua model dilakukan secara offline pada 301 gambar termal. Hasil perhitungan menunjukkan bahwa kinerja model MobileNet-SegNet lebih unggul dibandingkan dengan model SegNet. Data pelatihan model SegNet
mencapai akurasi 96% dengan loss 0,09 sedangkan model MobileNet-SegNet mencapai akurasi 98% dengan loss 0,04. Pengujian menghasilkan data rata-rata pada 10 kelas objek. Model SegNet dengan rata-rata Akurasi 84,74%, Presisi 56,64%, Recall 56,64%, dan F1-Score 53,85%. Sedangkan model MobileNetSegNet dengan rata-rata Akurasi 93,90%, Presisi 78,36%, Recall 79,03%, danF1-Score 76,78%.