Detail Cantuman

Perkembangan teknologi kendaraan listrik otonom kini menjadi salah satu
fokus utama dalam upaya global untuk mencapai transportasi yang lebih efisien
dan berkelanjutan. Yang bertujuan mengatasi tantangan terkait emisi karbon,
efisiensi energi, serta meningkatkan keselamatan dan kenyamanan transportasi.
Sektor transportasi berkontribusi paling besar terhadap emisi CO2 di dunia yang
disebabkan oleh kendaraan berbahan bakar fosil. Dengan meningkatnya kesadaran
iklim dan perlunya pengurangan jejak karbon maka kendaraan listrik otonom
muncul sebagai solusi potensial. Untuk mendukung terciptanya kendaraan listrik
otonom maka diperlukannya teknologi kecerdasan buatan (AI) dan sensor yang
telah memungkinkan perkembangan kendaraan listrik otonom dapat beroperasi
tanpa campur tangan manusia. Dalam penelitian ini menggunakan sensor kamera
thermal yang berfungsi sebagai visualisasi yang menghasilkan gambar kemudian
di olah dengan metode segmentasi semantik, menggunakan model deep learning
FCN-8 VGG dan PSPNet. Dataset yang digunakan berjumlah 3001 gambar yang
dibagi menjadi sepuluh kelas yaitu Background, Sky, Building, Tree, Road,
Pavement, Car, Motorcycle, Pedestrian, dan Pole. Hasil yang didapatkan pada
penelitian ini adalah kedua model yang dipakai dapat dinyatakan berhasil untuk
melakukan klasifikasi terhadap objek dengan menggunakan 10 class. Hal ini
dibuktikan dengan tingkat perbandingan Dari kedua model tersebut diperoleh nilai
rata-rata pada kedua, model arsitektur FCN-8 VGG nilai accuracynya 96,06% ,
Precision 85,49%, Recall 82,66% dan F1-Score 82,73%. Sementara untuk model
arsitektur PSPNet nilai accuracynya 93,34%, Precision 80,58 %, Recall 74,09%,
dan F1-Score 76,63%. Nilai rata-rata pada model arsitektur FCN-8 VGG lebih
tinggi dan lebih baik dibandingkan dengan model arsitektur PSPNet.