Detail Cantuman

Pengembangan teknologi dalam bidang kendaraan listrik terus tumbuh
seiring meningkatnya kemajuan Industri, seperti mengembangkan kendaraan listrik
bersifat otonom atau tanpa pengemudi. Berbagai teknologi mutakhir dibutuhkan
untuk mewujudkan hal tersebut, diantaranya adalah sistem pendeteksi objek yang
akan memberikan detail lokasi objek pada sekitar kendaraan. Untuk itu, penelitian
skripsi ini akan berfokus pada pengembangan sistem deteksi objek berbasis kamera
yang menggunakan model deep learning. Model deep learning yang digunakan
untuk pendeteksian objek dalam skripsi ini adalah model arsitektur Faster R-CNN
ResNet 50 V1 yang dilatih untuk dapat mendeteksi 15 klasifikasi objek. Adapun
objek tersebut diperoleh dari gambar yang dihasilkan oleh kamera Ricoh Theta S
dalam format terdistorsi. Model terlatih selanjutnya diuji secara offline pada PC dan
secara online pada mini komputer Jetson AGX Orin. Berdasarkan temuan penelitian
ini, dapat disimpulkan bahwa performa arsitektur Faster R-CNN ResNet 50 V1
untuk pendeteksian objek akan meningkat seiring dengan bertambahnya jumlah
dataset gambar dari 2.000 menjadi 22.000 dataset. Hal ini didukung oleh nilai ratarata f1-Score yang meningkat dari 35.7% pada saat model dilatih menggunakan
dataset berjumlah 2.000, hingga mencapai 50% pada saat model dilatih
menggunakan dataset berjumlah 22.000. Tingkat kemampuan prediksi tiap-tiap
kelas objek yang dilatih pada model sangat ditentukan oleh banyaknya objek
tersebut.