Simulasi Penggunaan Deep Learning Pada Autonomous Vehicle Dengan Nvidia Jetbot Untuk Menjaga Jalur Kendaraan Dan Berhenti Jika Terdeteksi Rintangan

Pramono, Naufal Nabil (2022) Simulasi Penggunaan Deep Learning Pada Autonomous Vehicle Dengan Nvidia Jetbot Untuk Menjaga Jalur Kendaraan Dan Berhenti Jika Terdeteksi Rintangan. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 02111740000056-Undergraduate_Thesis.pdf Download (3MB)

Abstract

Kecelakaan lalu lintas jalan raya yang menempati urutan ke-9 dengan rasio sebesar 2,2% dan akan diprediksikan meningkat hingga 3,6% pada tahun 2030. Kecelakaan Lalu Lintas tersebut menempati rasio sebesar 61% yang diakibatkan oleh faktor manusia, 30% diakibatkan oleh prasarana dan lingkungan, dan faktor kendaraan sebesar 9%. Adapun tujuan dilakukannya penelitian ini, yaitu simulasi Autonomous Vehicle yang dapat mengenali, memprediksi, serta dapat memutuskan suatu keputusan seperti adanya kendaraan lain yang tiba-tiba kehilangan kendali dan berada dekat dengan kendaraan yang sedang dikemudikan. Alat yang digunakan adalah NVIDIA JetBot dengan kecerdasan buatan berarsitektur CNN. NVIDIA JetBot ini akan dihadapkan dengan beberapa kondisi variabel, yaitu pengidentifikasi pola garis lintasan yang mengelilingi area, pengindentifikasian rintangan berupa objek, pengaturan kecepatan dan Kondisi Cahaya. Tahapan pada penelitian ini terdiri dari menginput data dan mengatur kecepatan dari JetBot kemudian Collecting Data dengan sebanyak 50, 75, 100, dan 125 data dengan menggunakan Convolutional Neural Network dengan Arsitektur ResNet18 dan juga kecepatannya dimulai dari 0.16 dengan pertambahan 0.04 sampai 0.24. Setelah data dikumpulkan, maka Training Data akan dilakukan pada kondisi area yang telah dibentuk, serta kondisi cahaya kecil dan besar. Kemudian akan disimulasikan dengan kecepatan yang telah diberikan dan juga jumlah data yang telah dilatih. Setelah itu semua simulasi akan dicoba pada kondisi pencahayaan gelap dan terang. Pengolahan data didapat setelah semua simulasi selesai dilaksanakan dan kemudian analisis hasil akhir dilakukan untuk menentukan “Algoritma” terbaik dengan batasan yang ada yang dapat dilakukan oleh JetBot. Hasil performa Nvidia Jetbot dalam melakukan fungsi Collision Avoidance dan Road Following pada pengujian di kondisi pencahayaan terang dengan dataset pada kondisi terang dengan dengan kecepatan berturut-turut sebesar 0.16, 0.20, dan 0.24, untuk 100 data gambar yaitu 76%, 56%, 12%. Untuk 150 data gambar yaitu 80%, 64%, 16%. Untuk 200 data gambar yaitu 84%, 72%, 20%. Untuk 250 Data gambar yaitu 92%, 84%, 24%. Pada pengujian di kondisi pencahayaan gelap dengan dataset pada kondisi terang dengan kecepatan yang sama pengujian sebelumnya, untuk 100 data gambar didapatkan keberhasilan 52%, 36%, 12%. Untuk 150 data gambar didapatkan keberhasilan 60%, 44%, 12%. Untuk 200 data gambar adalah 68%, 56%, 16%. Untuk 250 data gambar didapatkan 72%, 60%, 20%. Dan pada pengujian di kondisi pencahayaan gelap dengan dataset pada kondisi gelap dengan kecepatan yang sama dengan dua pengujian sebelumnya. Untuk 100 gambar dapat keberhasilan sebesar 20%, 16%, 8%. Untuk 150 gambar didapat keberhasilan sebesar 40%, 28%, 12%. Untuk 200 gambar didapatkan sebesar 48%, 32%, 12%. Dan untuk 250 gambar tingkat keberhasilannya adalah 64%, 40%, 16%
=================================================================================================================================
Road traffic accidents are ranked 9th with a ratio of 2.2% and will be predicted to increase to 3.6% in 2030. These traffic accidents occupy a ratio of 61% caused by human factors, 30% caused by infrastructure and environment, and the vehicle factor by 9%. The purpose of this research is to simulate an Autonomous Vehicle that can recognize, predict, and can make a decision, such as another vehicle suddenly losing control and being close to the vehicle being driven. The tool used is NVIDIA JetBot with CNN architecture artificial intelligence. NVIDIA JetBot will be faced with several variable conditions, namely identifying the pattern of the trajectory that surrounds the area, identifying obstacles in the form of objects, speed settings and lighting conditions. The stages in this research consist of inputting data and adjusting the speed of the JetBot then Collecting Data with as much as 50, 75, 100, and 125 data using Convolutional Neural Network with ResNet Architecture and also the speed starts from 0.16 with 0.04 increments until 0.24. After the data is collected, the Data Training will be carried out on the condition of the area that has been formed, as well as small and large light conditions. Then it will be simulated with the given speed and the amount of data that has been trained. After that, all simulations will be tried in dark and bright lighting conditions. Data processing is obtained after all simulations are completed and then the final result analysis is carried out to determine the best "Algorithm" with existing limitations that can be done by JetBot. Nvidia Jetbot performance results in performing Collision Avoidance and Road Following functions on tests in bright lighting conditions with datasets in bright conditions with speeds of 0.16, 0.20, and 0.24, for 100 image data with success rate of 76%, 56%, 12% . For 150 image data with success rate of 80%, 64%, 16%. For 200 image data with success rate of 84%, 72%, 20%. For 250 image data with success rate of 92%, 84%, 24%. In the test in dark lighting conditions with a dataset in bright conditions with the same speed as the previous test, for 100 image data the success was 52%, 36%, 12%. For 150 image data, the success was 60%, 44%, 12%. For 200 image data the success was 68%, 56%, 16%. For 250 image data success rate is 72%, 60%, 20%. And in testing in dark lighting conditions with a dataset in dark conditions at the same speed as the two previous tests. For 100 images data success rate is 20%, 16%, 8%. For 150 images data success rate is 40%, 28%, 12%. For 200 images data the success rate is 48%, 32%, 12%. And for 250 images the success rate is 64%, 40%, 16%.

Item Type:	Thesis (Other)
Additional Information:	RSM 629.895 Pra s-1 2022
Uncontrolled Keywords:	Autonomous Vehicle, Deep Learning, Convolutional Neural Network
Subjects:	T Technology > TL Motor vehicles. Aeronautics. Astronautics > TL152.8 Vehicles, Remotely piloted. Autonomous vehicles.
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Mechanical Engineering > 21201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	13 Feb 2025 06:38
Last Modified:	13 Feb 2025 06:38
URI:	http://repository.its.ac.id/id/eprint/118721

Actions (login required)

View Item