Sistem Deteksi Obyek Di Jalan Pada Kendaraan Otonom Secara Real-Time Menggunakan Kamera

Tanoto, Kenny (2022) Sistem Deteksi Obyek Di Jalan Pada Kendaraan Otonom Secara Real-Time Menggunakan Kamera. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07111840000111-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (5MB)

Abstract

Kendaraan otonom atau autonomous car merupakan kendaraan yang dapat dikendalikan atau dikontrol tanpa adanya campur tangan manusia dalam menggunaannya dan sudah banyak dilakukan penelitian untuk meningkatkan kinerja dari mobil otonom. Kendaraan otonom membutuhkan pendeteksian obyek untuk mengetahui berbagai obyek disekitarnya seperti kendaraan-kendaraan bermotor, sehingga kendaraan otonom dapat menghindari atau berhenti jika terdapat kendaraan lain yang menghalangi atau berada di depan kendaraan otonom. Sistem deteksi secara real-time merupakan sistem yang dapat melakukan pendeteksian dengan cepat dimana waktu yang diperlukan untuk sistem dapat mengenali obyek mendekati nilai nol.Metode yang digunakan untuk dapat mendeteksi obyek digunakannya deep learning oleh YOLOv4-CSP dalam mendeteksi obyek seperti mobil, motor, sepeda, dan halangan lain yang menghalangi jalanan menggunakan kamera. Deteksi obyek dilakukan pada 7 kelas yaitu motor, sepeda, mobil, portal, orang, polisi tidur, dan pembatas jalan, dimana hasil evaluasi dari model didapatkan nilai rata-rata hasil deteksi semua obyek senilai 88%. Waktu yang dibutuhkan sistem untuk mendeteksi maksimal sebesar 0.52065 detik tiap frame dengan kecepatan sistem dalam memproses adalah 1.9206 fps. Sistem dalam mendeteksi pembatas jalan memiliki akurasi 65.8% pada data validasi. Realisasi sistem alat menggunakan YOLOv4-CSP dapat mendeteksi ketujuh obyek yaitu mobil, motor, sepeda, orang, polisi tidur, portal, dan pembatas jalan. Sehingga kecepatan maksimal untuk mendapatkan waktu real-time pada kendaraan otonom adalah 10.3086 km/jam.
==============================================================================================================================
Autonomous vehicles, or autonomous cars, are vehicles that can be controlled or controlled without human intervention, in using them and many studies have been carried out to improve the performance of autonomous cars. Autonomous vehicles require object detection to identify various objects around them, such as motorized vehicles, so that autonomous vehicles can avoid or stop if there are other vehicles that are blocking or in front of the autonomous vehicle. A real-time detection system is a system that can detect quickly where the time required for the system to recognize objects is close to zero. The method used to be able to recognize objects uses deep learning by YOLOv4-CSP in detecting objects such as cars, motorcycles, bicycles, and other obstacles that block the road using a camera. Object detection was carried out in 7 classes, namely motorcycles, bicycles, cars, portals, people, speed bumps, and roadblocks, where the evaluation results from the model obtained an average value of 88% of all object detection results. The time required for the system to detect a maximum of 0.52065 seconds per frame with the system speed in processing is 1.9206 fps. The system in detecting roadblocks has an accuracy of 65.8% on the validation data. The realization of the tool system using YOLOv4-CSP can detect seven objects, namely cars, motorcycles, bicycles, people, speed bumps, portals, and roadblocks. So the maximum speed to get real-time time on an autonomous vehicle is 10.3086 km/hour.

Item Type:	Thesis (Other)
Additional Information:	RSE 629.222 09 Tan s-1 2022
Uncontrolled Keywords:	Autonomous car. kamera. real-time. deteksi obyek. YOLOv4-CSP.
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	12 Jun 2026 07:16
Last Modified:	12 Jun 2026 07:16
URI:	http://repository.its.ac.id/id/eprint/133776

Actions (login required)

View Item