PENDETEKSI OBJEK UNTUK KENDARAAN OTONOM MENGGUNAKAN SINGLE KAMERA BERBASIS YOLOV4

Kurniawan, Ade Oktavianus (2021) PENDETEKSI OBJEK UNTUK KENDARAAN OTONOM MENGGUNAKAN SINGLE KAMERA BERBASIS YOLOV4. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Text 07111740000147-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2023. Download (4MB) | Request a copy

Abstract

Kendaraan otonom merupakan kendaraan yang dapat bergerak atau bahkan menjelajah dengan mandiri. Teknologi ini mulai berkembang sekarang, dikarenakan perkembangan teknologi komputasi, serta perkembangan teknologi elektronika yang sudah berkembang pesat. Pengenalan objek merupakan salah satu persepsi yang sangat dibutuhkan pada kendaraan otonom, dimana agar kendaraan tersebut dapat mengambil sebuah keputusan nantinya, maka kendaraan tersebut perlu mengetahui dulu objek apa saja yang ada didepannya. Pengenalan objek sendiri erat kaitannya dengan pendeteksi halangan pada sebuah kendaraan, karena pendeteksi halangan membutuhkan juga pengenalan objek, agar penentuan keputusan dari sebuah kendaraan dapat tepat dan tidak menimbulkan kerugian. Selain itu juga, pengenalan objek juga memerlukan waktu real atau realtime, sehingga dibutuhkan metode yang akurat, tetapi juga efisien untuk bisa mendeteksi objek atau halangan di depan kendaraan tersebut. Sehingga metode yang digunakan adalah YOLOv4 untuk melakukan deteksi objek. Model yang digunakan memiliki nilai precision 0,5723 atau 57,23% dan recall berada pada nilai 0,4587 atau 45,87%, serta penambahan algoritma mapping untuk penentuan posisi objek relatif terhadap kamera, dan penambahan tersebut tidak mempengaruhi kecepatan proses dari algoritma deteksi objek yang digunakan. Metode ini dapat digunakan untuk real-time dikarenakan kecepatan deteksi yang sudah cukup cepat, dimana rata-rata kecepatan deteksinya berada pada 0,03860 detik atau sebesar 25,87 FPS.
==========================================================
Autonomous vehicles are vehicles that can move or even explore independently. This technology is starting to develop now, due to the development of computing technology, as well as the development of electronic technology that has grown rapidly. Object recognition is one of the perceptions that is needed in autonomous vehicles, where so that the vehicle can make a decision later, the vehicle needs to know first what objects are in front of it. Object recognition itself is closely related to detecting obstacles in a vehicle because obstacle detection also requires object recognition so that the decision-making of a vehicle can be precise and not cause harm. In addition, object recognition also requires the system to be real-time, so an accurate, but also the efficient method is needed to be able to detect objects or obstacles in front of the vehicle. So the method used is YOLOv4 to detect objects. The model used has a precision value of 0,5723 or 57,23% and recall is at a value of 0,4587 or 45,87%, as well as the addition of a mapping algorithm to determine the position of objects relative to the camera, and the addition does not affect the processing speed of the detection algorithm. object used. This method can be used for real-time because the detection speed is quite fast, where the average detection speed is 0,03860 seconds or 25,87 FPS.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Machine learning, kendaraan otonom, CNN, Object detection
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105.546 Computer algorithms T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7871.674 Detectors. Sensors
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20201-(S1) Undergraduate Thesis
Depositing User:	Ade Oktavianus Kurniawan
Date Deposited:	15 Aug 2021 09:36
Last Modified:	15 Aug 2021 09:36
URI:	http://repository.its.ac.id/id/eprint/86818

Actions (login required)

View Item