Sistem Deteksi Collision Avoidance Navigation untuk Mendeteksi Objek pada Aplikasi Driver Assistance

Meirisdiana, Maulida (2023) Sistem Deteksi Collision Avoidance Navigation untuk Mendeteksi Objek pada Aplikasi Driver Assistance. Other thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 05311940000005-Undergraduate_Thesis.pdf] Text
05311940000005-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 April 2025.

Download (3MB) | Request a copy

Abstract

Kecelakaan Lalu Lintas (Laka Lantas) adalah sebuah peristiwa di jalan yang melibatkan kendaraan dan pengguna jalan secara tidak terduga dan dapat menyebabkan kerugian nyawa atau materi. Advanced Driver Assistance System (ADAS) adalah sebuah sistem yang digunakan untuk mendampingi pengemudi agar tetap fokus dalam berkendara dan memberikan sinyal tertentu apabila terjadi anomali saat mengemudi. ADAS dikembangkan untuk membantu mengurangi penyebab terjadinya kecelakaan yang disebabkan oleh faktor manusia. Tujuan dari penelitian ini adalah mengembangkan sistem ADAS Lite yang memanfaatkan algortima You Only Look Once (YOLO) untuk mendeteksi objek. YOLOv5 akan digunakan pada penelitian ini. Model YOLOv5 akan dilatih menggunakan data citra yang diambil dari FLIR Thermal Dataset untuk mendeteksi objek-objek yang ada di jalan seperti mobil, motor, manusia, sepeda, truk, dan bis. Selain mendeteksi objek, YOLOv5 akan digabungkan dengan model Convolutional Neural Network (CNN) bernama KITTI Distance Estimation untuk memprediksi jarak objek. Hasil pelatihan model YOLOv5 menghasilkan nilai Mean Average Precision (mAP) sebesar 67% dan F1-Score 0.662. Model prediksi jarak KITTI Distance Estimation memiliki nilai evaluasi MAPE sebesar 91,129% untuk memprediksi objek ‘car’ pada input video berukuran 1280 × 720 piksel dan menghasilkan nilai MAPE sebesar 3082,57% untuk memprediksi objek ‘person’ pada input video berukuran 640×480 piksel. Kalibrasi jarak dilakukan untuk mendapatkan informasi Jarak Aman dan Jarak Minimal. Informasi ini digunakan untuk memberikan peringatan ‘Hati-Hati’ apabila objek terdeteksi pada suatu rentang jarak tertentu yang telah ditentukan oleh Kementrian Perhubungan. Hasil kalibrasi untuk prediksi objek ‘car’ pada input video berukuran 1280 × 720 piksel menghasilkan nilai MAPE sebesar 15,51%. Sedangkan hasil kalibrasi untuk prediksi objek ‘person’ pada input video berukuran 640×480 piksel menghasilkan nilai MAPE sebesar 9,60%.
==============================================================================================================================
Road Traffic Accident (RTA) is an event involving vehicles and road users unexpectedly and can cause loss of life or material. Advanced Driver Assistance System (ADAS) assists the driver in staying focused on driving and providing certain signals when an anomaly occurs. ADAS was developed to help reduce the causes of accidents caused by the human factor. This research aims to develop an ADAS Lite system that utilizes the You Only Look Once (YOLO) algorithm to detect objects. YOLOv5 will be used in this research. The YOLOv5 model will be trained using image data from FLIR Thermal Dataset to detect road objects such as cars, motorbikes, people, bicycles, trucks, and buses. In addition to detecting objects, YOLOv5 will be combined with a Convolutional Neural Network (CNN) model called KITTI Distance Estimation to predict object distances. The results of the YOLOv5 model training yield a Mean Average Precision (mAP) value of 67% and an F1-Score of 0.662. The KITTI Distance Estimation distance prediction model has a MAPE evaluation value of 91.129% for predicting the 'car' object on a video input measuring 1280 × 720 pixels and producing a value MAPE of 3082.57% for predicting the the 'person' object on the video input size of 640 × 480 pixels. Distance calibration is carried out to obtain information on Safe and Minimum Distances. This information is used to give a 'Be Careful' warning if an object is detected within a certain range of distances determined by the Ministry of Transportation. The calibration results for predicting the 'car' object on a video input measuring 1280 × 720 pixels produce a MAPE value of 15.51%. Meanwhile, the calibration results for predicting the 'person' object on a video input measuring 640×480 pixels produce a MAPE value of 9.60%.

Item Type: Thesis (Other)
Uncontrolled Keywords: RTA, ADAS, YOLOv5, Distance Estimation, Laka Lantas
Subjects: Q Science > QA Mathematics > QA336 Artificial Intelligence
Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
T Technology > T Technology (General)
T Technology > T Technology (General) > T57.5 Data Processing
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information Technology > 59201-(S1) Undergraduate Thesis
Depositing User: Maulida Meirisdiana
Date Deposited: 06 Feb 2023 05:58
Last Modified: 06 Feb 2023 05:58
URI: http://repository.its.ac.id/id/eprint/96252

Actions (login required)

View Item View Item