Deteksi dan Pengenalan Lampu Lalu Lintas Menggunakan Deep Learning untuk Mobil Otonom

Avianto, Lazuardi Kristian (2023) Deteksi dan Pengenalan Lampu Lalu Lintas Menggunakan Deep Learning untuk Mobil Otonom. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07111940000171-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (3MB) | Request a copy

Abstract

Mobil otonom merupakan mobil yang mempunyai kemampuan untuk bisa berkendara tanpa dikendalikan oleh manusia. Salah satu kemampuan yang harus dimiliki mobil otonom adalah mendeteksi dan mengenali lampu lalu lintas. Mobil otonom semestinya dapat mengenali warna dan tanda yang ada pada lampu lalu lintas. Kemampuan tersebut diperlukan supaya mobil otonom dapat menentukan aksi yang akan dilakukan selanjutnya. Dalam mendeteksi objek pada sebuah citra atau gambar terkadang terdapat blur dan noise yang mempengaruhi performa algoritma deteksi. Dalam penelitian ini, disajikan metode untuk mendeteksi lampu lalu lintas dan merestorasi citra untuk meningkatkan akurasi dalam mendeteksi serta memberikan aksi mobil berupa mengestimasikan perlambatan yang diperlukan oleh mobil. Pada penelitian ini menggunakan algoritma YOLOv5 untuk mendeteksi lampu lalu lintas dan dengan dataset custom. Performa dari YOLOv5 dalam mendeteksi lampu lalu lintas pada penelitian ini adalah dengan nilai F1-Score sebesar 0.81. Dengan menggunakan filter wiener untuk restorasi citra mampu meningkatkan performa YOLOv5 dengan F1-Score sebesar 0.21 untuk noise artificial maupun noise asli. Dalam estimasi perlambatan diperlukan variabel jarak, maka pada penelitian ini menggunakan perbandingan ukuran bounding box dengan frame gambar untuk mendapatkan nilai estimasi jarak dan didapatkan nilai MAPE sebesar 14.09%. Kemudian untuk estimasi perlambatan menggunakan rumus stopping distance dan didapatkan dengan kecepatan 40 km/jam memiliki MAPE sebesar 34.62% untuk setiap variasi jarak yang diberikan.
================================================================================================================================
Autonomous cars are cars that have ability to drive without being controlled by humans. One of the capabilities that autonomous cars must have is detecting and recognizing traffic lights. Autonomous cars should be able to recognize the colors and markings on traffic lights. This ability is needed so that the autonomous car can determine the next action to take. In detecting objects in an image, blur and noise are sometimes present which affect the performance of the detection algorithm. In this research, a method is presented to detect traffic lights and restore images to improve the accuracy in detecting and providing car actions in the form of estimating the deceleration required by the car. This study uses the YOLOv5 algorithm to detect traffic lights and a custom dataset. The performance of YOLOv5 in detecting traffic lights in this study is with an F1-Score value of 0.81. Using wiener filter for image restoration can improve the performance of YOLOv5 with F1-Score of 0.21 for artificial noise and real noise. In estimating the deceleration, the distance variable is needed, so in this study using the comparison of the size of the bounding box with the image frame to get the estimated distance value and obtained a MAPE value of 14.09%. Then for the estimation of deceleration using the stopping distance formula and obtained with a speed of 40 km / h has a MAPE of 34.62% for each distance variation given.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Algoritma YOLO, Filter Wiener, Lampu Lalu Lintas, Mobil Otonom, Autonomous Car, Traffic Light, Wiener Filter, YOLOv5 Algorithm
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. T Technology > TK Electrical engineering. Electronics Nuclear engineering T Technology > TL Motor vehicles. Aeronautics. Astronautics > TL152.8 Vehicles, Remotely piloted. Autonomous vehicles.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20201-(S1) Undergraduate Thesis
Depositing User:	Avianto Lazuardi Kristian
Date Deposited:	24 Jul 2023 05:21
Last Modified:	24 Jul 2023 05:21
URI:	http://repository.its.ac.id/id/eprint/99061

Actions (login required)

View Item