Sistem Deteksi Lubang Dan Keretakan Jalan Pada Mobil Otonom Menggunakan Algoritma Convolutional Neural Network

Yanuar, Eko Bagus (2023) Sistem Deteksi Lubang Dan Keretakan Jalan Pada Mobil Otonom Menggunakan Algoritma Convolutional Neural Network. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07111940000074-Undergraduate_Theses.pdf - Accepted Version Restricted to Repository staff only until 1 July 2025. Download (4MB) | Request a copy

Abstract

Aspal jalan terus mengalami kerusakan yang diakibatkan oleh lalu lintas padat dan perubahan cuaca sehingga terjadi kecelakaan lalu lintas, macet, dan penurunan efisiensi mobil. Kerusakan paling umum yaitu jalan retak dan berlubang yang menimbulkan ancaman pada kendaraan tanpa adanya manuver yang cepat. Permasalahan ini dapat diatasi dengan pengemudi yang andal. Dengan pesatnya penelitian mobil otonom, penting untuk mobil otonom mendeteksi lubang dan keretakan jalan. Pada penelitian ini, metode pengenalan objek menggunakan algoritma CNN (Convolutional Neural Network) pada YoloV5 dan YoloV3. Penulis menggunakan algoritma tersebut untuk membedakan jalan berlubang dan tidak berlubang dengan akurasi, kecepatan deteksi objek, dan kecepatan pemrosesan gambar yang tinggi. Penelitian dilakukan dengan pengambilan gambar lubang pada jalan, pelabelan gambar, observasi gambar, pembagian gambar untuk data train & test, evaluasi metrik, dan pengujian menggunakan variabel jenis dan jarak lubang. Hasil training dievaluasi menggunakan data validasi dan data uji. Model Yolov5 mengungguli model Yolov3 dengan perbedaan akurasi untuk data validasi 0,1354 dan data uji 0,44. Model yolov5m dengan jumlah layer 291 menghasilkan akurasi data validasi 0.87 dan kecepatan pemrosesan citra gambar per detik 47 fps. Lubang dengan ukuran berbeda dapat dideteksi dengan baik ketika pada jarak 4 meter dan semua jenis lubang tidak dapat terdeteksi pada jarak 12 meter. Pada jarak pendeteksian 2, 4, 7, 10 meter, jarak 4 meter memiliki akurasi deteksi tertinggi dengan rata-rata 0,787. Jenis lubang dengan kedalaman tinggi memiliki akurasi deteksi lebih tinggi dari jenis lubang yang lain.
=============================================================================================
Road asphalt continues to suffer damage caused by heavy traffic and weather changes, resulting in traffic accidents, traffic jams and decreased car efficiency. The most common damage is cracked and potholed roads that pose a threat to vehicles in the absence of rapid maneuvering. This problem can be solved with a reliable driver. With the rapid research of autonomous cars, it is important for autonomous cars to detect potholes and road cracks. In this study, the object recognition method used the CNN (Convolutional Neural Network) algorithm on YoloV5 and YoloV3. The author uses the algorithm to distinguish pothole and non-perforated roads with high accuracy, object detection speed, and image processing speed. The study was conducted by taking pictures of potholes on the road, labeling images, observation of images, division of images for train & test data, metric evaluation, and testing using variables of hole type and distance. Training results are evaluated using validation data and test data. The Yolov5 model with layers outperformed the Yolov3 model with a difference in accuracy for validation data of 0.1354 and test data of 0.44. Model yolov5m with a layer count of 291 produces a validation data accuracy of 0.87 and an image processing speed per second of 47 fps. Holes of different sizes can be detected well when at a distance of 4 meters and any type of hole cannot be detected at a distance of 12 meters. At a detection distance of 2, 4, 7, and 10 meters, a distance of 4 meters has the highest detection accuracy with an average of 0.787. High-depth hole types have a higher detection accuracy than other types of holes.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Deteksi, CNN, Lubang dan Keretakan Jalan, Mobil Otonom
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) 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:	Eko Bagus Yanuar
Date Deposited:	01 Feb 2023 07:23
Last Modified:	01 Feb 2023 07:28
URI:	http://repository.its.ac.id/id/eprint/95975

Actions (login required)

View Item