DETEKSI LAJUR JALAN SECARA REAL-TIME PADA AUTONOMOUS CAR MENGGUNAKAN METODE SEMANTIC SEGMENTATION
الملخص
Kiblat inovasi kendaraan sekarang telah berganti, yang awalnya industri berlomba-lomba untuk menciptakan mesin yang bertenaga besar dengan berkecepatan tinggi, sekarang menjadi masalah keselamatan. Deteksi lajur jalan merupakan salah satu unsur keselamatan pada Autonomous Car dimana kendaraan dapat mengenali lajur jalan dan mengambil keputusan sendiri dengan aman. Penulis melakukan penelitian deteksi lajur jalan secara real-time dengan menggunakan metode Semantic Segmentation. Penulis menggunakan arsitektur U-Net dengan parameter epoch sebanyak 10.000 epoch serta ukuran gambar 128x128 pixel. Data sebanyak 374 gambar berupa lingkungan jalan Kota Makassar terdiri dari empat kelas yakni jalan, marka garis membujur penuh, marka garis membujur putus-putus dan background. Hasil pengujian model menggunakan Intersection over Union (IoU) dengan akurasi 79.8%. Sistem yang dikembangkan juga melakukan estimasi jarak antara ban dengan marka. Fitur ini bertujuan untuk memperingatkan pengemudi bila kendaraanya mulai bergerak keluar lajur. Hasil pengujian system estimasi jarak terhadap jarak ban dan marka garis dengan metode RMSE sebesar 0,069962636. Kata kunci: Autonomous car, real-time, lajur jalan, Semantic Segmentation, U-Net
الكلمات المفتاحية
غير متوفر
التخصصات
رسائل وأطاريح مشابهة
- Efficient and Generalised Deep Learning Models for Medical Image Segmentation Zhendi Gong · University of Nottingham · 2026
- Deep Learning-Based Vision System for Intelligent Object Detection and Robotic Sorting Solution Anastasiia Stepanova · Tampere University · 2026
- Transformers and contrastive semi-supervised learning for medical image segmentation Qianying Liu · The University of Glasgow · 2026
- UnU-Net: Distance-Aware Uncertainty Quantification for Semantic Segmentation Andrew William Linville · 2026
- On the limits of privacy in federated learning : personalization and adversarial analysis Sargam Gupta · KTH Royal Institute of Technology · 2026
- Computer Vision for Aircraft Fuselage Defect Detection: A YOLO11-Based Approach Pedro Afonso Bruno Arroteia · 2025
