SKRIPSI DIGITAL
Pengembangan Model Deteksi Halangan Secara Real-Time Berbasis YOLO untuk Mendukung Pengambilan Keputusan Kendaraan = Real-Time Obstacle Detection Model Development Based on YOLO to Support Decision-Making in Autonomous Vehicles
Deteksi objek secara real-time pada kendaraan otonom, khususnya pada perangkat edge dengan sumber daya terbatas, menuntut keseimbangan antara akurasi dan efisiensi komputasi. Model standar seperti YOLOv8 seringkali kesulitan mendeteksi objek kecil tanpa meningkatkan beban komputasi. Penelitian ini mengusulkan dan mengevaluasi sebuah arsitektur modifikasi berbasis YOLOv8-nano yang bertujuan untuk meningkatkan akurasi deteksi objek kecil sambil menjaga efisiensi untuk penerapan real-time. Modifikasi dilakukan melalui dua strategi utama: integrasi Convolutional Block Attention Module (CBAM) setelah backbone untuk meningkatkan fokus pada fitur relevan, dan penyederhanaan detection head dengan menghilangkan head P4 untuk mengurangi kompleksitas model. Model dilatih dan diuji pada dataset gabungan yang terdiri dari 11 kelas COCO dan 4 kelas halangan non-standar (batu dan sampah). Hasil evaluasi menunjukkan adanya trade-off yang optimal. Model modifikasi berhasil meningkatkan efisiensi komputasi secara signifikan, dengan waktu inferensi berkurang sebesar 20% (dari 2.0 ms menjadi 1.6 ms). Dari sisi akurasi, model menunjukkan peningkatan precision menjadi 0.797 (naik dari 0.784), yang berarti lebih sedikit false positive. Peningkatan ini dicapai dengan sedikit kompromi pada metrik recall (turun dari 0.649 menjadi 0.635) dan mAP@50 (turun dari 0.709 menjadi 0.697). Kesimpulannya, arsitektur yang diusulkan berhasil menciptakan model yang lebih cepat dan lebih andal dalam prediksinya, menjadikannya solusi yang sangat sesuai untuk deteksi objek pada perangkat edge meskipun harus mengorbankan sedikit cakupan deteksi secara keseluruhan.
Tidak tersedia versi lain