SKRIPSI DIGITAL
Pengembangan Model Faster R-CNN untuk Mendeteksi Halangan Pada Kendaraan Otonom Secara Real-Time = Development of the Faster R-CNN Model for Real-Time Obstacle Detection in Autonomous Vehicles
              Kinerja detektor objek seperti Faster R-CNN sering kali terdegradasi secara signifikan ketika dihadapkan pada variasi kondisi lingkungan yang dinamis, seperti cuaca buruk, yang menjadi tantangan krusial bagi keselamatan kendaraan otonom. Penelitian yang ada sering kali berfokus pada optimisasi arsitektur, namun kurang mengeksplorasi adaptasi model berbasis pemahaman semantik terhadap konteks visual lingkungan. Penelitian ini mengusulkan sebuah model Faster R-CNN yang dimodifikasi dengan mengintegrasikan mekanisme joint training dengan tugas tambahan (auxiliary task) berupa segmentasi semantik kondisi cuaca. Pendekatan multi-task learning ini dirancang untuk memberikan kesadaran kontekstual pada model, memungkinkan fitur deteksi objek beradaptasi secara cerdas terhadap latar belakang visual yang teridentifikasi. Kami melakukan evaluasi empiris dengan membandingkan model baseline (EfficientNet-B1) dengan dua varian model modifikasi (backbone EfficientNet-B1 dan ResNet-50) pada dataset gabungan yang terdiri dari 15 kelas objek. Hasil eksperimen menunjukkan bahwa model modifikasi dengan backbone ResNet-50 mencapai kinerja paling superior, dengan peningkatan signifikan pada mAP (0.7917 @IoU .50:.95) dan penurunan drastis pada False Negatives (contohnya, untuk kelas 'person' turun dari 16.671 menjadi 657) dibandingkan model baseline. Studi ini membuktikan bahwa integrasi tugas segmentasi cuaca melalui joint training merupakan strategi yang sangat efektif untuk meningkatkan robustness dan akurasi deteksi objek secara keseluruhan, sambil mempertahankan latency inferensi yang memadai untuk aplikasi real-time.
Kata Kunci: Faster R-CNN, deteksi objek, kendaraan otonom, multi-task learning, segmentasi cuaca, joint training, computer vision, edge computing.            
Tidak tersedia versi lain