• Beranda
  • Website Perpustakaan
  • Panduan
  • Area Anggota
  • Pilih Bahasa :
    Bahasa Arab Bahasa Bengal Bahasa Brazil Portugis Bahasa Inggris Bahasa Spanyol Bahasa Jerman Bahasa Indonesia Bahasa Jepang Bahasa Melayu Bahasa Persia Bahasa Rusia Bahasa Thailand Bahasa Turki Bahasa Urdu

Pencarian berdasarkan :

SEMUA Pengarang Subjek ISBN/ISSN Pencarian Spesifik

Pencarian terakhir:

{{tmpObj[k].text}}
Penanda Bagikan

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

FIKRI MAJID - Nama Orang; LISGIYANTO SOFIYAN - Nama Orang; Sukamto - Nama Orang; Kuwat Santoso - Nama Orang;

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.


Fulltext
  • Harap masuk untuk melihat lampiran
Informasi Detail
Judul Seri
-
No. Panggil
RK 028 2025
Penerbit
Semarang : Politeknik Negeri Semarang., 2025
Deskripsi Fisik
xv; 131 hal.; ilus., 30 cm
Bahasa
Indonesia
ISBN/ISSN
-
Klasifikasi
NONE
Tipe Isi
text
Tipe Media
computer
Tipe Pembawa
online resource
Edisi
-
Subjek
FASTER R-CNN
Info Detail Spesifik
-
Pernyataan Tanggungjawab
FIKRI MAJID
Versi lain/terkait

Tidak tersedia versi lain

Komentar

Anda harus masuk sebelum memberikan komentar

  • Panduan
  • Area Anggota

Tentang Kami

Si-Repo adalah platform digital yang dikelola oleh UPA Perpustakaan Politeknik Negeri Semarang, menyimpan karya ilmiah seperti Tugas Akhir, Skripsi, dan Tesis dari sivitas akademika Polines, untuk mendukung kebutuhan akademik, penelitian, dan pengembangan.

Pengunjung Web

Hari ini : Minggu ini : Bulan ini : Total :

© 2025 — Perpustakaan Politeknik Negeri Semarang

Ditenagai oleh SLiMS
Pilih subjek yang menarik bagi Anda
  • Karya Umum
  • Filsafat
  • Agama
  • Ilmu-ilmu Sosial
  • Bahasa
  • Ilmu-ilmu Murni
  • Ilmu-ilmu Terapan
  • Kesenian, Hiburan, dan Olahraga
  • Kesusastraan
  • Geografi dan Sejarah
Icons made by Freepik from www.flaticon.com
Pencarian Spesifik
Kemana ingin Anda bagikan?