lpmindustria.com – Teknologi Industri Otomotif mulai berkembang dengan pesat. Di era 4.0 ini industri otomotif sudah mulai melakukan penerapan sistem deteksi objek menggunakan metode YOLO Detection pada autonomous vehicle.
Dikutip dari jurnal yang berjudul “Sistem Deteksi Objek menggunakan Metode You Only Look Once (YOLO) Detection pada Autonomous Vehicle” bahwa Autonomous vehicle (baca: kendaraan otomatis) ini merupakan mobile robot yang bergerak secara otomatis dilengkapi dengan beberapa sensor. Akan tetapi, terdapat beberapa tantangan pada autonomous vehicle diantaranya adalah pergerakkan dalam persimpangan, pengereman otomatis, dan pembacaan rambu lalu lintas yang berhubungan dengan pergerakkan mobil. Oleh karena itu, sistem autonomous vehicle dilengkapi dengan object detection dengan metode You Only Look Once (YOLO) detection versi YOLOv4.
Mengutip dari jurnal yang berjudul “Deteksi Kendaraan Secara Real–Time Menggunakan Metode YOLO Berbasis Android” You Only Look Once (YOLO) adalah sebuah pendekatan baru untuk sistem pendeteksian objek, yang ditargetkan untuk pemrosesan secara real–time (baca: waktu nyata). YOLO membingkai pendeteksian objek sebagai masalah regresi tunggal, dimana dari piksel gambar langsung ke pendeteksi ukuran objek (bounding box) spasial yang terpisah dan probabilitas kelas yang terkait. YOLO melakukan pendeteksian dan pengenalan objek dengan sebuah jaringan syaraf tunggal (single neural network), yang memprediksi kotak-kotak pembatas dan probabilitas kelas secara langsung dalam satu evaluasi.
Dikutip dari jurnal yang berjudul “Sistem Deteksi Objek menggunakan Metode You Only Look Once (YOLO) Detection pada Autonomous Vehicle” autonomous vehicle bisa bergerak dan mendeteksi secara otomatis menggunakan metode YOLOv4 dikarenakan YOLOv4 dapat memproses pengolahan citra (baca: rupa atau bentuk) dengan cepat dan akurat dibandingkan versi YOLO sebelumnya. Objek yang dideteksi yaitu berupa traffic sign (baca: lampu lalu lintas) dan person (orang).
Penerapan metode YOLOv4 pada autonomous vehicle dapat mendeteksi traffic sign, person, dan mobil lainnya yang sedang berjalan disekitarnya dengan analisa yang dilakukan menggunakan jumlah dataset sebanyak 111, 12 kelas, 64 batch, dan 57 filters. Proses training ini dilakukan dengan train dataset YOLOv4 melalui framework darknet (baca: kerangka kerja jaringan syaraf tiruan) dengan memakai GPU NVIDIA Cuda pada google colab. Bounding box pada pemrograman ini digunakan untuk mendeteksi dan mengklasifikasikan objek secara tepat. Pengujian ini dilakukan menggunakan raspberry pi 4 sebagai mikroprosessor dan logitech C270 HD sebagai webcam dengan resolusi 720 HD. Hasil dari pengolahan citra ini akan ditampilkan pada modul raspberry pi 4 LCD touchscreen (baca: layar sentuh) dan dikirimkan secara serial ke arduino mega. Hasil pengolahan citra terbaik YOLOv4 pada frame training (baca: prosedur simulasi awal) sebesar 416×416 dengan frame testing (baca: prosedur simulasi percobaan) sebesar 64×64. FPS yang didapatkan dari pengujian ini yaitu berkisar antara 7-8 FPS. Persentase keberhasilan dari hasil pengujian pada raspberry pi 4 ini didapatkan sebesar 96,7%.
Penulis : Zharifah Thafidah
Editor : Rahma Dhini
