ANALISIS PERFORMANSI COMPLEX-YOLOV4 MENGGUNAKAN PENDEKATAN UPSAMPLING UNTUK OBJEK DETEKSI 3-DIMENSI (3D) PADA AUTONOMOUS DRIVING

DENA ANANDA

Informasi Umum

Kode

22.04.1666

Klasifikasi

006.31 - Machine Learning

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine Learning, Automatic Control-computer Programs,

Dilihat

304 kali

Informasi Lainnya

Abstraksi

Deteksi objek 3 dimensi (3D) pada LiDAR tidak lepas dari perkembangan autonomous driving. Penggunaan teknologi LiDAR dengan metode Complex-YOLOv4 pada pengujian dengan dataset uji KITTI (Karlsruhe Institute of Technology and Toyota Technological Institute) menjadi metode yang baik pada teknologi objek deteksi 3D secara real-time. Namun, hasil pendeteksian untuk kelas pejalan kaki dan pesepeda pada model ini masih kurang akurat dan perlu ditingkatkan. Pendeteksian berbasis LiDAR ini merupakan tantangan bagi para peneliti untuk memprediksi benda kecil secara akurat.

Pada Tugas Akhir ini dilakukan analisis dengan menggunakan metode Complex-YOLOv4 dengan menggunakan pendekatan upsample diantaranya yaitu bicubic, bilinear, dan nearest. Parameter yang digunakan untuk perbandingan uji performansi diantaranya precision, recall, average precision (AP), f1-score, dan mean average precision (mAP). Parameter ini bertujuan untuk mencari pendekatan upsample terbaik agar menghasilkan performansi yang efisien dan tetap mempertahankan nilai performansi yang tinggi.

Analisis upsample dilakukan pada backbone CSPDarknet-53 dari model Complex-YOLOv4. Hasil dari tiap pendekatan upsample akan dilakukan perbandingan dengan upsample expand (upsample orisinal). Dari hasil evaluasi, upsample nearest menghasilkan mAP 88,7%. Upsample bilinear menghasilkan mAP 88,5%. Upsample bicubic menghasilkan mAP terbaik dan lebih tinggi 0,2% dari upsample orisinal yang digunakan pada Complex-YOLOv4.

Kata Kunci: autonomous driving, Complex-YOLOv4, LiDAR, object detection, point cloud.