Computer vision merupakan teknologi di bidang pemrosesan citra yang
sedang berkembang pesat pada saat ini. Teknologi computer vision memberikan
solusi untuk membantu kegiatan manusia. Pada tugas akhir ini, computer vision
digunakan mendeteksi objek dan mendapatkan estimasi jarak. Penulis
menggunakan metode Faster R-CNN dalam melakukan objek deteksi. Objek yang
telah terdeteksi merupakan komponen untuk mendapatkan estimasi jarak
kendaraan.
Metode Faster R-CNN digunakan pada sistem objek deteksi pada penelitian
ini. Faster R-CNN merupakan gabungan dari metode Fast RCNN dan Region
Proposal Network (RPN). Penelitian ini menggunakan arsitektur CNN dari pretrained model ResNet50, 1064 data latih berupa citra objek kendaraan, dan data uji
berupa video dengan frame rate 30 fps. Tujuan dari objek deteksi, yaitu
menampilkan bounding box objek. Sistem estimasi jarak kendaraan mengambil
lebar pixel dari bounding box objek untuk menghitung estimasi jarak pada
kendaraan kendaraan.
Analisis sistem estimasi jarak kendaraan dilakukan dengan dua buah
konfigurasi Linear Predictor Functions (LPF), yaitu least square regression dan
fitting of a polynomial using least square pada hasil estimasi jarak kendaraan untuk
meminimalisir error. Proses pengujian sistem estimasi jarak kendaraan diambil dari
6 citra berobjek mobil dengan jarak masing-masing 200, 250, 300, 350, 400, 430
cm. Konfigurasi yang terbaik terdapat pada Least Square Regression dengan total
error sebesar 38,375 cm. Sistem estimasi jarak kendaraan diimplementasi pada
Raspberry Pi dan mendapatkan frame rate sebesar 0,03fps.