SISTEM DETEKSI RAMBU DAN LAMPU LALU LINTAS UNTUK AUTONOMOUS CAR MENGGUNAKAN FASTER RCNN

Dalam sistem autonomous car, fitur dasar yang wajib dimiliki yaitu kemampuan untuk mendeteksi dan mengklasifikasi rambu dan lampu lalu lintas. Dengan mendeteksi rambu lalu lintas akan menyediakan berbagai informasi, dari batas kecepatan, peringatan, hingga informasi tentang kemana dan kapan harus berbelok. Dalam mendeteksi rambu dan lampu lalu lintas, penelitian ini menggunakan Faster R-CNN (Region Based Convolutional Neural Networks) sebagai sistem pendeteksi dan klasifikasi. Apabila sistem mendeteksi objek, maka output yang diberikan berupa hasil klasifikasi dan suara sesuai dengan jenis objek yang terklasifikasi. Analisis kinerja sistem menggunakan Multi-Class Confusion Matrix dengan ukuran matrix 12 x 12 sesuai dengan jumlah kelas dalam sistem. Terdapat dua jenis pengujian, yaitu pengujian 1 dengan 646 gambar dan pengujian 2 dilakukan secara realtime di jalan yang telah dikondisikan. Pengujian 1 menghasilkan akurasi sebesar 95.67%. Pengujian 2 dengan 4 skenario berdasarkan 4 kecepatan berbeda yaitu 10km/jam, 20km/jam, 30km/jam, dan 40km/jam menghasilkan akurasi berturut-turut yaitu 72.22%, 66.67%, 70.59% dan 68,75%. Selain itu, juga dilakukan pengujian jarak deteksi pada kecepatan 40km/jam dan menghasilkan jarak deteksi terjauh rambu yaitu 15-20 meter. Dengan jarak deteksi 15 meter, maka dapat memberi waktu pengereman yang cukup.