Implementasi Pengenalan Rambu Berdasarkan Deep Neural Network Untuk Lajur Pada Quadcopter

Abstrak

Abstrak—Object detection merupakan salah satu bidang yang diminati dalam perkembangan Deep Neural Network (DNN) pada computer vision. Dengan adanya perkembangan Artificial Intelligent pada bidang computer vision, pekerjaan manusia tentunya dapat terbantu dengan implementasi dari sistem object detection menggunakan Unmanned Aerial Vehicle (UAV) berjenis quadcopter. Quadcopter dipilih karena memiliki kemampuan untuk lepas landas dan terbang secara vertikal, sehingga tidak memerlukan area yang luas untuk penggunaannya. Berdasarkan permasalah tersebut, penelitian ini, telah dirancang sistem object detection menggunakan algoritma YOLOv5 Nano yang akan disandingkan pada quadcopter dan dilakukan penambahan teknik regularisasi dropout sebesar 10%, 20%, dan 30%. Hasil dari penelitian ini yaitu quadcopter dapat mengenali rambu yang diberikan menggunakan model objek detektor YOLOv5 Nano dan mengetahui nilai confidence score dari setiap jarak yang ditentukan pada saat pengujian. Dengan mengenali rambu yang diberikan, quadcopter seharusnya dapat membuat keputusan dengan sendirinya saat mengenali rambu dengan tepat dan bermanuver sesuai instruksi rambu yang dilihatnya. Dari penelitian ini, dididapatkan nilai mAP pada YOLOv5 Nano sebesar 0.994, dengan teknik regularisasi dropout 10% didapat mAP sebesar 0.993, teknik regularisasi dropout 20% didapat mAp sebesar 0.994, teknik regularisasi dropout 30% didapat mAp sebesar 0.994.
Kata Kunci — yolo, yolov5, quadcopter, object detection, sign recognition