Analisis Performansi Deteksi Objek Pada Metode Complex YOLOv4 Untuk Autonomous Driving

Penulis

DOI:

https://doi.org/10.34818/eoe.v9i6.18913

Abstrak

Abstrak— Dalam beberapa tahun terakhir, deteksi objek 3 dimensi (3D) telah diimplementasikan secara luas dan membawa inovasi baru pada sains dan teknologi terkini. Salah satunya pada autonomous driving. Autonomous driving adalah sebutan bagi kendaaran yang dapat mengemudikan kendaraan tanpa kendali manusia. Algoritma deteksi objek merupakan peran utama dalam mengidentifikasi serta memprediksi objek disekitar kendaraan. Kekhawatiran keamanan dan kebutuhan akan estimasi yang akurat secara real-time menyebabkan munculnya sistem deteksi menggunakan Light Detection and Ranging (LiDAR). Tugas Akhir ini menganalisis pengaruh pada modifikasi hyperparameter algoritma yang digunakan untuk meningkatkan performansi deteksi objek pada autonomous driving. Algoritma deteksi objek yang digunakan yaitu Complex YOLOv4. Data input pada metode Complex YOLOv4 berupa 3D point cloud dari LiDar. Hasil keluaran dari penelitian ini berupa model modifikasi terhadap konfigurasi jaringan Complex YOLOv4 dengan nilai performansi terbaik. Dalam Tugas Akhir ini digunakan KITTI Vision Benchmark sebagai dataset training. Skema pengujian Tugas Akhir ini berfokus pada kinerja dua hyperparameter yang dipakai yaitu epoch dan network size. Skema pengujian dengan performansi terbaik didapatkan pada skema III dengan nilai mAP sebesar 58.3%. berdasarkan hasil mAP tersebut, modifikasi terhadap ukuran network size dan penggunaan jumlah epoch yang tinggi dapat mempengaruhi performansi dan kinerja deteksi objek untuk autonomous driving. Kata kunci— Complex YOLOv4, Object Detection, Autonomous Driving, Epoch, Network Size

Unduhan

Data unduhan tidak tersedia.

Referensi

[1] R. Wang et al., “A Real-Time Object Detector for

Autonomous Vehicles Based on YOLOv4,”

Computational Intelligence and Neuroscience, vol.

2021, 2021, doi: 10.1155/2021/9218137.

[2] Y. Li and J. Ibanez-Guzman, “Lidar for Autonomous

Driving: The principles, challenges, and trends for

automotive lidar and perception systems,” Apr. 2020,

doi: 10.1109/MSP.2020.2973615.

[3] Y. Yan, Y. Mao, and B. Li, “Second: Sparsely

embedded convolutional detection,” Sensors

(Switzerland), vol. 18, no. 10, Oct. 2018, doi:

10.3390/s18103337.

[4] E. al Hakim, “3D YOLO: End-to-End 3D Object

Detection Using Point Clouds,” 2018.

[5] Y. Zhou and O. Tuzel, “VoxelNet: End-to-End

Learning for Point Cloud Based 3D Object

Detection,” Nov. 2017, [Online]. Available:

http://arxiv.org/abs/1711.06396

[6] “How Autonomous Vehicles Sensors Fusion Helps

Avoid Deaths | Intellias Blog.”

https://intellias.com/sensor-fusion-autonomous-carshelps-avoid-deaths-road/ (accessed Jun. 29, 2022).

[7] “How Autonomous Cars Map The Environment –

SWS Website.”

https://www.smallworldsocial.com/howautonomous-cars-map-the-environment/ (accessed

Jun. 29, 2022).

[8] M. Simon, S. Milz, K. Amende, and H.-M. Gross,

“Complex-YOLO: Real-time 3D Object Detection on

Point Clouds,” Mar. 2018, [Online]. Available:

http://arxiv.org/abs/1803.06199

[9] T. Okuyama, T. Gonsalves, and J. Upadhay,

“Autonomous Driving System based on Deep Q

Learning,” 2018. doi:

10.1109/ICoIAS.2018.8494053.

[10] Z. Yi, “Evaluation and Implementation of

Convolutional Neural Networks in Image

Recognition,” in Journal of Physics: Conference

Series, Oct. 2018, vol. 1087, no. 6. doi: 10.1088/1742-

6596/1087/6/062018.

[11] IEEE Staff, 2017 IEEE 2nd International Conference

on Big Data Analysis (ICBDA)(. IEEE, 2017.

[12] W. Wang and Y. Yang, “Development of

convolutional neural network and its application in

image classification: a survey,” Optical Engineering,

vol. 58, no. 04, p. 1, Apr. 2019, doi:

10.1117/1.oe.58.4.040901.

[13] A. Bochkovskiy, C.-Y. Wang, and H.-Y. M. Liao,

“YOLOv4: Optimal Speed and Accuracy of Object

Detection,” Apr. 2020, [Online]. Available:

http://arxiv.org/abs/2004.10934

[14] L. Yang and A. Shami, “On hyperparameter

optimization of machine learning algorithms: Theory

and practice,” Neurocomputing, vol. 415, pp. 295–

316, Nov. 2020, doi: 10.1016/j.neucom.2020.07.061.

[15] P. M. Radiuk, “Impact of Training Set Batch Size on

the Performance of Convolutional Neural Networks

for Diverse Datasets,” Information Technology and

Management Science, vol. 20, no. 1, pp. 20–24, Jan.

2017, doi: 10.1515/itms-2017-0003.

[16] H. Dalianis, “Evaluation Metrics and Evaluation,” in

Clinical Text Mining, Springer International

Publishing, 2018, pp. 45–53. doi: 10.1007/978-3-319-

78503-5_6.

[17] M. Resa Arif Yudianto, H. al Fatta, and Kusrini,

“ANALISIS PENGARUH TINGKAT AKURASI

KLASIFIKASI CITRA WAYANG DENGAN

ALGORITMA CONVOLUTIONAL NEURAL

NETWORK,” Daerah Istimewa Yogyakarta, Dec.

2020. doi: 10.36294/jurti.v4i2.1319.

Diterbitkan

2022-12-01

Terbitan

Halaman

2753-2758

Bagian

Program Studi S1 Teknik Telekomunikasi

Cara Mengutip

Nurhadiati, H., Wibowo, S. A., & Pratondo, A. (2022). Analisis Performansi Deteksi Objek Pada Metode Complex YOLOv4 Untuk Autonomous Driving. eProceedings of Engineering, 9(6), 2753-2758. https://doi.org/10.34818/eoe.v9i6.18913