Analisis Performansi Deteksi Objek Pada Metode Complex YOLOv4 Untuk Autonomous Driving
DOI:
https://doi.org/10.34818/eoe.v9i6.18913Abstrak
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 SizeUnduhan
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.



