Perkembangan teknologi memaksa algoritma deteksi objek merupakan
bagian vital dalam banyak aspek teknologi, terutama pada kecerdasan buatan,
kendaraan otonom, dan computer vision.
Intelligent Speed Assistance (ISA) merupakan salah satu bentuk
implementasi dari kecerdasan buatan pada kendaraan listrik otonom dengan
menggunakan kamera sebagai input dari
indra penglihatan untuk menentukan kecepatan dari kendaraan tersebut. Pada
penelitian sebelumnya telah dirancang sistem ISA dengan model dan jaringan backbone
YOLOv5 dengan hasil rata – rata akurasi 0,91 dan mean average precision (mAP)
0,96 dan performa komputasi rata – rata frame per second sebesar 3 Frame
per second (FPS). Penelitian ini menunjukkan peningkatan signifikan pada
sistem ISA dengan mengoptimalkan model deep learning menggunakan model
Single Shot Detector (SSD) TensorRT pada Jetson Nano. Penyesuaian
parameter proses pelatihan, penambahan dataset, dan modifikasi layer model
berhasil meningkatkan performa sistem. Pada biaya komputasi, sistem berhasil
mencapai peningkatan FPS yang 8 kali lipat lebih cepat, mencapai 45 FPS. Pada parameter
akurasi model, terjadi peningkatan akurasi sebesar 0,92 dan mAP 0,95. Penambahan
dataset, parameter pelatihan model dan layer menjadi faktor – faktor
utama dalam keberhasilan peningkatan parameter akurasi. Pengujian respon sistem
terhadap deteksi rambu secara dinamis pada trek uji coba menunjukkan hasil yang
baik dengan overshoot pada pengujian sebesar 2%. Sistem dapat mendeteksi
model dengan kecepatan pembacaan sebesar 34 ms pergambar dengan pembacaan rambu
kecepatan dan kontrol kecepatan dapat dilakukan dengan baik. Peningkatan
komputasi pada model SSD TensorRT diharapkan dapat menjadi jalan untuk
pengembangan model pada sistem kendaraan otonom.
