Article Per Year (5 Year)
p-Index From 2021 - 2026
4.56
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Bulletin of Electrical Engineering and Informatics Jurnal Teknologi Informasi dan Ilmu Komputer Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control ILKOM Jurnal Ilmiah Jurnal Sistem Cerdas JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) JMECS (Journal of Measurements, Electronics, Communications, and Systems) Teknika Prosiding Seminar Nasional Sains Teknologi dan Inovasi Indonesia (Senastindo) Algoritme Jurnal Mahasiswa Teknik Informatika Paradigma Internet of Things and Artificial Intelligence Journal eProceedings of Engineering
Satyawan, Arief Suryadi
Unknown Affiliation
Automotive Engineering Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mechanical Engineering Other

Published : 34 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search
Journal : eProceedings of Engineering

 1 
Kendali Kemudi Dengan Memindai Area Jalan Berbasis Kamera Termal Siburian, Sebastian Edward; Suratman, Fiky Y; Satyawan, Arief Suryadi
eProceedings of Engineering Vol. 11 No. 5 (2024): Oktober 2024
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak — Perkembangan teknologi telah mengalami kemajuan yang sangat signifikan khususnya di bidang kecerdasanbuatan, termasuk perkembangan di bidang kendaraan listrik otonom untuk efisiensi penggunaan sumber energi ramahlingkungan. Mengaktifkan mobilitas otonom memerlukan teknologi yang memungkinkan kendaraan mendeteksi objek disekitarnya, termasuk pengenalan objek menggunakan segmentasi semantik.Dalam penelitian ini digunakan sistem segmentasi objek untuk pengenalan jalan, dan sistem dibangun menggunakanmetode segmentasi berbasis deep learning. Informasi gambar diperoleh dari kamera termal FLIR. Metode segmentasi yangdigunakan dalam perancangan Capstone ini adalah arsitektur jaringan yang tersisa (ResNet 18, ResNet 34, ResNet 50, ResNet101, Resnet 152 dan ResNext 50). Hasil segmentasi kemudiandigunakan untuk mengembangkan metode pengendalian kemudi dengan menganalisis area jalan yang tersegmentasi. Hasil analisisberupa sinyal rekomendasi arah kendali kemudi yang dikirimkan ke sistem kendali kemudi kendaraan roda tiga listrik.Hasil percobaan menunjukkan bahwa metode segmentasi ResNet 50 cocok digunakan pada sistem kendali terarah karenaprosesnya baik dan memiliki latensi yang rendah sehingga proses kendali terarah dapat dilakukan secara real time. Kata kunci : Convolutional Neural Network (CNN), Deep Learning, Image Processing, Residual Network, SegmentasiSemantik, Thermal FLIR
Sistem Pengendali Steering Gear Otomatis Menggunakan Teknologi Kamera Thermal FLIR Arifyandy, Rachmat; Suratman, Fiky Y; Satyawan, Arief Suryadi
eProceedings of Engineering Vol. 11 No. 5 (2024): Oktober 2024
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak — Perkembangan teknologi informasi dan komunikasi mendorong berbagai inovasi, salah satunya adalahkendaraan listrik otonom (KLO) yang dapat mengurangi kelalaian manusia dalam mengemudi. Penelitian ini bertujuanuntuk mengembangkan dan menguji sistem kemudi otomatis pada KLO menggunakan kamera FLIR (Forward-LookingInfrared). Kamera FLIR digunakan untuk mendeteksi lingkungan sekitar kendaraan dalam berbagai kondisipencahayaan, seperti siang hari dan malam hari. Pengujian dilakukan untuk mengevaluasi kinerja kamera dalammenghasilkan gambar termal yang akurat dan memastikan deteksi serta identifikasi objek yang andal. MetodeConvolutional Neural Network (CNN) dengan arsitektur ResNet-50 digunakan untuk meningkatkan efektivitas deteksiobjek. Hasil penelitian menunjukkan bahwa kamera FLIR mampu mendeteksi objek dengan baik dalam kondisi siang danmalam hari, serta meningkatkan keselamatan dan navigasi kendaraan otonom. Penggunaan metode CNN terbukti efektifdalam meningkatkan akurasi deteksi objek, memberikan kontribusi signifikan dalam pengembangan sistem kemudi otomatis yang lebih aman dan efisien. Kata kunci — Kendaraan Listrik Otonom (KLO), Sistem Kemudi Otomatis, Kamera FLIR, Deteksi Objek, ConvolutionalNeural Network (CNN), ResNet-50.
Pemanfaatan Intel RealSense Depth Camera D415 untuk Mendeteksi Manusia pada Kendaraan Otonom Roda Tiga Aurelia, Felicia Bunga; Suratman, Fiky Y; Satyawan, Arief Suryadi
eProceedings of Engineering Vol. 11 No. 5 (2024): Oktober 2024
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak — Pemanfaatan Intel RealSense Depth Camera D415 dalam deteksi manusia pada kendaraan otonom roda tigamerupakan inovasi penting dalam meningkatkan keamanan dan efisiensi sistem transportasi. Latar belakang penelitian inididorong oleh kebutuhan untuk mengurangi kecelakaan yang melibatkan kendaraan otonom dengan pejalan kaki danpengguna jalan lainnya. Tujuan utama dari penelitian ini adalah untuk mengembangkan dan mengimplementasikansistem deteksi manusia yang akurat dan andal menggunakan teknologi kamera depth Intel RealSense D415. Metode yangdigunakan melibatkan pengintegrasian kamera depth dengan algoritma pemrosesan citra berupa YOLOv8 untuk mendeteksidan melacak keberadaan manusia di depan kendaraan. Uji coba dilakukan pada prototipe kendaraan otonom roda tiga dalamberbagai kondisi lingkungan untuk menguji kinerja sistem. Hasil penelitian menunjukkan bahwa sistem yangdikembangkan mampu mendeteksi manusia dengan tingkat akurasi yang tinggi, bahkan dalam kondisi pencahayaan yangburuk dan lingkungan yang kompleks. Kesimpulan utama dari penelitian ini adalah bahwa teknologi Intel RealSense DepthCamera D415 memiliki potensi besar untuk meningkatkan keselamatan kendaraan otonom melalui deteksi manusia yanglebih efektif, sehingga dapat mengurangi risiko kecelakaan danmeningkatkan kepercayaan publik terhadap penggunaan kendaraan otonom. Kata kunci— intel realsense depth camera, deteksi manusia, YOLOv8
Ilustrasi Pengereman Kendaraan Otonom Roda Tiga Menggunakan Aktuator Linear Elektrik Jody H, Amadeus Evan; Suratman, Fiky Y.; Satyawan, Arief Suryadi
eProceedings of Engineering Vol. 11 No. 5 (2024): Oktober 2024
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak — Penelitian ini mengembangkan sistem pengereman untuk kendaraan otonom roda tiga menggunakanaktuator linear elektrik, dikendalikan oleh mikrokontroler ATmega 2560 Pro dan motor driver BTS 7960. Depth cameraIntel RealSense D415 digunakan untuk mendeteksi jarak objek. Sistem mengatur kecepatan pengereman berdasarkan tigasegmen PWM: 255 untuk jarak 2-4 meter, 100 untuk jarak 4.01- 6 meter, dan 60 untuk jarak 6.01-8 meter. Hasil pengujianmenunjukkan respons cepat dan akurasi tinggi, dengan ratarata delay kurang dari 1 detik, memastikan pengereman yangaman dan efisien. Kata kunci— pengereman, kendaraan otonom, aktuator linear elektrik, depth camera, mikrokontroller ATmega 2560pro, motor driver BTS7960.
Realsense Depth Camera Untuk Pengukuran Jarak Pada Mobil Autonom Roda Tiga Marchellyn, Ferryn; Suratman, Fiky Y; Satyawan, Arief Suryadi
eProceedings of Engineering Vol. 11 No. 5 (2024): Oktober 2024
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak — Penggunaan kamera kedalaman menjadi krusialdalam teknologi kendaraan otonom untuk mengukur jarak objekdi sekitar kendaraan. Intel RealSense Depth Camera menjadisolusi unggul berkat teknologi sensor stereo yang memberikaninformasi kedalaman akurat. Penelitian ini mengeksplorasikemampuan kamera RealSense dalam mengukur jarak padamobil otonom beroda tiga, fokus pada evaluasi akurasi dalamberbagai kondisi operasional seperti kecepatan kendaraan, jarakobjek, dan pencahayaan.Metode menggunakan Depth Camera Intel RealSense D435iuntuk mendeteksi objek dalam jarak kurang dari 8 meter denganalgoritma Non-Max Suppression yang mengurangi tumpangtindih kotak pembatas dan memilih deteksi objek dengan nilaiconfidence score tertinggi. Implementasi melibatkanpenghubungan Depth Camera Intel RealSense D415i ke laptopuntuk pengolahan data jarak. Pengujian membandingkan hasilpengukuran kamera dengan meteran di area jalan sepanjang 8meter x 1.1 meter.Hasil menunjukkan variasi selisih antara jarak kamera danjarak sesungguhnya, dengan persentase kesalahan dihitungmenggunakan rumus. Kamera RealSense menunjukkan akurasiyang cukup baik, meskipun terdapat perbedaan yang disebabkanoleh toleransi pengukuran dan algoritma. Penelitian inimemberikan wawasan untuk pengembangan teknologi kamerakedalaman dalam kendaraan otonom masa depan, denganmempertimbangkan faktor- faktor yang mempengaruhi akurasipengukuran. Kata Kunci: kendaraan otonom, kamera kedalaman, RealSense,pengukuran jarak, akurasi, Non-Max Suppression, sensor stereo.
Optimasi Sistem Deteksi Jalur pada Miniatur Kendaraan Otonom dengan menggunakan Algoritma Hough Transform berbasis Computer Vision Awalya, Silmi; Suratman , Fiky Y.; Satyawan, Arief Suryadi
eProceedings of Engineering Vol. 12 No. 5 (2025): Oktober 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan kendaraan otonom telah menjadi fokus utama dalam dunia teknologi, khususnya dalam aspek deteksi jalur yang presisi pada kondisi lingkungan dinamis. Penelitian ini bertujuan untuk mengembangkan sistem deteksi jalur pada kendaraan otonom miniatur menggunakan algoritma Hough Transform yang dioptimasi dengan strategi deteksi multi-ruang warna berbasis computer vision. Sistem ini diimplementasikan pada modul Duckiebot DB21J yang dilengkapi dengan kamera IMX219 dan pemrosesan oleh Jetson Nano. Metodologi yang digunakan meliputi studi literatur, perancangan sistem, implementasi perangkat keras dan perangkat lunak, serta pengujian komprehensif pada lima skenario berbeda dalam dua kondisi pencahayaan (305 lux dan 181 lux). Hasil menunjukkan bahwa sistem mampu mendeteksi jalur dengan akurasi 97.14% pada kondisi terang dan 96.40% pada kondisi standar, melampaui target minimal 90% dengan detection rate konsisten 99.26% dan 99.16%. Sistem menunjukkan presisi spasial yang sangat baik dengan kesalahan sudut 0.494°-0.57° dan kesalahan posisi 1.19-1.31 cm, serta waktu pemrosesan rata-rata 213-230 ms. Penelitian ini membuktikan superioritas metode yang dikembangkan dengan peningkatan akurasi 6.40%-12.14% dibanding penelitian sebelumnya yang menggunakan CNN+Hough Transform, Hough+Gaussian Filter, dan SVM Model. Sistem ini berpotensi diterapkan pada platform robotika pendidikan dan penelitian lanjutan dalam otomasi kendaraan. Kata kunci — kendaraan otonom, deteksi jalur, computer vision, Hough Transform, Jetson Nano, Duckiebot
Sistem Deteksi Rambu Lalu Lintas Berbasis Computer Vision Untuk Navigasi Miniatur Kendaraan Otonom Saputra, Adhitya Dwi; Suratman, Fiky Y.; Satyawan, Arief Suryadi
eProceedings of Engineering Vol. 12 No. 5 (2025): Oktober 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak — Teknologi kendaraan otonom menuntut sistem persepsi visual yang andal, khususnya untuk mendeteksi rambu lalu lintas secara real-time. Penelitian ini mengembangkan sistem deteksi rambu berbasis algoritma YOLOv8 dan diimplementasikan pada prototipe miniatur kendaraan otonom. Dataset sebanyak 1.232 gambar dikumpulkan secara mandiri dan diperluas menjadi 3.696 gambar melalui augmentasi. Model YOLOv8n dilatih selama 87 epoch menggunakan Visual Studio Code. Hasil pelatihan menunjukkan precision dan recall sebesar 91,3% serta mAP@0.5 sebesar 91,3%. Pengujian dilakukan dalam kondisi terang dan gelap, statis maupun dinamis. Hasil menunjukkan tingkat keberhasilan deteksi mencapai 90% dalam kondisi terang dan menurun menjadi 48,9% dalam pencahayaan gelap. Sistem juga berhasil menjalankan aksi robotik dengan akurasi 83,3%. Hasil ini menunjukkan sistem dapat mengenali dan merespons rambu lalu lintas secara real-time secara efektif pada skala miniatur. Kata kunci — sistem deteksi, rambu lalu lintas, yolo, computer vision, kendaraan otonom, traffic sign detection
Co-Authors Adi, Puput Dani Prasetyo Adiprabowo, Tjahjo Agus Subekti Akbar, Fabian Ali, Abdul Latif Aloysius Adya Pramudita Aptadarya, Harwin Arentaka, Fiendo Mahendra Argaloka, Aditya Adni Ariffin, Denden Mohamad Arifyandy, Rachmat Artemysia, Khaulyca Arva Arumjeni Mitayani Aurelia, Felicia Bunga Awalya, Silmi Christian, Yohanes Wahyu Fauzan, R. Aldam Dwi Fazri, Nurul Fiky Y. Suratman Firman Galura Muhammad Suranegara Hamdani, Nizar Alam Haqiqi, Mokh. Mirza Etnisa Harahap, Taufiq Hidayat Helfy Susilawati Hidayat, Haryanto Iswarawati, Ni Kadek Emy Jody H, Amadeus Evan Kitagawa, Akio Laksono, Muhammad Fauzan Anggi Fathul Latukolan, Merlyn Inova Christie Linggi, Rinda Safana Manullang, Yan Ario Eko Panca Marchellyn, Ferryn Marta Dinata, Mochamad Mardi Muhammad Yassir Mulyana, Tri Munawir Munawir Nasrullah Armi Noviely, Isra Fanliv Nugroho, Agung Nurdiana, Dian Nurul P., Vethrea D. Gynandra Pangemanan, Agnes Novi Anna Paramita, I Gusti Ayu Putri Surya Prameswari, Aulia Widya Praptawilaga, Muhamad Fadly Rizqy Purwoko Adhi Puspita, Heni Putra, Muhammad Taufik Dwi Putra, Nyoman Triyoga Arika Putri, Riza Ayu RR. Ella Evrita Hestiandari Saharuna, Saharuna Samie, Muhammad Ikbal Saputra, Adhitya Dwi Septiyanti, Riska Yucha Shamie, M. Ikbal Siburian, Sebastian Edward Siswanti, Ike Yuni Siti Helmyati Sopian, Sani Moch Sopian, Sani Moch. Sri Desy Siswanti Suratman , Fiky Y. Sutejo, Muhammad Fajar Utomo, Prio Adjie Wiwik Handayani Wulandari, Ike Yuni Yuniorrita, Seszy