Sistem Pembatasan Kecepatan Autonomous Car di Indonesia

Abdul Azzam Ajhari

Info Kripto
Vol 17 No 2 (2023)

Perkembangan teknologi mobil yang semakin cepat membutuhkan sistem pengawasan yang lebih canggih dengan artificial intelligence (AI). Kecepatan mobil otomatis perlu dibatasi berdasarkan kondisi cuaca yang terdeteksi oleh kamera dengan penerapan pendekatan AI yang lebih dalam, yaitu deep learning (DL). Metode yang digunakan dalam penelitian ini adalah klasifikasi gambar dengan pre-trained model. Pada penelitian ini, dilakukan eksperimen menggunakan teknologi pengolahan gambar yang terintegrasi dengan AI untuk pendeteksian kondisi cuaca saat mobil bergerak. Keunggulan dari pendekatan DL adalah kemampuannya dalam mempelajari pola dan fitur yang lebih kompleks dalam gambar, sehingga mampu mengenali perubahan cuaca dengan lebih baik. Dalam penelitian ini, dilakukan perbandingan kinerja antara algoritma Convolutional Neural Network (CNN) dan ResNet18 dalam mengklasifikasikan gambar berdasarkan kondisi cuaca yang terdeteksi. Hasilnya menunjukkan bahwa kedua algoritma tersebut memiliki keunggulan dan kelemahan masing-masing. CNN memiliki keunggulan dalam mengenali fitur-fitur umum dalam gambar, sedangkan ResNet18 memiliki kemampuan yang lebih baik dalam mengatasi masalah klasifikasi gambar yang kompleks. Secara keseluruhan, penelitian ini menunjukkan bahwa penggunaan AI dengan pendekatan DL dan teknologi pengolahan gambar dapat menjadi solusi yang efektif dalam meningkatkan sistem pengawasan autonomous car. Dengan kemampuan untuk mendeteksi kondisi cuaca secara akurat, sistem ini dapat memberikan informasi yang relevan kepada pengemudi atau sistem pengendalian otomatis, sehingga meningkatkan keamanan dan kenyamanan dalam berkendara. The rapid development of automobile technology requires a more sophisticated surveillance system with artificial intelligence (AI). The speed of autonomous cars needs to be limited based on the weather conditions detected by the camera by applying a deeper AI approach, namely deep learning (DL). The method used in this research is image classification with pre-trained models. This research conducted experiments using image processing technology integrated with AI to detect weather conditions while the car is moving. The advantage of the DL approach is its ability to learn more complex patterns and features in images so that it can better recognize weather changes. This study used a performance comparison between Convolutional Neural Network (CNN) and ResNet18 algorithms to classify images based on detected weather conditions. The results show that both algorithms have their advantages and disadvantages. CNN has the advantage of recognizing common features in images, while ResNet18 has a better ability to tackle complex image classification problems. Overall, this research shows that the use of AI with a DL approach and image processing technology can be an effective solution in improving autonomous car surveillance systems. With the ability to accurately detect weather conditions, the system can provide relevant information to the driver or the automatic control system, thereby improving driving safety and comfort.