IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK DETEKSI MARKA JALAN

Maulana Ridho, Farhan (2025) IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK DETEKSI MARKA JALAN. Skripsi thesis, ITN MALANG.

	Text Bagian awal.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (379kB)
	Text BAB I.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (17kB)
	Text BAB II.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (227kB) | Request a copy
	Text BAB III.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (216kB) | Request a copy
	Text BAB IV.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (372kB) | Request a copy
	Text BAB V.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (72kB) | Request a copy
	Text Daftar Pustaka.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (72kB)
	Text Lampiran.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (889kB) | Request a copy

Abstract

Deteksi marka jalan merupakan komponen kritis dalam pengembangan sistem kendaraan otonom serta sistem bantuan pengemudi modern. Meskipun demikian, akurasi dalam proses deteksi masih menghadapi tantangan, terutama dalam kondisi jalan berbelok, tanda jalan yang tidak jelas, atau kondisi pencahayaan yang kurang optimal. Penelitian ini bertujuan untuk merancang sistem deteksi marka jalan berbasis Convolutional Neural Network (CNN) yang diterapkan pada video dashcam mobil dan terintegrasi ke dalam aplikasi web menggunakan framework Flask. Dataset yang digunakan terdiri dari video dashcam yang diproses per frame menggunakan OpenCV, kemudian diklasifikasi dengan model CNN berarsitektur VGG16. Hasil deteksi ditampilkan dalam bentuk gambar serta video overlay yang dapat diunduh dan disimpan di cloud Supabase. Pengujian dilakukan pada sepuluh video dengan durasi 60 detik dan rata-rata FPS sekitar 40–41, dengan waktu pemrosesan berkisar antara 115–142 detik. Sementara itu, satu video berdurasi 23 detik (FPS 16) hanya memerlukan waktu pemrosesan sekitar 48 detik. Sistem menunjukkan performa baik pada kondisi jalan lurus dan marka yang jelas, namun masih memerlukan peningkatan untuk kondisi jalan yang kompleks. Penelitian ini memberikan kontribusi sebagai fondasi awal dalam pengembangan sistem deteksi jalur otomatis yang lebih adaptif dan responsif terhadap berbagai skenario lalu lintas.

Item Type:	Thesis (Skripsi)
Additional Information:	Farhan Maulana Ridho (2118139)
Uncontrolled Keywords:	Deteksi Jalur Jalan, Convolutional Neural Network, Deep Learning, Flask, Kendaraan Otonom.
Subjects:	Engineering > Informatics Engineering
Divisions:	Fakultas Teknologi Industri > Teknik Informatika S1 > Teknik Informatika S1(Skripsi)
Depositing User:	Farhan Maulana Ridho
Date Deposited:	12 Sep 2025 06:47
Last Modified:	12 Sep 2025 06:47
URI:	http://eprints.itn.ac.id/id/eprint/14988

Actions (login required)

View Item