Kombinasi Teknik Pemrosesan Citra untuk Peningkatan Pendeteksian Objek Pada Carla Simulator

Abstract

Dalam beberapa tahun terakhir, perkembangan kendaraan otonom (Autonomous Vehicle, AV) semakin pesat karena potensinya dalam merevolusi sistem transportasi dan meningkatkan keselamatan jalan raya. Keberhasilan AV sangat bergantung pada kemampuan deteksi objek yang akurat untuk menavigasi lingkungan kompleks, termasuk mengenali pejalan kaki, kendaraan lain, dan berbagai rintangan. Namun, kualitas citra yang dihasilkan oleh simulator seperti CARLA sering terdegradasi oleh kondisi pencahayaan, kabut, dan noise komputasi, sehingga kinerja model deteksi objek seperti YOLO (You Only Look Once) menjadi kurang optimal. Oleh karena itu, penelitian ini bertujuan mengembangkan sebuah model deteksi objek berbasis YOLO yang dioptimalkan dengan kombinasi teknik pemrosesan citra, meliputi Gaussian Blur, Contrast Limited Adaptive Histogram Equalization (CLAHE), dan Sharpening, untuk menghasilkan data input yang lebih bersih dan detail yang lebih tajam. Metode yang diusulkan mencakup generasi dataset simulasi menggunakan CARLA Simulator, penerapan teknik pra-pemrosesan citra secara berantai, serta pelatihan model YOLOv8 untuk mendeteksi objek secara real-time. Dengan memanfaatkan kekuatan Deep Learning dan validasi pada berbagai skenario lingkungan simulasi, diharapkan pendekatan ini mampu meningkatkan akurasi dan efisiensi deteksi objek dibandingkan metode konvensional yang hanya mengandalkan model YOLO tanpa preprocessing citra. Hasil penelitian ini diharapkan memberikan kontribusi signifikan terhadap pengembangan sistem deteksi pada kendaraan otonom, khususnya pada kondisi lingkungan yang menantang.