SKRIPSI DIGITAL
Pengembangan Sistem Penentuan Jalur dan Titik Tuju Kendaraan Otonom Menggunakan Bird Eye View (BEV) dan Occupancy Grid Mapping (OGM) = Development of a Path and Destination Point Determination System for Autonomous Vehicles Using Bird's-Eye View (BEV) and Occupancy Grid Mapping (OGM)
Davin Fausta Supriyadi dan Laksamana Dzikri Al Jauzi. ”Penentuan Jalur Dan Titik Tuju Kendaraan Otonom Menggunakan Bird Eye View (BEV) Dan Occupancy Grid Mapping (OGM)”, Skripsi S.Tr Program Studi Teknologi Rekayasa Komputer, Jurusan Teknik Eletro, Politeknik Negeri Semarang di bawah bimbingan Kuwat Santoso, S.T., M.Kom. dan Dr. Sukamto, S.Kom., M.T. Juli 2026
Kecelakaan lalu lintas akibat keterbatasan pengemudi manusia menuntut pengembangan sistem persepsi otonom yang akurat dan real-time, namun model deteksi objek berbasis YOLO standar masih lemah pada objek kecil, oklusi, dan kondisi visual ekstrem, serta cenderung overconfident saat terjadi dataset shift. Penelitian ini mengembangkan sistem penentuan jalur dan titik tuju kendaraan otonom melalui modifikasi arsitektur YOLO11n dengan penambahan ASPP, neck FPN+PANet, triple detection head, dan Monte Carlo Dropout untuk estimasi ketidakpastian, dilatih pada dataset gabungan 28 kelas objek jalan raya. Hasil deteksi ditransformasikan ke representasi Bird's-Eye View (BEV) dan Occupancy Grid Map (OGM), lalu diproses dengan algoritma A* termodifikasi untuk membangkitkan waypoint navigasi, dan diuji pada perangkat edge NVIDIA Jetson Orin NX. Hasil pengujian menunjukkan model modifikasi mencapai precision 83,02%, recall 71,46%, mAP50 78,43%, dan F1 score 76,78%, seluruhnya lebih tinggi dari model dasar. Transformasi BEV-OGM mencapai akurasi sel 0,60–0,64 dengan waypoint A* mencatat success rate 100% dan latensi pipeline total 39,76 ms per frame. Deployment edge berpresisi FP16 menghasilkan latensi 25,25 ms dengan penurunan mAP50 yang dapat diabaikan (0,13 poin persentase) dibanding FP32. Estimasi ketidakpastian MC Dropout menghasilkan skor PDQ 25,02%, sekitar 1,87 kali lebih tinggi dibandingkan deteksi konvensional, dan mampu mendeteksi penurunan keandalan pada kondisi di luar distribusi pelatihan. Sistem yang dikembangkan terbukti layak diterapkan untuk mendukung navigasi kendaraan otonom secara real-time pada perangkat edge computing.
Kata Kunci: YOLO11n, Bird's-Eye View, Occupancy Grid Map, Monte Carlo Dropout, edge computing, kendaraan otonom.
Tidak tersedia versi lain
Karya Umum 
Filsafat 
Agama 
Ilmu-ilmu Sosial 
Bahasa 
Ilmu-ilmu Murni 
Ilmu-ilmu Terapan 
Kesenian, Hiburan, dan Olahraga 
Kesusastraan 
Geografi dan Sejarah