YUSUF, Desfara Dyabi (2026) Penerapan DeepLabv3+ untuk Segmentasi dan Deteksi Kaca Depan Kendaraan pada Citra Digital dengan Augmentasi Data. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. Halaman Depan.pdf Download (310kB)
	Text 3. Halaman Pengesahan.pdf Download (559kB)
	Text 4. Kata Pengantar.pdf Download (406kB)
	Text 6. Abstrak.pdf Download (403kB)
	Text 7. Abstract.pdf Download (403kB)
	Text 8. Daftar Isi.pdf Download (534kB)
	Text 11. BAB I.pdf Download (521kB)
	Text 16. Daftar Pustaka.pdf Download (518kB)

Abstract

Kaca depan kendaraan merupakan komponen penting dalam menjaga keselamatan dan
visibilitas pengemudi, namun proses deteksi dan segmentasinya pada citra digital
menghadapi tantangan akibat variasi pencahayaan, refleksi, serta gangguan visual.
Penelitian ini menerapkan metode segmentasi berbasis deep learning menggunakan
DeepLabv3+ untuk mendeteksi dan menyegmentasi kaca depan kendaraan secara akurat.
Penelitian ini menggunakan tiga skenario pelatihan, yaitu tanpa augmentasi, setengah
augmentasi, dan augmentasi penuh, yang bertujuan meningkatkan kemampuan generalisasi
model. Evaluasi dilakukan menggunakan citra uji normal dengan metrik segmentasi berupa
Intersection over Union (IoU) dan Dice Score, serta metrik deteksi berupa Precision, Recall,
dan mean Average Precision (mAP). Selain itu, pengujian juga dilakukan pada citra uji yang
telah diaugmentasi untuk menganalisis ketahanan (robustness) model terhadap variasi
kondisi citra. Hasil pengujian menunjukkan bahwa pada skenario tanpa augmentasi, model
menghasilkan nilai IoU sebesar 84,07% dan Dice Score sebesar 91,35%. Setelah diterapkan
augmentasi penuh, performa model meningkat dengan nilai IoU sebesar 85,65% dan Dice
Score sebesar 92,27%. Dari sisi deteksi, model dengan augmentasi penuh juga menunjukkan
kinerja yang unggul dengan nilai Precision 87,68%, Recall 95,55%, dan mAP 88,69% pada
citra uji normal, serta mampu mempertahankan performa yang stabil pada citra uji
augmentasi. Hasil tersebut menunjukkan bahwa penerapan augmentasi data secara
menyeluruh mampu meningkatkan performa model DeepLabv3+, sekaligus memperkuat
ketahanan dan konsistensinya terhadap variasi kondisi visual, sehingga lebih andal untuk
digunakan pada skenario dunia nyata.
Kata kunci : Augmentasi Gambar, DeepLabv3+, Ketahanan, Pembelajaran Mendalam,
Segmentasi Kaca Depan, Segmentasi Semantik

Actions (login required)

View Item