Protototype Tongkat Pendeteksi Objek Bergerak Menggunakan Metode Deep Learning untuk Penyandang Tunanetra
Abstract
Negara Indonesia merupakan negara yang mempunyai populasi penduduk yang sangat besar yaitu menempati peringkat keempat penduduk terbanyak di dunia dengan jumlah penduduk 272.229.372 jiwa per juni 2021 menurut data dari kemendagri. Dari jumlah penduduk yang besar tersebut juga diikuti dengan pertambahan penduduk yang menyandang disabilitas yang ada di Negara Indonesia. Dari data yang dikutip dari PERTUNI (Persatuan Tunanetra Indonesia) pada tahun 2020 terdapat sebanyak 3,75 juta orang yang menyandang disabilitas Tunanetra. Untuk penderita tunanetra dalam kategori total blind atau tidak dapat
melihat sama sekali biasnanya menggunakan tongkat tunanetra dalam alat bantu berjalan. Namun tongkat tunanetra hanya membantu berjalan saja tidak untuk menghindari objek yang bergerak seperti manusia, kucing dan juga motor. Karena
Menurut ketua peneliti Dr Beth Ebel, Direktur Pencegahan Cedera Harborview dan Research Center di University of Washington di Seattle, Amerika Serikat, pejalan kaki yang menggunakan handphone saat berjalan dapat membahayakan pengemudi di jalan juga. Hal tersebut dapat menyebabkan bertabrakan oleh penyandang disabilitas tunanetra yang dalam hal ini tidak dapat melihat apa yang ada disekitarnya. Pada penelitian kali ini yaitu menggunakan metode Deep Learning dengan algoritma YOLO (You Only Look Once). YOLO merupakan algoritma yang paling baru diciptakan dalam metode deep learning. Pada penelitian kali ini
penulis menggunakan YOLOv5 dalam melakukan deteksi objek. Menggunakan perbandingan antara YOLOv5n, YOLOv5s, dan YOLOv5m kemudian didapatkan hasil terbaik menggunakan YOLOv5s. Dataset dianotasi dengan menggunakan platform roboflow dan diexport ke google collab untuk dilakukan training data.
Model YOLOv5 yang digunakan yaitu model YOLOv5s dengan hasil training
yang paling baik diantara kedua modelnya yaitu dengan nilai mAp50-95 sebesar
0,861 dibandingkan dengan model YOLOv5n yaitu dengan nilai mAp 0,705 dan
YOLOv5m yaitu memiliki nilai mAp50-95 dengan besaran 0,806. Nilai mAp50-
95 merupakan parameter yang digunakan untuk melihat ketepatan YOLO dalam
mendeteksi objek dengan sesuai.
Pengambilan data dilakukan secara langsung dengan menggunakan hasil screenshot dari kamera yang terpasang ke NVIDIA Jetson Nano. Diambil data pada waktu pagi, siang, dan malam hari dengan variasi jarak 1 meter dan 2 meter untuk objek manusia, kucing, dan juga motor. Dari pengambilan data tersebut hasil paling optimal ditunjukkan oleh pendeteksian yang dilakukan pada pagi hari dan siang hari pada kedua jarak tersebut. Untuk objek yang paling sulit terdeteksi diantara manusia, kucing dan motor adalah kucing. Karena kucing relatif memiliki bentuk, ras, warna, gerakan yang sangat bervariasi. Sementara untuk deteksi manusia dan motor mendapatkan average precision dalam skala 0,90 hingga 0,95. Selanjutnya untuk pengujian output suara menggunakan arduino nano dan DFPlayer mini mp3 beserta speaker untuk outputnya. Menggunakan komunikasi
serial dengan NVIDIA Jetson Nano untuk pengirian data. Untuk suara yang dihasilkan bergantung dengan hasil deteksi. Pengujian dilakukan dengan menggunakan jarak, waktu, dan objek yang sama. Hasil yang didapatkan ialah sesuai dengan objek yang dideteksi. Namun diwaktu malam hari karena keterbatsan kamera sehingga masih membutuhkan penyesuaian deteksi agar objek dapat terdeteksi sehingga menyebabkan output suara juga tidak langsung tertampil. Kemudian untuk pengujian keseluruhan digunakan 3 orang responden dan halangan yaitu manusia dan juga motor. Dari pengujian tersebut 3 responden
dapat melewati halangan halanga tersebut dengan baik. Namun yang menghasilkan output suara berubah ubah ialah saat motor sedang dinaiki oleh manusia yang menyebabkan output suara yang dihasilkan terkadang “awas
manusia” dan juga “awas motor”.
Collections
- UT-Faculty of Engineering [3848]