Arifin, Adwi (2018) Training Model Deep Learning Untuk Simulator Self Driving Car Yang Dioptimasi Menggunakan GPU. Sarjana thesis, Universitas Brawijaya.
Abstract
Perkembangan self-driving car semakin lama semakin baik, banyak perusahaan berlomba-lomba membuat mobilnya sendiri untuk dapat dikendarai tanpa pengemudi. Hal salah satunya disebabkan oleh kemajuan di bidang teknik Machine Learning, yaitu Deep Learning. Pada penelitian ini penulis ingin mengusulkan bagaimana pemanfaatan Deep Learning spesifik pada kasus Self Driving Car, namun topik penelitian ini memiliki kompleksitas yang tinggi. Oleh karena itu, digunakan simulator mobil untuk menyederhanakan masalah. Metode yang digunakan pada penelitian ini yaitu dengan memanfaatkan convolutional layer, serta fully connected layer yang ditumpuk sedemikian rupa, jumlah hidden layer yang digunakan sebanyak 10 hidden layer. Loss function yang digunakan yaitu Mean Squared Error. Algoritma Optimasi yang digunakan yaitu Adam Optimizer. Hasil penelitian menunjukkan bahwa model yang dibuat lebih efisien ketika menggunakan GPU dibanding CPU. Untuk data dengan 10 epoch, memiliki jeda yang cukup besar antara data training dan data testing. Untuk data dengan 100 epoch, memiliki data jeda yang cukup kecil, namun untuk data testing trend yang dihasilkan hanya menurun pada 20 epoch pertama saja, data selanjutnya yang didapatkan relatif pada nilai yang relatif konstan. Saat dilakukan pengujian secara visual, mobil dapat bergerak secara mandiri dan mendapatkan pinalti 1 kali setiap putaran kecuali pada putaran pertama.
English Abstract
The development of self-driving car has been more popular and every year got better, many company compete to make its own self-driving car capable. Its development is caused by advance in Machine Learning, especially Deep Learning. In this study, author would like to propose utilization of Deep Learning specific to Self-Driving Car Problem, but this study have high complexity. Therefore, simulator is used instead of real Car. Methods used in this study utilize convolutional layer to extract feature and fully connected layer to classify output to control vehicle. Total 10 hidden layer is used to compose the model. Loss function used in this study is Mean Squared Error. Algorithm to optimize the weights is Adam Optimize. The result shown by this study is that training model with GPU is faster than CPU. Results with 10 epoch have large difference between training set and validation set. Results with 100 epoch have small difference between training set and validation set, but at the testing set loss value decreased at first 20 epoch, after that relatively at constant value. Visual Testing is used to verify if the model can be used to drive the vehicle. Results shown that in this study is that vehicle got pinaltized one time each lap except in the first lap.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2018/218/051806155 |
| Uncontrolled Keywords: | Machine Learning, Deep Learning, Self-Driving Car, Convolutional, Fully Connected |
| Subjects: | 000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.31 Machine learning |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Fisika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 07 Jun 2020 07:42 |
| Last Modified: | 18 Oct 2021 03:21 |
| URI: | http://repository.ub.ac.id/id/eprint/168127 |
Preview |
Text
Adwi Arifin (2).pdf - Published Version Download (2MB) | Preview |
Actions (login required)
 |
View Item |