Optimized CNN-Based Autoencoder for Efficient Image Compression in LoRa Networks for Autonomous Electric Vehicles

Reza Nurfaudzan Ash Shiddiq, - and Galura Muhammad Suranegara, - (2025) Optimized CNN-Based Autoencoder for Efficient Image Compression in LoRa Networks for Autonomous Electric Vehicles. S1 thesis, Universitas Pendidikan Indonesia.

Abstract

Meningkatnya adopsi kendaraan listrik otonom (Autonomous Electric Vehicle/AEV) menyoroti perlunya transmisi data visual yang efisien di lingkungan dengan keterbatasan sumber daya. Penelitian ini mengusulkan sebuah kerangka kerja autoencoder berbasis Convolutional Neural Network (CNN) yang telah dioptimalkan, dirancang secara khusus untuk melakukan kompresi dan rekonstruksi citra melalui jaringan LoRa yang menawarkan komunikasi jarak jauh dengan bandwidth terbatas. Dengan mengintegrasikan teknik kompresi canggih seperti Huffman Encoding, Zlib Compression, dan Adaptive Quantization, kerangka kerja ini secara efektif mengurangi keterbatasan bandwidth LoRa sembari mempertahankan kualitas rekonstruksi yang tinggi. Hasil eksperimen pada citra berukuran 80 × 80 piksel menunjukkan bahwa sistem mampu menyeimbangkan efisiensi transmisi dan fidelitas citra, dengan nilai rata-rata Peak Signal-to-Noise Ratio (PSNR) mencapai lebih dari 24 dB. Model ini menggabungkan beberapa fungsi kerugian, termasuk Mean Squared Error (MSE) dan Structural Similarity Index Measure (SSIM), guna meningkatkan performa rekonstruksi. Arsitektur yang fleksibel mendukung rasio kompresi dan ukuran latent space yang bervariasi, sehingga memungkinkan adaptasi dalam berbagai skenario aplikasi. Penelitian ini merupakan langkah penting menuju transmisi citra real-time untuk AEV dalam lingkungan dengan bandwidth rendah, serta membuka jalan bagi pengembangan sistem komunikasi data yang tangguh dan skalabel bagi kendaraan otonom. ----- The increasing adoption of autonomous electric vehicles (AEVs) highlights the need for efficient visual data transmission in resource-constrained environments. This study proposes an optimized CNN-based autoencoder framework specifically designed for image compression and reconstruction over LoRa networks, which offer long-range communication with limited bandwidth. By integrating advanced compression techniques such as Huffman Encoding, Zlib Compression, and Adaptive Quantization, the framework effectively mitigates LoRa’s bandwidth limitations while maintaining high reconstruction quality. Experimental results on 80 × 80 pixel images demonstrate the system’s ability to balance transmission efficiency and image fidelity, achieving an average Peak signal-to-noise ratio (PSNR) of over 24 dB. The model incorporates multiple loss functions, including Mean squared error (MSE) and Structural similarity index measure (SSIM), to enhance reconstruction performance. Its flexible architecture supports varying compression ratios and latent space sizes, enabling adaptability across different application scenarios. This research represents a significant step towards real-time image transmission for AEVs in low-bandwidth settings, paving the way for future advancements in scalable and robust data communication systems for autonomous vehicles.

	Text TA_ART_SISTEL_2102820_SK.pdf Download (1MB)
	Text TA_ART_SISTEL_2102820_ART.pdf Restricted to Staf Perpustakaan Download (2MB) | Request a copy

Item Type:	Thesis (S1)
Additional Information:	https://scholar.google.com/citations?hl=en&user=WgPAh38AAAAJ ID SINTA Dosen Pembimbimg Galura Muhammad Suranegara : 6703764 Karya ini adalah tugas akhir setara dengan skripsi sesuai dengan SK Direktur Universitas Pendidikan Indonesia Di Purwakarta Nomor: 332/UN40.C4/TD.06/2025
Uncontrolled Keywords:	CNN-based autoencoder, LoRa networks, kompresi gambar, kendaraan Listrik otonom, Latent space optimization. CNN-based autoencoder, Lora networks, Image compression, Autonomous electric vehicle, Latent space optimization.
Subjects:	L Education > L Education (General)
Divisions:	UPI Kampus Purwakarta > S1 Sistem Telekomunikasi
Depositing User:	Reza Nurfaudzan Ash Shiddiq
Date Deposited:	16 Jul 2025 07:23
Last Modified:	16 Jul 2025 07:23
URI:	http://repository.upi.edu/id/eprint/134510

Actions (login required)

View Item