SISTEM PREDIKSI JENIS JALAN DENGAN METODE MACHINE LEARNING BERDASARKAN DATA TEGANGAN DAN ARUS MOTOR DC KEMUDI

Diana Eka Putri, - and Liptia Venica, - and Dewi Indriati Hadi Putri, - (2025) SISTEM PREDIKSI JENIS JALAN DENGAN METODE MACHINE LEARNING BERDASARKAN DATA TEGANGAN DAN ARUS MOTOR DC KEMUDI. S1 thesis, Universitas Pendidikan Indonesia.

Abstract

Deteksi kondisi permukaan jalan yang akurat sangat penting untuk menjaga keselamatan berkendara serta adaptabilitas kendaraan. Metode konvensional berbasis sensor visual maupun inersial sering kali mengalami kesulitan, khususnya ketika digunakan pada kondisi pencahayaan yang buruk atau lingkungan yang tidak stabil. Untuk mengatasi hal tersebut, penelitian ini mengusulkan pendekatan klasifikasi non-visual dengan memanfaatkan data tegangan dan arus dari motor DC kemudi sebagai data utama untuk prediksi jenis permukaan jalan. Data dikumpulkan secara real time menggunakan kendaraan Micro Electric Vehicle (MEVi), kemudian diproses melalui ekstraksi fitur statistik. Dua jenis dataset digunakan berdasarkan skema pelabelan berbeda: pertama untuk klasifikasi jenis permukaan jalan, dan kedua untuk gabungan arah pergerakan kemudi dan jenis jalan. Tiga algoritma supervised learning, yaitu Support Vector Machine (SVM), K-Nearest Neighbors (KNN), dan Gradient Boosted Decision Tree (GBDT), dilatih serta di validasi dengan data baru. Hasil pengujian menunjukkan bahwa KNN dan GBDT keduanya mencapai rata-rata F1-score sebesar 1.00 pada data baru, menunjukkan hasil prediksi yang baik. Sebaliknya, SVM menunjukkan overfitting dengan penurunan kinerja signifikan pada data yang belum pernah dilihat. Kondisi tersebut dapat dipengaruhi oleh sifat SVM yang sensitif terhadap pemilihan parameter, sehingga pada pengaturan yang tidak optimal sering menghasilkan batas klasifikasi yang terlalu kompleks.Temuan ini mengindikasikan bahwa data tegangan dan arus dari sistem kemudi dapat dijadikan indikator dalam klasifikasi permukaan jalan. Pendekatan ini tidak hanya lebih hemat biaya dan tahan terhadap kondisi cuaca dibandingkan metode visual, tetapi juga memiliki potensi untuk diintegrasikan pada sistem Advanced Driver Assistance Systems (ADAS) maupun sistem kendaraan otonom. ----- Accurate detection of road surface conditions is crucial for driving safety and vehicle adaptability. Conventional visual or inertial sensor-based methods often struggle under poor lighting or unstable environmental conditions. This study proposes a non-visual classification approach using voltage and current data from a DC steering motor to predict road surface types. Data were collected in real time from an autonomous micro electric vehicle (MEVi) and processed through statistical feature extraction. Two datasets were created based on different labeling schemes: one for road type and another combining steering direction and road type. Three supervised learning algorithms Support Vector Machine (SVM), K-Nearest Neighbors (KNN), and Gradient Boosted Decision Tree (GBDT) were trained and evaluated using K-Fold cross-validation and new data validation. Results show that KNN and GBDT achieved consistently high performance, with both models reaching an average F1-score of 1.00 on new data, indicating excellent generalization. In contrast, SVM exhibited signs of overfitting, with significantly lower performance on unseen data. This may be due to SVM’s sensitivity to parameter tuning and its tendency to create overly complex decision boundaries when using non-optimized settings. KNN and GBDT, on the other hand, are better suited for tabular statistical data and can model non-linear relationships effectively. The findings suggest that electrical signals from steering systems can serve as reliable indicators for road surface classification. This method offers a low-cost, weather-resilient alternative to visual approaches and holds practical potential for integration into Advanced Driver Assistance Systems (ADAS) or autonomous vehicle platforms.

	Text S_MKB_2100041_Title.pdf Download (713kB)
	Text S_MKB_2100041_Chapter1.pdf Download (296kB)
	Text S_MKB_2100041_Chapter2.pdf Restricted to Staf Perpustakaan Download (699kB)
	Text S_MKB_2100041_Chapter3.pdf Download (758kB)
	Text S_MKB_2100041_Chapter4.pdf Restricted to Staf Perpustakaan Download (2MB)
	Text S_MKB_2100041_Chapter5.pdf Download (267kB)
	Text S_MKB_2100041_Appendix.pdf Restricted to Staf Perpustakaan Download (1MB)

Item Type:	Thesis (S1)
Additional Information:	https://scholar.google.com/citations?view_op=new_articles&hl=en&imq=Diana+Eka+Putri# ID SINTA PEMBIMBING: Liptia Venica: 6779029 Dewi Indriati Hadi Putri: 6720737
Uncontrolled Keywords:	Prediksi Jenis Jalan, Supervised Learning, Motor DC Kemudi, Support Vector Machine, K-Nearest Neighbors, Gradient Boosting Decision Tree Road type prediction, Supervised Learning, Steering DC Motor, Support Vector Machine, K-Nearest Neighbors, Gradient Boosting Decision Tree
Subjects:	T Technology > T Technology (General) T Technology > TL Motor vehicles. Aeronautics. Astronautics
Divisions:	UPI Kampus Purwakarta > S1 Mekatronika dan Kecerdasan Buatan
Depositing User:	Diana Eka Putri
Date Deposited:	09 Sep 2025 07:30
Last Modified:	09 Sep 2025 07:30
URI:	http://repository.upi.edu/id/eprint/138152

Actions (login required)

View Item