Helfy Susilawati, S.Pd., M.T., Dosen Pembimbing 1 Mirza Etnisa Haqiqi, S.T.,M.T., Dosen Pembimbing 1

Kemajuan teknologi di bidang artificial intelligence berkembang sangat pesat, menghasilkan produk-produk teknologi yang memudahkan manusia untuk mengurangi peran manusia di berbagai bidang, termasuk teknologi mobil listrik otonom yang berkembang berkat kemajuan dalam bidang deteksi objek pada citra thermal, mobil listrik otonom yang menggunakan pemrosesan gambar thermal dapat beroperasi secara optimal meskipun dalam kondisi malam hari atau cuaca buruk seperti kabut. Teknik segmentasi semantik memberikan kemudahan mobil listrik otonom dalam memproses citra thermal dengan keunggulan memberikan label pada setiap pixel pada objek gambar thermal. Gambar yang di dapat akan digunakan sebagai basic dari pengenalan objek dengan menggunakan deep learning, deep learning digunakan untuk melakukan proses segmentasi semantik yang memerlukan komputasi tinggi. Pada penelitian ini dilakukan proses segmentasi citra menggunakan model FCN-32 MobileNet dan VGG PSPNet untuk mengklasifikasikan citra. Dataset yang digunakan terdiri dari 3001 gambar yang dibagi menjadi sepuluh kelas: Background, Sky, Building, Tree, Road, Pavement, Car, Motorcycle, Pedestrian dan Pole. Hasil penelitian menunjukkan bahwa model FCN-32 MobileNet mempunyai kinerja yang lebih baik dibandingkan dengan model VGG PSPNet. Penelitian dengan model FCN-32 MobileNet memperoleh akurasi pada trainer sebesar 0,9672% dengan loss sebesar 0,0893%. Sedangkan model VGG PSPNet mencapai akurasi pelatihan sebesar 0,9369% dengan loss sebesar 0,1645%. Selanjutnya, Accuracy FCN-32 MobileNet pada pengujian sebesar 96.64%, Precision 86.20%, Recall 86.62% dan nilai F1-Score 86.40%, serta Accuracy VGG PSPNet dalam pengujian sebesar 91.18%, Precision 69.31%, Recall 69.78% dan nilai F1-Score 69,54%. Hasil tersebut menunjukkan bahwa model FCN-32 MobileNet lebih baik dibandingkan VGG PSPNet dalam memprediksi kelas objek pada gambar termal.