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

Perkembangan teknologi kendaraan listrik otonom kini menjadi salah satu fokus utama dalam upaya global untuk mencapai transportasi yang lebih efisien dan berkelanjutan. Yang bertujuan mengatasi tantangan terkait emisi karbon, efisiensi energi, serta meningkatkan keselamatan dan kenyamanan transportasi. Sektor transportasi berkontribusi paling besar terhadap emisi CO2 di dunia yang disebabkan oleh kendaraan berbahan bakar fosil. Dengan meningkatnya kesadaran iklim dan perlunya pengurangan jejak karbon maka kendaraan listrik otonom muncul sebagai solusi potensial. Untuk mendukung terciptanya kendaraan listrik otonom maka diperlukannya teknologi kecerdasan buatan (AI) dan sensor yang telah memungkinkan perkembangan kendaraan listrik otonom dapat beroperasi tanpa campur tangan manusia. Dalam penelitian ini menggunakan sensor kamera thermal yang berfungsi sebagai visualisasi yang menghasilkan gambar kemudian di olah dengan metode segmentasi semantik, menggunakan model deep learning FCN-8 VGG dan PSPNet. Dataset yang digunakan berjumlah 3001 gambar yang dibagi menjadi sepuluh kelas yaitu Background, Sky, Building, Tree, Road, Pavement, Car, Motorcycle, Pedestrian, dan Pole. Hasil yang didapatkan pada penelitian ini adalah kedua model yang dipakai dapat dinyatakan berhasil untuk melakukan klasifikasi terhadap objek dengan menggunakan 10 class. Hal ini dibuktikan dengan tingkat perbandingan Dari kedua model tersebut diperoleh nilai rata-rata pada kedua, model arsitektur FCN-8 VGG nilai accuracynya 96,06% , Precision 85,49%, Recall 82,66% dan F1-Score 82,73%. Sementara untuk model arsitektur PSPNet nilai accuracynya 93,34%, Precision 80,58 %, Recall 74,09%, dan F1-Score 76,63%. Nilai rata-rata pada model arsitektur FCN-8 VGG lebih tinggi dan lebih baik dibandingkan dengan model arsitektur PSPNet.