Detail Cantuman

Kendaraan otonom merupakan teknologi revolusioner yang sangat bergantung pada sensor visual untuk memahami lingkungan sekitarnya. Namun, kondisi cuaca buruk seperti hujan dapat menurunkan akurasi sistem penglihatan karena adanya noise visual dan distorsi pada citra kamera. Penelitian ini mengembangkan metode berbasis Cycle-Consistencyent Generative Adversarial Network (Cycle-GAN) untuk meningkatkan kualitas citra pada kamera 2 dimensi kendaraan otonom dalam kondisi hujan dengan fokus pada pengurangan Cycle consistency loss. Model dikembangkan melalui beberapa modifikasi arsitektur Cycle-GAN dan dilatih menggunakan dataset citra hujan dan non-hujan. Evaluasi dilakukan secara kuantitatif menggunakan metrik Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index (SSIM), dan Mean Squared Error (MSE), serta secara kualitatif melalui visualisasi hasil. Hasil pengujian menunjukkan bahwa modifikasi yang dilakukan mampu menurunkan Cycle consistency loss secara signifikan, meningkatkan nilai PSNR dan SSIM, serta menurunkan MSE. Pendekatan ini membuktikan bahwa Cycle-GAN yang dioptimalkan dapat memperbaiki visibilitas citra kendaraan otonom dan mendukung pengambilan keputusan yang lebih akurat dalam kondisi hujan.