END TO END DEEP REINFORCEMENT LEARNING UNTUK PEMBANGUNAN AGEN OTONOM KENDARAAN BESAR PADA SKENARIO PERKOTAAN YANG DINAMIS

Akmal Rafi Pramudya, Ilham (2026) END TO END DEEP REINFORCEMENT LEARNING UNTUK PEMBANGUNAN AGEN OTONOM KENDARAAN BESAR PADA SKENARIO PERKOTAAN YANG DINAMIS. Skripsi(S1) thesis, Universitas Pasundan.

Text Ilham-Akmal-Rafi-Pramudya_193040038_Teknik-Informatika.docx Download (3MB)

Abstract

Pertumbuhan aktivitas logistik dan transportasi umum di Indonesia turut meningkatkan mobilitas kendaraan besar di kawasan perkotaan. Hal ini menaikkan risiko fatalitas kecelakaan akibat karakteristik inersia dan dinamika massa kendaraan berat yang jauh lebih kompleks dibandingkan kendaraan pribadi. Penelitian ini mengkaji penerapan pendekatan End-to-End Deep Reinforcement Learning (DRL) untuk membangun agen otonom kendaraan bersendi (truk trailer) yang mampu bernavigasi dan menjaga lajur secara aman di lingkungan perkotaan dinamis dengan hanya mengandalkan masukan visual dari sensor kamera. Penelitian dilakukan secara bertahap. Tahap pertama berupa studi pendahuluan pada lingkungan benchmark Atari Enduro untuk memvalidasi pipeline algoritma, serta implementasi sistem utama pada simulator robotika 3D Webots. Tahap kedua berupa arsitektur Double Deep Q-Network (DDQN) dengan Multi-step Return (n=3) diimplementasikan sebagai algoritma utama untuk memitigasi anomali overestimation bias pada DQN standar. Proses pembelajaran agen dipandu oleh desain asymmetric reward shaping guna membentuk tingkat kepatuhan lajur yang merujuk pada regulasi standar keselamatan otomotif ISO 17361. Hasil pengujian deterministik membuktikan bahwa agen DDQN yang diusulkan berhasil melampaui baseline literatur. Agen mencatatkan tingkat keberhasilan navigasi (Success Rate) mencapai 99,842% dengan tingkat tabrakan absolut (Collision Rate) ditekan hingga 0,00%. Tingkat deviasi lajur (Off-Track Rate) tercatat sangat minor pada angka 0,473%, membuktikan keandalan sistem dalam mengeksekusi kontrol lateral secara tangguh dan presisi. Kata Kunci : End-to-End Deep Reinforcement Learning, Double Deep Q-Network, Kendaraan Bersendi, Navigasi Otonom, Webots, Keselamatan ISO 17361.

Item Type:	Thesis (Skripsi(S1))
Subjects:	S1-Skripsi
Divisions:	Fakultas Teknik > Teknik Informatika 2026
Depositing User:	Irwan Kustiawan Kosasih
Date Deposited:	04 Aug 2026 04:25
Last Modified:	04 Aug 2026 04:25
URI:	https://repository.unpas.ac.id/id/eprint/84350

Actions (login required)

View Item