Prediksi Kedalaman Monokular Menggunakan Convolutional Neural Network (CNN) Berbasis DenseNet pada Self Driving Car

Laila Haya Nurhaliza, Dr. Muhammad Idham Ananta Timur, S.T., M.Kom

2026 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI

Estimasi kedalaman monokular merupakan salah satu komponen penting dalam sistem self driving car karena memungkinkan kendaraan memahami jarak objek hanya dengan satu kamera RGB. Penelitian ini mengimplementasikan arsitektur encoder–decoder berbasis Convolutional Neural Network (CNN) menggunakan DenseNet-169 sebagai encoder untuk menghasilkan peta kedalaman dari citra tunggal pada dataset KITTI. Akan tetapi, perubahan skala global dapat terjadi akibat ketidakmampuan metode estimasi kedalaman dalam menjaga konsistensi skala kedalaman absolut karena keterbatasan sumber daya komputasi, yang seringkali hanya memungkinkan metode tersebut untuk mempelajari struktur kedalaman relatif.

Tujuan dari penelitian ini adalah untuk mengevaluasi seberapa baik kinerja model estimasi kedalaman monokular yang didasarkan pada arsitektur encoder–decoder dengan DenseNet-169 sebagai encoder pada dataset KITTI, serta untuk menentukan apakah penambahan komponen Absolute Depth Loss dapat meningkatkan akurasi prediksi skala kedalaman absolut. Absolute Depth Loss ditambahkan setelah model dilatih menggunakan kombinasi L1 loss, gradient loss, dan SSIM loss. Metrik Absolute Relative Error (Abs Rel), Root Mean Squared Error (RMSE), dan Threshold Accuracy (??, ??, ??) digunakan untuk evaluasi kuantitatif, dan peta kedalaman yang diprediksi dianalisis secara visual. 

Berdasarkan hasil penelitian ini, model yang dibangun menggunakan fungsi loss pengembangan dengan Absolute Depth Loss menghasilkan RMSE sebesar 3,4355 meter, Absolute Relative Error (Abs Rel) sebesar 0,0816, dan nilai  Threshold Accuracy, yaitu ?? sebesar 0,9285, ?? sebesar 0,9852, dan ?3 sebesar 0,9960. Hasil ini mengungguli penelitian yang dilakukan dengan menggunakan 3 fungsi loss awal, yaitu dengan nilai RMSE sebesar 12.07 meter, Absolute Relative Error (Abs Rel) sebesar 0.4, dan nilai Threshold Accuracy yang masing-masing  ??, ??, ?3 sebesar 0.56,  0.74, 0.47. Selain itu, penelitian ini juga cukup bersaing dengan model dasar yang dikembangkan oleh Alhashim dan Wonka (2019) yang memperoleh Abs Rel sebesar 0,093 dan RMSE sebesar 4,170 untuk dataset penilaian KITTI. Secara visual, penambahan Absolute Depth Loss juga menghasilkan peta kedalaman dengan konsistensi skala yang lebih baik dan mengurangi kesalahan skala global. Oleh karena itu, penelitian ini menunjukkan bahwa fungsi loss pengembangan dengan penambahan Absolute Depth Loss ke dalam fungsi kerugian berhasil meningkatkan akurasi estimasi kedalaman absolut tanpa secara signifikan meningkatkan sumber daya pemrosesan atau kompleksitas arsitektur.

Monocular depth estimation is a key component in self-driving car systems because it enables vehicles to determine the distance to objects using only a single RGB camera. This study implements a Convolutional Neural Network (CNN)-based encoder–decoder architecture using DenseNet-169 as the encoder to generate depth maps from single images on the KITTI dataset. However, global scale shifts can occur due to the inability of depth estimation methods to maintain consistency in absolute depth scale because of computational resource limitations, which often only allow these methods to learn relative depth structures.

The objective of this study is to evaluate the performance of a monocular depth estimation model based on an encoder–decoder architecture with DenseNet-169 as the encoder on the KITTI dataset, as well as to determine whether adding an Absolute Depth Loss component can improve the accuracy of absolute depth scale predictions. The Absolute Depth Loss was added after the model was trained using a combination of L1 loss, gradient loss, and SSIM loss. The Absolute Relative Error (Abs Rel), Root Mean Squared Error (RMSE), and Threshold Accuracy (??, ??, ??) metrics were used for quantitative evaluation, and the predicted depth maps were analyzed visually. 

Based on the results of this study, the model built using the Absolute Depth Loss function achieved an RMSE of 3.4355 meters, an Absolute Relative Error (Abs Rel) of 0.0816, and Threshold Accuracy values of ?? = 0.9285, ?? = 0.9852, and ?? = 0.9960. These results outperform those from a study using the three initial loss functions, which yielded an RMSE of 12.07 meters, an Absolute Relative Error (Abs Rel) of 0.4, and Threshold Accuracy values of ??, ??, and ?? at 0.56, 0.74, and 0.47, respectively. Furthermore, this study also competes well with the baseline model developed by Alhashim and Wonka (2019), which achieved an Abs Rel of 0.093 and an RMSE of 4.170 for the KITTI evaluation dataset. Visually, the addition of Absolute Depth Loss also produces depth maps with better scale consistency and reduces global scale errors. Therefore, this study demonstrates that the modified loss function, incorporating Absolute Depth Loss successfully improves the accuracy of absolute depth estimation without significantly increasing computational resources or architectural complexity.<!--/data/user/0/com.samsung.android.app.notes/files/clipdata/clipdata_bodytext_260410_082652_153.sdocx-->

Kata Kunci : Estimasi Kedalaman Monokular, CNN, DenseNet-169, encoder-decoder, KITTI, absolute depth loss.