Sistem Deteksi Lajur Jalan pada Malam Hari Menggunakan Deeplabv3+ pada Sistem Autonomous Car = Road Lane Detection System at Night Using Deeplabv3+ in an Autonomous Car System

Latar belakang. Deteksi lajur jalan pada kondisi minim cahaya malam hari merupakan tantangan signifikan dalam pengembangan sistem autonomous car dan ADAS (Advanced Driver Assistance Systems). Kondisi cahaya rendah menyebabkan degradasi kualitas citra dan penurunan kontras yang berpengaruh terhadap akurasi segmentasi lajur, sehingga mengorbankan keselamatan berkendara. Diperlukan pendekatan yang mengintegrasikan light enhancement dengan segmentasi semantik untuk meningkatkan performa deteksi. Tujuan. Penelitian ini dirancang untuk mengintegrasikan Low-Light Enhancement Module (LLEM) dan Attention Fusion Module (AFM) dengan Modified DeepLabv3+ guna meningkatkan segmentasi lajur jalan pada malam hari, serta mengevaluasi peningkatan kinerja dan robustness arsitektur terhadap variasi kondisi masukan. Metode. Arsitektur end-to-end yang diusulkan mengintegrasikan tiga komponen utama: LLEM untuk meningkatkan kualitas citra pada cahaya rendah, AFM untuk fusi fitur adaptif berbasis attention mechanism, dan Modified DeepLabv3+ dengan backbone ResNet-18 untuk segmentasi semantik. Evaluasi dilakukan melalui pengujian komparatif terhadap model baseline dan analisis ablasi pada berbagai resolusi input (448×256, 336x192, 224×128, dan 112×64 piksel) menggunakan metrik IoU dan Dice Score. Hasil. Arsitektur end-to-end berhasil mencapai mIoU 76.7% dan mDice 85.6%, melampaui model baseline yang hanya mencapai 72.5% mIoU dan 81.8% mDice. Peningkatan paling signifikan terjadi pada class lm_dashed dengan peningkatan IoU 14.3%, memvalidasi efektivitas integrasi LLEM dan AFM. Pada resolusi terendah (112×64 piksel), model masih mencapai mIoU 34.3% dibandingkan baseline 6.9%, menunjukkan robustness terhadap degradasi resolusi. Kesimpulan. Integrasi end-to-end LLEM, AFM, dan Modified DeepLabv3+ terbukti meningkatkan akurasi segmentasi lajur jalan pada malam hari dengan pertumbuhan performa yang signifikan. Robustness model terhadap variasi resolusi input membuka peluang deployment pada embedded systems dengan resource terbatas untuk aplikasi autonomous vehicle real-time.