Advance Driving Assistance System (ADAS), sistem ini diperuntukkan untuk
kendaraan roda empat atau lebih, merupakan salah satu sistem yang membantu
pengemudi dalam mengendarai kendaraan dan dalam kondisi memarkir kendaraan,
sistem ini secara umum dilengkapi dengan kamera sebagai alat bantu pengendara
dalam memperhatikan kondisi disekitarnya. Sebagian kasus kecelakaan lalu lintas
disebabkan oleh kesalahan pengemudi salah satunya adalah kasus tabrakan, hal ini
disebabkan oleh pengemudi tidak dapat memperhitungkan jarak kendaraan lain.
Penelitian ini telah mengimplementasikan ADAS yang berfokus pada
mengestimasi jarak objek dan mendeteksi objek. Manfaat dari sistem ini adalah
dapat mendeteksi objek dan mengestimasi jarak, metode yang digunakan
menggunakan Deep Learning. Arsitektur yang digunakan dalam deteksi objek
menggunakan MobileNetV2, EfficientNet, dan VGGNet16 dengan metode
lokalisasi Single Shot Detection (SSD). Metode yang digunakan pada estimasi jarak
dengan menggunakan Depth prediction/estimation dengan menggunakan arsitektur
deep learning DenseDepth dan MonoDepth2.
Hasil dari penelitian ini, berdasarkan pengujian yang telah dilakukan, arsitektur
deep learning yang diperuntukkan dalam mendeteksi objek, berdasarkan hasil
evaluasi mean Average Precision (mAP), skor tertinggi diperoleh arsitektur
MobileNetV2 dengan skor 75%, arsitektur deep learning yang diperuntukkan dalam
mengestimasi jarak, DenseDepth menghasilkan estimasi yang lebih baik dibanding
Monodepth2, hal ini berdasarkan evaluasi metrik RMSE (Root Mean Square Error)
DenseDepth sebesar 4.170, sedangkan Monodepth2 memiliki nilai RMSE sebesar
4.863