Deteksi Objek Menggunakan Metode YOLO dan Implementasinya pada Robot Bawah Air

Abstract

Penelitian ini membahas penggunaan berbagai arsitektur model deep learning dalam mendeteksi objek bawah air seperti gerbang, tiang, bola, dan baskom untuk meningkatkan performa robot dalam eksplorasi bawah air dalam konteks kompetisi SAUVC (Singapore AUV Challenge). Metode yang digunakan adalah YOLO (You Only Look Once) dan menggunakan berbagai jenis YOLOv5, seperti YOLOv5s, YOLOv5m, YOLOv5l, dan YOLOv5x. Hasil pengujian menunjukkan bahwa YOLOv5x memiliki rata-rata jarak deteksi terjauh sebesar 6,12 meter dan mAP@[0.5:0.95] paling tinggi yaitu 0,881, namun ukurannya yang besar memerlukan daya komputasi yang tinggi. Di sisi lain, YOLOv5s memiliki ukuran model yang lebih kecil yaitu 14,5 MB, namun tetap memberikan performa yang baik dengan mAP@[0.5:0.95] sebesar 0,872. Berdasarkan temuan ini, YOLOv5s lebih sesuai untuk digunakan dalam mendeteksi objek bawah air pada kompetisi SAUVC karena selain ukurannya yang lebih kecil, YOLOv5s juga memberikan performa yang memadai. Penggunaan model ini diharapkan dapat meningkatkan kinerja robot dalam eksplorasi bawah air dan membantu dalam menyelesaikan misi yang ditugaskan dalam waktu yang ditentukan.

CC Licencing

Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).