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.