Sistem Deteksi Objek Menggunakan Depth Camera Untuk Unmanned Ground Vehicle Di Lingkungan Outdoor
Abstract
Penggunaan Unmanned Ground Vehicle (UGV) di area luar ruangan membutuhkan sistem deteksi objek yang mampu bekerja secara optimal untuk membantu sistem navigasi untuk menghindari berbagai rintangan secara otomatis. Salah satu tantangan dalam navigasi UGV adalah mendeteksi dan mengukur jarak objek seperti pohon secara real time di medan yang kompleks. Penelitian ini bertujuan untuk merancang dan membangun sistem deteksi objek menggunakan algoritma You Only Live Once (YOLO) v11 yang dipadukan dengan depth camera Intel RealSense D435I, berfokus pada pohon sebagai objek tunggal. Sistem ini dirancang guna menunjang pergerakan mandiri UGV di lingkungan outdoor. Metodologi yang digunakan mencakup pengumpulan dataset secara mandiri sebanyak 3.502 gambar pohon dari area sekitar Gedung P Universitas Telkom, proses pelabelan menggunakan platform Roboflow, pelatihan model YOLOv11 dengan teknik augmentasi data, serta integrasi dengan algoritma robust center untuk mengestimasi jarak. Pelatihan dilakukan di Google Colab dengan GPU NVIDIA A100. Evaluasi performa dilakukan menggunakan metrik precision, recall, F1-score, dan mean Average Precision (mAP), serta perbandingan terhadap model YOLOv10.
Hasil pengujian menunjukkan bahwa model YOLOv11 memiliki kinerja deteksi dengan precision sebesar 88,1%, recall 85,6%, dan mAP 0.5 mencapai 90,5%. Estimasi jarak paling akurat diperoleh dengan nilai center_ratio sebesar 0,3 pada metode robust center. Sistem yang dikembangkan mampu mendukung sistem deteksi objek UGV di lingkungan outdoor dan memiliki potensi aplikasi di berbagai bidang seperti pertanian, militer, serta penanggulangan bencana.
Kata Kunci: Kendaraan Tanpa Awak, Deteksi Objek, Depth Camera, YOLOV11, Robust Center, Deep Learning.
References
F. Islam, M. M. Nabi, and J. E. Ball, “Off-Road Detection Analysis for Autonomous Ground Vehicles: A Review,” Nov. 01, 2022, MDPI. doi: 10.3390/s22218463.
C. Godard, O. Mac Aodha, M. Firman, and G. Brostow, “Digging into self-supervised monocular depth estimation,” in Proceedings of the IEEE International Conference on Computer Vision, Institute of Electrical and Electronics Engineers Inc., Oct. 2019, pp. 3827–3837. doi: 10.1109/ICCV.2019.00393.
T. Pereira, T. Gameiro, J. Pedro, C. Viegas, and N. M. F. Ferreira, “Vision System for a Forestry Navigation Machine,” Sensors, vol. 24, no. 5, Mar. 2024, doi: 10.3390/s24051475.
C. Ersü, E. Petlenkov, and K. Janson, “A Systematic Review of Cutting-Edge Radar Technologies: Applications for Unmanned Ground Vehicles (UGVs),” Sensors, vol. 24, no. 23, 2024, doi: 10.3390/s24237807.
Z. Q. Zhao, P. Zheng, S. T. Xu, and X. Wu, “Object Detection with Deep Learning: A Review,” IEEE Trans Neural Netw Learn Syst, vol. 30, no. 11, pp. 3212–3232, 2019, doi: 10.1109/TNNLS.2018.2876865.
A. Y. V. Mulawarman Munsyir, S.E., S.SI., M.Kom, Harry Setya Hadi, S.Kom, M.Kom, Tata Sumitra, S.Kom., M.Kom, Ita Arfyanti, S. Kom, M. M, Algoritma dan Pemrograman: Pendekatan Komprehensif. [Online]. Available: https://journal.yayasanpad.org/index.php/ypadbook/article/view/125
J. Nurhakiki et al., “Studi Kepustakaan: Pengenalan 4 Algoritma Pada Pembelajaran Deep Learning Beserta Implikasinya,” Jurnal Pendidikan Berkarakter, no. 1, pp. 270–281, 2024, [Online]. Available: https://doi.org/10.51903/pendekar.v2i1.598
A. Y. W. dan R. S. I Wayan Suartika E. P, “JURNAL TEKNIK ITS Vol. 5, No. 1, (2016) ISSN: 2337-3539 (2301-9271 Print),” Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) pada Caltech 101, vol. Vol. 5, No, no. 1, pp. 1–2, 2016.
F. Muhamad Zulkarnaen, “Sistem Deteksi Objek Manusia Menggunakan Algoritma Yolov8 Berbasis Kamera Depth Sensor (Studi Kasus: Cv. Ateri Global Teknologi),” 2024.
T. Nur, Huzaeni, and M. Khadafi, “Implementasi Metode Object Detection Dengan Algoritma Yolo (You Only Look Once) Untuk,” Jurnal Teknologi Rekayasa Informasi dan Komputer, vol. 6, no. 2, pp. 28–33, 2023.
F. Chen, Y. Zhang, L. Fu, R. Hua, Q. Zhang, and S. Bi, “A Comparative Review of the Next-Generation YOLO Models: YOLOv10 and YOLO11”.
