Implementasi Turret yang Dikendalikan YOLOv8 Untuk Identifikasi dan Tracking Target Bergerak

Authors

Abstract

Kemajuan teknologi di bidang Artificial Intelligence membuka kesempatan baru bagi mesin perang otonom untuk membantu tugas tentara untuk melawan musuh. Hal ini telah dibuktikan dalam perang Rusia-Ukraina dengan penggunaan drone pengintai dan drone Kamikaze. Oleh karena itu negara-negara besar berlomba untuk menguasai bidang AI baik di sisi software maupun hardware. Walaupun level penggunaan Artificial Intelligence masih dalam tahap awal, sistem tracking dan targeting yang digunakan untuk menghancurkan kendaraan tempur sudah dalam penggunaan contohnya adalah drone Switchblade dan KUB-BLA. Drone-drone tersebut dapat mengidentifikasi dan mengklasifikasikan benda-benda yang dilihat oleh kameranya sehingga dapat membedakan mana target dan bukan targetnya. Dalam penelitian ini, implementasi turret yang dikontrol oleh YOLOv8 sukses diimplementasikan menggunakan NVIDIA Jetson Nano dan faktor-faktor yang mempengaruhi performa sistem deteksi telah teridentifikasi. Untuk performa dari Turret itu sendiri ada parameter yang mencapai harapan dan ada yang tidak. Untuk confidence di semua pengujian telah mencapai harapoan kecuali pengujian kedua horizontal, dimana Tingkat confidence hanya 0.689 dari 0.7 yang diharapkan. Untuk deviasi semua mencapai harapan yaitu rata-rata dibawah 40 pixel namun semua hasil runtime tidak mencapai harapan dengan hasil rata-rata terbaik hanya 601 ms sedangkan harapan adalah 200 ms. Akurasi juga tidak ada yang mencapai harapan dengan hasil terbaik adalah 27.1% dari 70% yang diharapkan. Rendahnya akurasi dan lambatnya runtime dikarenakan deteksi yang tidak stabil dan keterbatasan hardware NVIDIA Jetson menyebabkan turret memiliki kesulitan untuk tracking secara akurat. Diharapkan kedepannya dapat menggunakan kamera yang lebih baik disertai hardware yang mempunyai spesifikasi yang baik.

Kata Kunci : Artificial Intelligence, Turret, Targeting, Tracking

Downloads

Download data is not yet available.

References

[1] Y. Zhu, "Target Detection Based on Deep Learning,"

Journal of Physics: Conference Series, 2022.

[2] D. Yang, "Research and Implementation of Embedded

Real time Target Detection Algorithm Based on Deep

Learning," Journal of Physics: Conference Series,

2021.

[3] L. S. Xiuli Du, "A Lightweight Military Target

Detection Algorithm Based on Improved YOLOv5,"

MDPI Electronics, 2022.

[4] B. Pong, "The Art of Drone Warfare," Journal of War

& Culture, pp. 377-387, 2022.

[5] T. J. Oleksii Kostenko, "Problems of Using

Autonomous Military AI Against the Background of

Russia's Military Aggression Against Ukraine," Baltic

Journal of Legal and Social Sciences, no. 4, 2022.

[6] A. Noerifanza, "Analisa Kelayakan Modul Esp32

Sebagai Kamera untuk Pengenalan Objek Sehari-hari,"

Journal of Computer, Electronic, and

Telecommunication, vol. 3, 2022.

[7] in Metodologi penelitian kualitatif, Bandung, Remaja

Karya, 2002, p. 410.

[8] H. Liu, "A Military Object Detection Model of UAV

Reconnaissance Image and Feature Visualization,"

Applied Science, 2022.

[9] I. A. R. Lembang, "Indonesia Military Research and

Development in Dealing With The Sixth Generation

Warfare : The Use of Artificial Intelligence in War

Operations," East Asian Journal of Multidisciplinary

Research (EAJMR), vol. 2, pp. 649-660, 2023.

[10

]

S. Kuswadi, "Gun turret automatic weapon control

system design and realization," International

Symposium on Electronics and Smart Devices (ISESD),

pp. 30-34, 2016.

[11

]

D. Kunertova, "The war in Ukraine shows the gamechanging," Bulletin of the Atomic Scientists, pp. 95-102,

2023.

[12

]

J. Johnson, "Artificial intelligence & future warfare:

implications for international security," Defense &

Security Analysis, 2019.

[13

]

H. Fiyad, "Real Time Embedded Target Detection and

Warning Systems," Journal of Physics: Conference,

2019.

[14

]

B. Earl, "Adafruit PCA9685," [Online]. Available:

https://cdn-learn.adafruit.com/downloads/pdf/16-

channel-pwm-servo-driver.pdf. [Accessed 8 january

2025].

[15

]

M. K. Anwar, "Deep Features Representation for

Automatic Targeting System of Gun Turret," in

International Electronics Symposium on Engineering

Technology and Applications (IES-ETA), Bali, 2018.

[16

]

Ultralytics, "Ultralytics YOLOv8," [Online]. Available:

https://github.com/ultralytics/ultralytics. [Accessed 24

June 2024].

[17

]

OMRON, "Technical Explanation for Servomotors and

Servo Drives," [Online]. Available:

https://www.ia.omron.com/data_pdf/guide/14/servo_tg

_e_1_1.pdf. [Accessed 14 April 2024].

[18

]

BeneWake, "SEN0259 Datasheet," [Online]. Available:

https://www.farnell.com/datasheets/3963986.pdf.

[Accessed 06 May 2024].

[19

]

NVIDIA,

"https://developer.nvidia.com/embedded/jetson-nano,"

Nvidia Corporation, [Online]. Available:

https://developer.nvidia.com/embedded/jetson-nano.

[Accessed 06 May 2024].

Published

2025-04-01

Issue

Pages

1 - 10

Section

Prodi S1 Teknik Elektro - Kampus Surabaya

How to Cite

Noerifanza, A., Tri Rasmana, S., & Latif, C. (2025). Implementasi Turret yang Dikendalikan YOLOv8 Untuk Identifikasi dan Tracking Target Bergerak. EProceedings of Engineering, 12(2), 1-10. https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/26504