Deteksi Objek Menggunakan Metode YOLO dan Implementasinya pada Robot Bawah Air

Husnan, Husnan (2023) Deteksi Objek Menggunakan Metode YOLO dan Implementasinya pada Robot Bawah Air. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111940007002-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (5MB) | Request a copy

Abstract

SAUVC (Singapore AUV Challenge) merupakan kompetisi robot bawah air yang diikuti oleh sejumlah negara di dunia serta menjadi tempat pertemuan ilmiah terkait inovasi robot bawah air yang bertujuan agar robot bawah air dapat melakukan eksplorasi bawah air dan menjalankan misi yang diberikan dalam waktu yang ditentukan. Dalam melakukan deteksi objek bawah air, dapat digunakan pendekatan berbagai arsitektur model deep learning. Pada penelitian sebelumnya belum menerapkan model deep learning dengan arsitektur yang lebih baru. Dari permasalahan yang sudah disebutkan sebelumnya, Penelitian ini menerapkan berbagai arsitektur model deep learning yang dapat melakukan deteksi terhadap gerbang, tiang, bola dan baskom di bawah air. Metode yang digunakan adalah YOLO (You Only Look Once) untuk mendeteksi objek bawah air yang telah disebutkan sebelumnya. Model YOLO yang digunakan adalah berbagai jenis YOLOv5 seperti YOLOv5s, YOLOv5m, YOLOv5l dan YOLOv5x. Untuk mengetahui kinerja setiap jenis model YOLOv5 digunakan mean Average Precision (mAP) dan Intersection over Union (IoU) agar dapat diketahui model terbaik sehingga dapat meningkatkan performa robot dalam melakukan eksplorasi bawah air. Hasil pengujian menunjukkan bahwa YOLOv5x memiliki rata-rata jarak deteksi terjauh sebesar 6,12 meter dan mAP@[0.5:0.95] paling tinggi dibandingkan dengan model lainnya yaitu sebesar 0,881, namun ukurannya yang besar memerlukan daya komputasi yang tinggi. Sebaliknya, YOLOv5s memiliki ukuran model yang lebih kecil yaitu sebesar 14,5 MB, namun tetap memberikan performa yang baik. Oleh karena itu, YOLOv5s lebih sesuai digunakan untuk mendeteksi objek bawah air pada kompetisi SAUVC karena memiliki ukuran yang lebih kecil dan tetap memberikan performa yang memadai dengan mAP@[0.5:0.95] sebesar 0,872
====================================================================================================================================
SAUVC (Singapore AUV Challenge) is an underwater robot competition that is participated in by a number of countries in the world and is a place for scientific meetings related to underwater robot innovation which aims to enable underwater robots to carry out underwater exploration and carry out the assigned mission within the allotted time. In detecting underwater objects, various approaches to deep learning model architectures can be used. Previous studies have not implemented deep learning models with newer architectures. From the problems previously mentioned, this research applies various deep learning model architectures that can detect gates, poles, balls and basins underwater. The method used is YOLO (You Only Look Once) to detect the previously mentioned underwater objects. The YOLO models used are various types of YOLOv5 such as YOLOv5s, YOLOv5m, YOLOv5l and YOLOv5x. To find out the performance of each type of YOLOv5 model, mean Average Precision (mAP) and Intersection over Union (IoU) are used in order to find the best model so that it can improve the performance of robots in underwater exploration. The test results show that YOLOv5x has the longest average detection distance of 6,12 meters and the highest mAP@[0.5:0.95] compared to other models, namely 0,881, but its large size requires high computational power. In contrast, YOLOv5s has a smaller model size of 14,5 MB, but still provides good performance. Therefore, YOLOv5s is more suitable for detecting underwater objects in the SAUVC competition because it has a smaller size and still provides adequate performance with mAP@[0.5:0.95] of 0,872

Item Type:	Thesis (Other)
Uncontrolled Keywords:	SAUVC, Robot Bawah Air, Deep Learning, You Only Look Once (YOLO); SAUVC, Underwater Robot, Deep Learning, You Only Look Once (YOLO)
Subjects:	T Technology > TJ Mechanical engineering and machinery > TJ211 Robotics.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Husnan Husnan
Date Deposited:	28 Aug 2023 03:55
Last Modified:	28 Aug 2023 03:55
URI:	http://repository.its.ac.id/id/eprint/100688

Actions (login required)

View Item