.
Identifikasi Warna Buoy Menggunakan Metode You Only Look Once Pada Unmanned Surface Vehicle
Abstract
Abstract— Unmanned Surface Vehicle merupakan kapal permukaan tanpa awak yang dapat beroperasi secara otomatis maupun manual dengan kontrol dari manusia. Unmannned Surface Vehicle dilengkapi oleh berbagai sistem seperti sistem komunikasi, sistem propulsi, dan sistem deteksi yang memungkinkannya untuk dapat berlayar dan bernavigasi dengan baik. Salah satu sarana navigasi yang penting dalam dunia pelayaran adalah buoy (pelampung suar). Buoy memiliki kode warna tertentu yang digunakan sebagai tanda peringatan, larangan, atau perintah bagi kapal yang memasuki area tersebut. Oleh karena itu, identifikasi warna buoy secara cepat, tepat, dan real-time sangat dibutuhkan untuk mengurangi potensi kecelakaan di wilayah laut, terutama pada Unmanned Surface Vehicle yang tidak memiliki awak kapal. Pada penelitian ini digunakan metode You Only Look Once untuk mengidentifikasi warna buoy. Metode You Only Look Once dipilih karena dapat mendeteksi objek secara real-time dengan kecepatan yang tinggi. Dari hasil penelitian didapatkan nilai Mean Average Precision sebesar 99,3% dan nilai average loss sebesar 0,2383. Algoritma ini juga telah diuji pada intensitas cahaya yang berbeda beda. dimana semua pengujian menghasilkan rata rata nilai deteksi sebesar 98,8% untuk buoy merah dan 100% untuk buoy hijau. Sehingga dapat disimpulkan bahwa metode ini memiliki nilai yang baik dalam deteksi maupun akurasi.
Kata Kunci— Unmanned Surface Vehicle, Buoy, You Only Look Once, Warna, Real-Time
Full Text:
PDF (Bahasa Indonesia)References
N. L. Husni, S. Rasyad, M. S. Putra, Y. Hasan, and J. Al Rasyid, “Pengaplikasian sensor warna pada navigasi line traking robot sampah,” Ampere, vol. 4, no. 2, pp. 297–306, 2019.
N. F. Satria, S. Kuswadi, and N. Arifin, “Rancang bangun unmanned surface vehicle berbasis adaptive morphology di air dan darat,” Semin. Nas. Terap. Ris. Inov., vol. 6, no. 1, pp. 379–387, 2020.
D. Ariateja, U. D. Fatmawati, and I. A. Dahlan, “Instrumentasi pemantauan perairan berbasis telemetri pada prototipe unmanned surface vehicle (USV),” JTEV (Jurnal Tek. Elektro dan Vokasional), vol. 7, no. 2, p. 200, 2021, doi: 10.24036/jtev.v7i2.113096.
A. Vagale, R. Oucheikh, R. T. Bye, O. L. Osen, and T. I. Fossen, “Path planning and collision avoidance for autonomous surface vehicles I: a review,” J. Mar. Sci. Technol., vol. 26, no. 4, pp. 1292–1306, 2021, doi: 10.1007/s00773-020-00787-6.
L. Steccanella, D. D. Bloisi, A. Castellini, and A. Farinelli, “Waterline and obstacle detection in images from low-cost autonomous boats for environmental monitoring,” Rob. Auton. Syst., vol. 124, 2020, doi: 10.1016/j.robot.2019.103346.
H. Priyono, S. Aritong, and M. Akbar, “Pengembangan teknologi kapal tanpa awak guna mendukung operasi dan latihan tni angkatan laut,” J. Indones. Sos. Sains, vol. 3, no. 3, pp. 527–537, 2022, doi: 10.36418/jiss.v3i3.555.
D. Permana, M. Rivai, and N. Irfansyah, “30999-83886-1-PB.pdf,” vol. 7, no. 2, 2018.
E. T. Wahyuni, “Peranan sarana bantu navigasi pelayaran terhadap keselamatan pelayaran,” Natl. Semin. Marit. Interdiscip. Stud. 1, vol. 1 no 1, pp. 269–274, 2019.
R. Theresia, “Prosedur darurat penanganan kapal kandas terhadap lct . total iii di area buoy 14 dan buoy 16 menuju sungai lais di perairan mahakam,” vol. 12, no. 1, pp. 34–41, 2022.
Surnata, N. Hayatun, K. Alam, and E. Agustini, “Semiotika rambu-rambu lalu lintas laut elfita agustini abstrak semiotics of marine traffic signs abstract dalam peraturan menteri perhubungan republik indonesia nomor 13 tahun 2014 tentang lalu lintas bab 1 pasal 1 bahwa rambu lalu lintas adalah bagian,” vol. 4, no. 2, pp. 443–456, 2021.
W. Fang, L. Wang, and P. Ren, “Tinier-yolo: a real-time object detection method for constrained environments,” IEEE Access, vol. 8, pp. 1935–1944, 2020, doi: 10.1109/ACCESS.2019.2961959.
A. Khumaidi and R. L. Pradana, “Identifikasi penyebab cacat pada hasil pengelasan dengan image processing menggunakan metode yolo,” J. Tek. Elektro dan Komput. TRIAC, vol. 9, no. 3, pp. 107–112, 2022, [Online]. Available: https://journal.trunojoyo.ac.id/triac/article/view/15997
V. M. P. Salawazo, D. P. J. Gea, R. F. Gea, and F. Azmi, “Implementasi metode convolutional neural network ( cnn ) pada peneganalan objek video cctv,” J. Mantik Penusa, vol. 3, no. 1, pp. 74–79, 2019.
M. F. Rahman and B. Bambang, “Deteksi sampah pada real-time video menggunakan metode faster r-cnn,” Appl. Technol. Comput. Sci. J., vol. 3, no. 2, pp. 117–125, 2021, doi: 10.33086/atcsj.v3i2.1846.
A. Thariq and R. Y. Bakti, “Sistem deteksi masker dengan metode haar cascade pada era new normal covid-19,” J. Sist. dan Teknol. Inf., vol. 9, no. 2, p. 241, 2021, doi: 10.26418/justin.v9i2.44309.
A. Bochkovskiy, C.-Y. Wang, and H.-Y. M. Liao, “Yolov4: optimal speed and accuracy of object detection,” 2020, [Online]. Available: http://arxiv.org/abs/2004.10934
M. Shen et al., “A deep learning based automatic defect analysis framework for in-situ tem ion irradiations,” Comput. Mater. Sci., vol. 197, no. May, p. 110560, 2021, doi: 10.1016/j.commatsci.2021.110560.
J. Han, Y. Liao, J. Zhang, S. Wang, and S. Li, “Target fusion detection of lidar and camera based on the improved yolo algorithm,” Mathematics, vol. 6, no. 10, 2018, doi: 10.3390/math6100213.
R. T. Prasetio and E. Ripandi, “Optimasi klasifikasi jenis hutan menggunakan deep learning berbasis optimize selection,” J. Inform., vol. 6, no. 1, pp. 100–106, 2019, doi: 10.31311/ji.v6i1.5176.
K. A. Shianto, K. Gunadi, and E. Setyati, “Deteksi jenis mobil menggunakan metode yolo dan faster r-cnn,” J. Infra, vol. 7, no. 1, pp. 157–163, 2019, [Online]. Available: http://publication.petra.ac.id/index.php/teknik-informatika/article/view/8065
A. Thohari and G. B. Hertantyo, “Implementasi convolutional neural network untuk klasifikasi pembalap motogp berbasis gpu,” Proc. Conf. Electr. Eng. Telemat. Ind. Technol. Creat. Media, pp. 50–55, 2018.
U. Nepal and H. Eslamiat, “Comparing yolov3, yolov4 and yolov5 for autonomous landing spot detection in faulty uavs,” Sensors, vol. 22, no. 2, 2022, doi: 10.3390/s22020464.
K. Roszyk, M. R. Nowicki, and P. Skrzypczyński, “Adopting the yolov4 architecture for low-latency multispectral pedestrian detection in autonomous driving,” Sensors, vol. 22, no. 3, 2022, doi: 10.3390/s22031082.
DOI: https://doi.org/10.21107/triac.v10i1.19650
Refbacks
Copyright (c) 2023 Jurnal Teknik Elektro dan Komputer TRIAC
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
