Deteksi Bola dan Lingkungannya Dengan Menggunakan Algoritma YOLO (You Only Look Once)

Arif Prayoga, M Jasa Afroni, Anang Habibi

Sari


Dalam bidang robotika, terdapat kategori robot yang memiliki kemampuan untuk bermain sepakbola, salah satunya adalah robot sepakbola beroda. Robot ini dirancang untuk dapat mendeteksi objek di lingkungan pertandingan, khususnya objek bola, gawang dan robot. Pengembangan sistem deteksi objek, termasuk bola, gawang, dan robot, dengan tingkat keakuratan tinggi menjadi kebutuhan utama agar robot dapat mengidentifikasi objek secara tepat untuk menjalankan tugas-tugas selanjutnya. Penelitian ini menggunakan Ultralytics YOLO (You Only Look Once) sebagai sistem pendeteksian objek. YOLO merupakan implementasi deep-learning yang dapat diadopsi untuk tujuan ini. YOLOv8 digunakan sebagai model jaringan dalam penelitian ini, dan proses pelatihannya melibatkan framework Pytorch. Selama tahap pelatihan jaringan, diperoleh mean Average Precision (mAP) sebesar 99%. Pada tahap pengujian jaringan, sistem berhasil mendeteksi objek dengan memberikan label "bola", "gawang", dan "Robot" beserta bounding box pada frame gambar yang dihasilkan. Sistem deteksi yang dikembangkan dalam penelitian ini menghasilkan nilai performa jaringan yang sangat baik, dengan nilai accuracy sebesar 98,4%, precision sebesar 99,4%, recall sebesar 98,9%, dan F1-score sebesar 99.2%. Performa jaringan dievaluasi menggunakan 500 frame gambar sebagai test set selama tahap pelatihan jaringan.

 Kata Kunci : robot, deep-learning, deteksi objek, YOLO.

 


Teks Lengkap:

PDF

Referensi


A. F. Joseph Redmon, Santosh Divvala, Ross Girshick, “Efficient convnet-based object detection for unmanned aerial vehicles by selective tile processing,” Proc. IEEE Conf. Comput. Vis. pattern Recognit., 2016, doi: 10.1145/3243394.3243692.

R. A. Fatekha, B. S. B. Dewantara, and H. Oktavianto, “Sistem Deteksi Bola pada Robot Kiper Pemain Sepakbola Beroda,” J. Integr., vol. 13, no. 2, pp. 127–134, 2021, doi: 10.30871/ji.v13i2.3133.

F. Indaryanto, A. Nugroho, and A. F. Suni, “Aplikasi Penghitung Jarak dan Jumlah Orang Berbasis YOLO Sebagai Protokol Kesehatan Covid-19,” Edu Komputika J., vol. 8, no. 1, pp. 31–38, 2021, doi: 10.15294/edukomputika.v8i1.47837.

F. Rofii, G. Priyandoko, M. I. Fanani, and A. Suraji, “Vehicle Counting Accuracy Improvement By Identity Sequences Detection Based on Yolov4 Deep Neural Networks,” Teknik, vol. 42, no. 2, pp. 169–177, 2021, doi: 10.14710/teknik.v42i2.37019.

F. F. Sanubari and R. D. Puriyanto, “Deteksi Bola dan Gawang dengan Metode YOLO Menggunakan Kamera Omnidirectional pada Robot KRSBI-B,” Bul. Ilm. Sarj. Tek. Elektro, vol. 4, no. 2, pp. 76–85, 2022, doi: 10.12928/biste.v4i2.6712.

W. Zhang, "A Fruit Ripeness Detection Method using Adapted Deep Learning-based Approach," International Journal of Advanced Computer Science and Applications, vol. 14, (9), 2023, doi: 10.14569/IJACSA.2023.01409121.

M. Hussain, “YOLO-v1 to YOLO-v8, the Rise of YOLO and Its Complementary Nature toward Digital Manufacturing and Industrial Defect Detection,” Machines, vol. 11, no.7, p. 677, 2023, doi: 10.3390/machines11070677

C. Dewi, A. P. Shun Chen, and H. Juli Christanto, “YOLOv7 for Face MaskIdentification Based on Deep Learning,” 2023 15th Int. Conf. Comput. Autom. Eng.ICCAE 2023, no. June, pp. 193–197, 2023, doi: 10.1109/ICCAE56788.2023.10111427.

D. Kumar et al., “Object Detection in Adverse Object Detection in Adverse Weather for Autonomous Driving Through Data Merging and YOLOv8,” 2023, doi: 10.20944/preprints202309.0050.v1.

Hidayatullah, P. et al “DeepSperm: A robust and real-time bull sperm-cell detection in densely populated semen video,” 2021, Computer Methods and Programs in Biomedicine, 209, p. 106302. doi:10.1016/j.cmpb.2021.106302


Refbacks

  • Saat ini tidak ada refbacks.