Simulasi Perbandingan Training Dataset YOLOv5 Dan YOLOv8 Menggunakan Prototipe AUV
DOI:
https://doi.org/10.52158/pkrjg903Keywords:
YOLOv5n, YOLOv8n, object detection, AUVAbstract
Penelitian ini mengevaluasi performa pelatihan model YOLOv5n dan YOLOv8n menggunakan dataset Kompetisi Robot Berbasis Kecerdasan Buatan (KRBAI) 2024 untuk deteksi objek pada prototipe Autonomous Underwater Vehicle (AUV). Dataset yang terdiri atas 4.114 citra dengan tiga kelas objek (gerbang, rintangan, drum) dilatih melalui Google Colab dengan konfigurasi 200 epoch, ukuran batch 16, dan resolusi citra 640x640. YOLOv5n memanfaatkan struktur berbasis anchor, sedangkan YOLOv8n menggunakan pendekatan tanpa anchor dengan modul C2f untuk efisiensi lebih tinggi. Hasil pelatihan menunjukkan YOLOv8n unggul dalam presisi (0,994 vs. 0,990) dan mAP50-95 (0,940 vs. 0,924), sementara YOLOv5n lebih baik pada recall kelas gerbang (0,999). Kedua model memiliki mAP50 serupa (0,993). Waktu pelatihan YOLOv8n sedikit lebih lama (3 jam 17 menit vs. 3 jam 31 menit). YOLOv8n terbukti lebih efektif untuk deteksi objek real-time pada AUV, mendukung navigasi dan pengenalan lingkungan bawah air. Penelitian mendatang perlu menguji dataset yang lebih beragam dan kondisi lingkungan yang lebih kompleks.
References
[1] D. Laras Wati, P. Ranna, dan dan Oei Fuk Jin, “PERKEMBANGAN INTEGRASI DIGITAL TWIN DAN ROBOTIK DI INDUSTRI KONSTRUKSI,” 2024.
[2] E. Darmawan Yudi dan J. A. Yani No, “Literature Review : Implementasi Sistem Monitoring Robot Bawah Air (Underwater Robot) berbasis IoT menggunakan metode Fuzzy Logic,” 2023.
[3] I. Sobirin, J. Endrasmono, D. P. Riananda, P. Asri, M. A. Jami’in, dan I. Munadhif, “IMPLEMENTASI KONTROL PID ZIEGLER – NICHOLS UNTUK PENGENDALIAN PENYELAMAN PADA ROBOT BAWAH AIR OTONOM HYDROSHIPS,” Jurnal Elektronika dan Otomasi Industri, vol. 11, no. 2, hlm. 409–420, Jul 2024, doi: 10.33795/elkolind.v11i2.5344.
[4] Ii Munadhif, Widya Primaswari Putri1, M. Khoirul Hasin, Noorman Rinanto, dan Ryan Yudha Adhitya, “Kinematika Enam Derajat Kebebasan Pada Robot Bawah Air Otonom Menggunakan Pendekatan Analisa Geometri,” Jurnal Elektronika dan Otomasi Industri, vol. 11, no. 2, hlm. 420–432, Jul 2024, doi: 10.33795/elkolind.v11i2.5341.
[5] J. Widodo, W. Saputra, M. Allam Naufal, dan O. A. Putra, “Implementasi Yolo V8 pada Prototipe Autonomous Underwater Robot Berbasis Raspberry Pi 5 Guna Menanggulangi Pencemaran Sampah Plastik di Daerah Perairan,” 2024.
[6] J. Redmon, S. Divvala, R. Girshick, dan A. Farhadi, “Anda Hanya Melihat Sekali: Deteksi Objek Real-Time Terpadu,” 2016. [Daring]. Tersedia pada: http://pjreddie.com/yolo/
[7] O. Alfiano dan dan Santi Rahayu, “IMPLEMENTASI ALGORITMA DEEP LEARNING YOLO (YOU ONLY LOOK ONCE) UNTUK DETEKSI KUALITAS KENTANG SEGAR DAN BUSUK SECARA REAL TIME,” JORAPI : Journal of Research and Publication Innovation, vol. 2, no. 3, 2024, [Daring]. Tersedia pada: https://jurnal.portalpublikasi.id/index.php/JORAPI/index
[8] M. A. A. Muzammil dan R. Indraswari, “Pengembangan Arsitektur Model YOLOv8 untuk Meningkatkan Performa Object Detection pada Varian Boks Warehouse Palletizing,” ILKOMNIKA: Journal of Computer Science and Applied Informatics, vol. 6, no. 2, hlm. 19–30, Agu 2024, doi: 10.28926/ilkomnika.v6i2.642.
[9] Yanto, F. Aziz, dan Irmawati, “YOLO-V8 PENINGKATAN ALGORITMA UNTUK DETEKSI PEMAKAIAN MASKER WAJAH,” Jurnal Mahasiswa Teknik Informatika, vol. 7, no. Vol. 7 No. 3 (2023): JATI Vol. 7 No. 3, hlm. 1–8, Jul 2023, doi: https://doi.org/10.36040/jati.v7i3.7047.
[10] Muhammad Aqsal Sirulah Sodik, “IMPLEMENTASI ALGORITMA YOU ONLY LOOK ONCE (YOLOv5) SEBAGAI PENDETEKSI BAHASA ISYARAT INDONESIA (SIBI),” Bandung, Agu 2024. Diakses: 15 Mei 2025. [Daring]. Tersedia pada: https://digilib.uinsgd.ac.id/94345/
[11] F. Romadloni dkk., “Identifikasi Warna Buoy Menggunakan Metode You Only Look Once Pada Unmanned Surface Vehicle”, [Daring]. Tersedia pada: https://journal.trunojoyo.ac.id/triac
[12] A. Rizal Lucky Pradana, S. Khumaidi, M. T. St, R. Andiana, dan S. St, “Identifikasi Penyebab Cacat Pada Hasil Pengelasan Dengan Image Processing Menggunakan Metode YOLO,” Jurnal Teknik Elektro dan Komputer TRIAC, vol. 9 No.3, no. Identifikasi Penyebab Cacat Pada Hasil Pengelasan Dengan Image Processing Menggunakan Metode YOLO, hlm. 1–5, 2021, [Daring]. Tersedia pada: https://journal.trunojoyo.ac.id/triac
[13] A. E. Gusti Audryadmaja, “Implementasi ROS dan Optimasi Identifikasi Warna Buoy Dengan YOLOv5 Pada Miniatur Autonomous Surface Vehicle,” Jurnal Elektronika dan Otomasi Industri, vol. 11, no. 1, hlm. 299–308, Mei 2024, doi: 10.33795/elkolind.v11i1.5343.
[14] M. A. Adi, Agus Khumaidi, Mohammad Basuki Rahmat, Dimas Pristovani Riananda, Muhammad Khoirul Hasin, dan Didik Sukoco, “Implementasi Sistem Deteksi Titik Api Pada area graving dock Menggunakan YOLOv5,” Jurnal Elektronika dan Otomasi Industri, vol. 11, no. 2, hlm. 473–482, Jul 2024, doi: 10.33795/elkolind.v11i2.5233.
[15] A. A. Wahyudi, Agus Khumaidi, Mohammad Basuki Rahmat, Dimas Pristovani Riananda, Mat Syai’in, dan Joko Endrasmono, “Implementasi Robot Operating System (ROS) Untuk Meningkatkan Akurasi Deteksi Bola Menggunakan YOLO V5 Pada KRSBI-Beroda,” Jurnal Elektronika dan Otomasi Industri, vol. 11, no. 2, hlm. 648–661, Jul 2024, doi: 10.33795/elkolind.v11i2.5234.
[16] Husnan, H., et al., “Deteksi objek menggunakan metode YOLO dan implementasinya pada robot bawah air,” ResearchGate, 2023. [Online]. Available: https://www.researchgate.net
[17] B. Prayoga Suswanto, M. Rahmawaty, T. Rekayasa Mekatronika, dan P. Caltex Riau, “RANCANG BANGUN SISTEM DAN MEKANISME UNDERWATER ROV (REMOTELY OPERATED VEHICLE) DEVELOPMENT OF UNDERWATER ROV (REMOTELY OPERATED VEHICLE) SYSTEMS AND MECHANISM,” Jurnal Polsri, vol. 15, no. RANCANG BANGUN SISTEM DAN MEKANISME UNDERWATER ROV, hlm. 87–96, Okt 2023, doi: 10.53893/austenit.v15i.
[18] Jamal, “DESAIN KONTRUKSI KAPAL RISET POLBENG BERBAHAN DASAR PLASTIK HDPE,” INOVTEK Polbeng, vol. 14, no. 02, hlm. 130–139, Nov 2024, doi: 10.35314/be6y5813.
[19] G. Firgiawan, N. Lintang Seina, dan P. Rosyani, “Implementasi Metode You Only Look Once (YOLO) untuk Pendeteksi Objek dengan Tools OpenCV,” 2024. [Daring]. Tersedia pada: https://jurnalmahasiswa.com/index.php/aidanspk
[20] Irwan Adhi Prasetya, Fadli Sukandiarsyah, Novi Aryani Fitri, dan Safri Adam, “Klasifikasi kualitas buah jeruk menggunakan computer vision dengan arsitektur YOLO V8,” Jurnal Pendidikan Informatika dan Sains, vol. 13, no. 2, hlm. 187–201, Des 2024, doi: 10.31571/saintek.v13i2.8346.
[21] D. Triyanto, M. Zidan, M. Wahyudi, L. Pujiastuti, U. Bina Sarana Informatika, dan S. Antar Bangsa, “Pengembangan Sistem Deteksi Objek Botol Real-Time dengan YOLOv8 untuk Aplikasi Vision,” Journal Computer Science, vol. 3, no. 1, 2024.
[22] M. Triningsi Tamo Ama, A. Rudatyo Himamunanto, dan G. Christmass Setyawan, “Peningkatan Resolusi Citra dengan Menggunakan Metode GAN untuk Aplikasi Peningkatan Gambar,” Jul 2024. doi: https://doi.org/10.30645/kesatria.v5i3.447.
[23] J. Sampah, S. Implementasi di Website Bank Sampah Bersinar, dan st Rifqi Fadhila Shandi, “Penggunaan Algoritma YOLOv8 untuk Deteksi,” Telkom University, vol. 11, no. Penggunaan Algoritma YOLOv8 untuk Deteksi Jenis Sampah: Studi Implementasi di Website Bank Sampah Bersinar, hlm. 1–7, Des 2024.
[24] C. Xiaoming dkk., “An improved algorithm based on YOLOv5 for detecting Ambrosia trifida in UAV images,” Front Plant Sci, vol. 15, 2024, doi: 10.3389/fpls.2024.1360419.
[25] D. Li, T. Yang, Z. Jin, W. Si-qi, dan L. Quan-yi, “YOLOv8-EMSC: A lightweight fire recognition algorithm for large spaces,” Journal of Safety Science and Resilience, vol. 5, no. 4, hlm. 422–431, Des 2024, doi: 10.1016/j.jnlssr.2024.06.003.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Ryan Yudha Adhitya, Erutan Dwi Sajiwo, Zindhu Maulana Ahmad Putra, M. Yusuf Santoso, M. Khoirul Hasin, Adianto, Dimas Pristovani Riananda, Isa Rachman, Agus Khumaidi, Yuning Widiarti
This work is licensed under a Creative Commons Attribution 4.0 International License.
