ANALISIS PERBANDINGAN KINERJA ARSITEKTUR UNET DAN YOLO UNTUK DETEKSI OBJEK PADA ROBOT SEPAK BOLA BERODA

Dwi Baharna, Haryan (2025) ANALISIS PERBANDINGAN KINERJA ARSITEKTUR UNET DAN YOLO UNTUK DETEKSI OBJEK PADA ROBOT SEPAK BOLA BERODA. Masters thesis, UNAMA.

	Text BAB I.pdf Download (140kB)
	Text BAB II.pdf Restricted to Registered users only Download (573kB)
	Text BAB III.pdf Restricted to Registered users only Download (74kB)
	Text BAB IV.pdf Restricted to Registered users only Download (900kB)
	Text BAB V.pdf Download (15kB)
	Text DAFTAR PUSTAKA.pdf Download (319kB)

Abstract

Perkembangan robotika semakin pesat, dengan robot yang semakin berperan dalam berbagai aktivitas manusia. Di Indonesia, kompetisi robot seperti Kontes Robot Sepak Bola Indonesia (KRSBI) kategori beroda diadakan setiap tahun sebagai bagian dari Kontes Robot Indonesia (KRI). KRSBI mengadopsi aturan dari RoboCup Middle Size League (MSL) dengan penyesuaian tertentu. Salah satu tantangan utama dalam kompetisi ini adalah kemampuan robot untuk mengenali dan merespons elemen-elemen di lapangan, seperti garis, robot lawan, dan bola, melalui segmentasi citra. Penelitian ini bertujuan untuk membandingkan kinerja dua arsitektur deep learning, yaitu U-Net dan YOLO, dalam melakukan segmentasi citra pada robot sepak bola beroda. U-Net, yang dikenal efektif dalam segmentasi gambar, terutama di bidang medis, diuji kemampuannya dalam mengenali objek lapangan, garis, robot, dan bola. Di sisi lain, YOLO, yang terkenal dengan kecepatan dan akurasi dalam deteksi objek real-time, juga dievaluasi untuk tugas yang sama. Hasil penelitian menunjukkan bahwa YOLO lebih unggul dalam mendeteksi objek bola dan robot dengan F1-score konsisten mencapai 1 di semua epoch (10, 50, dan 100), sementara UNet lebih baik dalam mendeteksi garis dan lapangan pada epoch awal. Namun, UNet memerlukan lebih banyak epoch untuk mencapai performa yang setara dengan YOLO dalam mendeteksi objek bola. Kesimpulan dari penelitian ini adalah bahwa pemilihan model harus disesuaikan dengan jenis objek yang akan dideteksi, dengan YOLO menjadi pilihan utama untuk deteksi bola dan robot, sedangkan UNet lebih cocok untuk deteksi garis dan lapangan jika waktu pelatihan yang lebih lama dapat ditoleransi.

Actions (login required)

View Item