Deteksi dan tracking objek secara real time berbasis computer vision menggunakan metode YOLO V3
DOI:
https://doi.org/10.32670/ht.v3i3.4348Keywords:
Deteksi Objek, Tracking Objek, Real-time, Computer Vision, YOLO V3Abstract
Tujuan dari penelitian ini bermaksud untuk mengimplementasikan pendekatan YOLOv3 dalam sistem deteksi objek real-time. Metode yang digunakan dalam penelitian ini adalah YOLO V3 (You Only Look Once). Metode ini dikombinasikan dengan algoritma tracking, untuk melacak objek secara berkelanjutan. Hasil dari penelitian ini menunjukkan bahwa metode YOLO V3 mampu melakukan deteksi objek secara cepat dan akurat dalam berbagai kondisi lingkungan. Kecepatan deteksi dan tracking objek yang dihasilkan memenuhi persyaratan real-time, sehingga dapat digunakan dalam aplikasi yang membutuhkan respons cepat, seperti pengawasan keamanan, pengenalan wajah, dan mobil otonom. Hasil dari penelitian ini adalah Sistem ini memiliki jangkauan deteksi hingga 100 cm saat objek dekat dengan kamera, dan hingga 150 cd/m2 saat objek berada dalam cahaya paling terang. Sistem memiliki waktu deteksi kurang dari 3 detik dan akurasi deteksi 100% untuk banyak item dalam satu gambar. Sistem dapat mendeteksi gambar secara akurat dan mendeteksi hewan secara akurat. Sistem dapat mendeteksi objek dalam keadaan gelap yang sudah ditentukan ketika objek tersebut memiliki kontur yang sama dengan object yang ada di dataset meski mangalami penurunan akurasi yang cukup signifikan dan waktu deteksi.
References
Aini, Q., Lutfiani, N., Kusumah, H., & Zahran, M. S. (2021). Deteksi dan Pengenalan Objek Dengan Model Machine Learning: Model Yolo. CESS (Journal of Computer Engineering, System and Science), 6(2), 192.
Al Asyhar, H. H., Wibowo, S. A., & Budiman, G. (2020). Implementasi dan analisis performansi metode you only look once (yolo) sebagai sensor pornografi pada video. eProceedings of Engineering, 7(2).
Hanchinamani, S. R., Sarkar, S., & Bhairannawar, S. S. (2016). Design and implementation of high speed background subtraction algorithm for moving object detection. Procedia computer science, 93, 367-374. https://doi.org/10.1016/j.procs.2016.07.222
Jabez, J., Gowri, S., Vigneshwari, S., Albert Mayan, J., & Srinivasulu, S. (2019). Anomaly detection by using CFS subset and neural network with WEKA tools. In Information and Communication Technology for Intelligent Systems: Proceedings of ICTIS 2018, Volume 2 (pp. 675-682). Springer Singapore.
Li, Y., Rong, L., Li, R., & Xu, Y. (2022, April). Fire Object Detection Algorithm Based on Improved YOLOv3-tiny. In 2022 7th International Conference on Cloud Computing and Big Data Analytics (ICCCBDA) (pp. 264-269). IEEE. https://doi.org/10.1109/ICCCBDA55098.2022.9778892
Mulyana, D. I., & Rofik, M. A. (2022). Implementasi Deteksi Real Time Klasifikasi Jenis Kendaraan Di Indonesia Menggunakan Metode YOLOV5. Jurnal Pendidikan Tambusai, 6(3), 13971-13982.
Naveenkumar, M., & Vadivel, A. (2015, March). OpenCV for computer vision applications. In Proceedings of national conference on big data and cloud computing (NCBDC’15) (pp. 52-56). https://www.researchgate.net/publication/301590571
Nurjanah, T. S., & Insanudin, E. (2016). Hack Database Website Menggunakan Python dan Sqlmap Pada Windows. https://www.researchgate.net/publication/303372599
Plastiras, G., Kyrkou, C., & Theocharides, T. (2018, September). Efficient convnet-based object detection for unmanned aerial vehicles by selective tile processing. In Proceedings of the 12th international conference on distributed smart cameras (pp. 1-6). https://doi.org/10.1145/3243394.3243692
Prabowo, D. A., & Abdullah, D. (2018). Deteksi dan perhitungan objek berdasarkan warna menggunakan Color Object Tracking. Pseudocode, 5(2), 85-91. www.ejournal.unib.ac.id/index.php/pseudocode
Pratama, Y. B., & Dalimunthe, N. P. (2022). Implementasi Teknik Computer Vision Untuk Deteksi Viridiplantae Pada Lahan Pasca Tambang. Bulletin of Computer Science Research, 3(1), 64-72. https://doi.org/10.47065/bulletincsr.v3i1.193
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 779-788). http://pjreddie.com/yolo/
Schwenk, K., & Huber, F. (2015, October). Connected component labeling algorithm for very complex and high-resolution images on an FPGA platform. In High-Performance Computing in Remote Sensing V (Vol. 9646, pp. 9-22). SPIE. https://doi.org/10.1117/12.2194101
Seong, H., Choi, H., Cho, H., Lee, S., Son, H., & Kim, C. (2017). Vision-based safety vest detection in a construction scene. In ISARC. Proceedings of the International Symposium on Automation and Robotics in Construction (Vol. 34). IAARC Publications..
Wibowo, A. P. W. (2016). Implementasi Teknik Computer Vision Dengan Metode Colored Markers Trajectory Secara Real Time. Jurnal Teknik Informatika, 8(1), 38-42.Awan Aprilino, & Imam Husni Al Amin. (2022). Implementasi Algoritma Yolo Dan Tesseract Ocr Pada Sistem Deteksi Plat Nomor Otomatis. Jurnal Teknoinfo.
Zhou, X., Gong, W., Fu, W., & Du, F. (2017, May). Application of deep learning in object detection. In 2017 IEEE/ACIS 16th international conference on computer and information science (ICIS) (pp. 631-634). IEEE.
