METODE SELEKSI OBJEK PADA QUADRUPED ROBOT MENGGUNAKAN DEEP LEARNING YOLOv11

Abstract

Perkembangan robotika dan kecerdasan buatan mendorong pemanfaatan deep learning pada quadruped robot untuk kebutuhan rescue robot. Penelitian ini bertujuan menganalisis performa YOLOv11 dalam seleksi objek korban pada quadruped robot berbasis Raspberry Pi 5 di medan tidak beraturan. Metode yang digunakan adalah YOLOv11n dan YOLOv11n-seg dengan augmentasi data seperti flip, rotate, blur, noise, dan contrast adjustment. Sistem memanfaatkan kamera untuk mendeteksi objek korban dan dummy, kemudian hasil deteksi diproses menggunakan logika fuzzy Mamdani untuk mengendalikan pergerakan robot. Hasil pengujian menunjukkan YOLOv11n-seg memperoleh precision 0,992, recall 0,991, mAP50 0,993, dan mAP50-95 0,954 dengan waktu inferensi 1,9 ms per gambar. Pada pengujian real-time, model mampu berjalan pada 11–14 FPS dengan tingkat confidence hingga 90% dan tingkat keberhasilan robot mencapai 85% pada berbagai kondisi medan. Berdasarkan hasil tersebut, YOLOv11n terbukti efektif diterapkan pada sistem robotika berbasis edge computing untuk seleksi objek secara real-time.