Analisis Perbandingan Kinerja Arsitektur Unet Dan Yolo Untuk Deteksi Objek Pada Robot Sepak Bola Beroda
DOI:
https://doi.org/10.33998/jakakom.2026.6.1.2334Keywords:
Segmentasi Citra, U-Net, YOLOv11, KRSBI, Robot, Deep LearningAbstract
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.
Downloads
References
T. H. Ata and H. Soebhakti, “A Penerapan Kontrol PID dalam Penggiring Bola pada Robot Sepak Bola Beroda,” Journal of Applied Electrical Engineering, vol. 8, no. 1, pp. 70–77, Jun. 2024, doi: 10.30871/jaee.v8i1.7463.
F. Dzil, Agus Khumaidi, Mohammad Basuki Rahmat, Joko Endrasmono4, Mat Syai’in, and Dimas Pristovani Riananda, “Deteksi Objek di Lapangan pada Robot Sepakbola Beroda Menggunakan Metode YOLOV5,” Jurnal Elektronika dan Otomasi Industri, vol. 11, no. 2, pp. 604–611, Jul. 2024, doi: 10.33795/elkolind.v11i2.5235.
F. Dzil, Agus Khumaidi, Mohammad Basuki Rahmat, Joko Endrasmono4, Mat Syai’in, and Dimas Pristovani Riananda, “Deteksi Objek di Lapangan pada Robot Sepakbola Beroda Menggunakan Metode YOLOV5,” Jurnal Elektronika dan Otomasi Industri, vol. 11, no. 2, pp. 604–611, Jul. 2024, doi: 10.33795/elkolind.v11i2.5235.
A. A. Wahyudi, Agus Khumaidi, Mohammad Basuki Rahmat, Dimas Pristovani Riananda, Mat Syai’in, and 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, pp. 648–661, Jul. 2024, doi: 10.33795/elkolind.v11i2.5234.
A. A. R. Stone, N. Suciati, and D. A. Navastara, “Segmentasi Citra pada Robot Sepak Bola Beroda Menggunakan Multilayer Neural Network dan Fitur Warna HSV,” Jurnal Teknik ITS, vol. 7, no. 2, pp. A276–A281, Dec. 2018, doi: 10.12962/j23373539.v7i2.33741.
R. A. Fatekha, B. S. B. Dewantara, and H. Oktavianto, “Sistem Deteksi Bola pada Robot Kiper Pemain Sepakbola Beroda,” JURNAL INTEGRASI, vol. 13, no. 2, pp. 127–134, Nov. 2021, doi: 10.30871/ji.v13i2.3133.
G. Litjens et al., “A survey on deep learning in medical image analysis,” Med Image Anal, vol. 42, pp. 60–88, Dec. 2017, doi: 10.1016/j.media.2017.07.005.
O. OZTURK, B. SARITÜRK, and D. Z. SEKER, “Comparison of Fully Convolutional Networks (FCN) and U-Net for Road Segmentation from High Resolution Imageries,” International Journal of Environment and Geoinformatics, vol. 7, no. 3, pp. 272–279, Dec. 2020, doi: 10.30897/ijegeo.737993.
V. Badrinarayanan, A. Kendall, and R. Cipolla, “SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation,” IEEE Trans Pattern Anal Mach Intell, vol. 39, no. 12, pp. 2481–2495, Dec. 2017, doi: 10.1109/TPAMI.2016.2644615.
A. A. Pravitasari et al., “UNet-VGG16 with transfer learning for MRI-based brain tumor segmentation,” TELKOMNIKA (Telecommunication Computing Electronics and Control), vol. 18, no. 3, p. 1310, Jun. 2020, doi: 10.12928/telkomnika.v18i3.14753.
R. Budi, R. A. Harianto, and E. Setyati, “Segmentasi Citra Area Tumpukan Sampah Dengan Memanfaatkan Mask R-CNN,” Journal of Intelligent System and Computation, vol. 5, no. 1, pp. 58–64, Apr. 2023, doi: 10.52985/insyst.v5i1.305.
C. Raras, P. Setiawan, and D. Komarasary, “Pengaruh Segmentasi terhadap Diagnosis COVID-19 pada Citra X-Ray Paru,” CogITo Smart Journal, vol. 9, no. 1, pp. 171–180, 2023.
I. S. Ardan and R. Indraswari, “Sistem Berbasis Deep Learning untuk Segmentasi dan Klasifikasi Tingkat Keganasan Tumor Otak Menggunakan Citra MRI 3D,” ILKOMNIKA: Journal of Computer Science and Applied Informatics, vol. 6, no. 2, pp. 1–10, 2024.
J. Fu, J.-W. Chai, P.-L. Chen, Y.-W. Ding, and H.-C. Chen, “Quantitative measurement of spinal cerebrospinal fluid by cascade artificial intelligence models in patients with spontaneous intracranial hypotension,” Biomedicines, vol. 10, no. 8, p. 2049, 2022.
J. Pan, “Image Segmentation Based On U-Net and Adjusted U-Nets,” Highlights in Science, Engineering and Technology, vol. 85, pp. 316–327, 2024.
M. Szemenyei and V. Estivill-Castro, “Fully neural object detection solutions for robot soccer,” Neural Comput Appl, vol. 34, no. 24, pp. 21419–21432, 2022.
X. Chen, P. Shi, and Y. Hu, “A precise semantic segmentation model for seabed sediment detection using yolo-c,” J Mar Sci Eng, vol. 11, no. 7, p. 1475, 2023.
M. Szemenyei and V. Estivill-Castro, “Fully neural object detection solutions for robot soccer,” Neural Comput Appl, vol. 34, no. 24, pp. 21419–21432, 2022.
T. Nurochman, N. S. Widodo, and K. Firdausy, “Sistem Pengenalan Bola dan Gawang Pada Robot Sepakbola Beroda Berbasis Mesin Visi,” in Seminar Nasional Aplikasi Teknologi Informasi (SNATI), 2018.
J. Sahertian and M. M. Verlianto, “Sistem Pendeteksian Bola Pada Robot Sepakbola Beroda Berbasis Filter Warna,” in Prosiding Seminar Nasional Teknologi Informasi dan Komunikasi (SENATIK), 2019, pp. 116–119.
A. A. R. Stone, N. Suciati, and D. A. Navastara, “Segmentasi Citra pada Robot Sepak Bola Beroda Menggunakan Multilayer Neural Network dan Fitur Warna HSV,” Jurnal Teknik ITS, vol. 7, no. 2, pp. A276–A281, 2018.
E. F. Himmah, M. Widyaningsih, and M. Maysaroh, “Identifikasi Kematangan Buah Kelapa Sawit Berdasarkan Warna RGB Dan HSV Menggunakan Metode K-Means Clustering,” Jurnal Sains dan Informatika, vol. 6, no. 2, pp. 193–202, Dec. 2020, doi: 10.34128/jsi.v6i2.242.
M. F. Naufal, “Analisis Perbandingan Algoritma Svm, Knn, Dan Cnn untuk Klasifikasi Citra Cuaca.,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 8, no. 2, pp. 311–317, 2021.
A. Peryanto, A. Yudhana, and R. Umar, “Rancang bangun klasifikasi citra dengan teknologi deep learning berbasis metode convolutional neural network,” Format J. Ilm. Tek. Inform, vol. 8, no. 2, p. 138, 2020.
Y. Mardianto, T. Dewi, and P. Risma, “Analisis Klasifikasi Kematangan Buah Tomat dengan Pendekatan Transfer Learning Model EfficientNet,” Techno Bahari, vol. 11, no. 1, pp. 20–25, 2024.
W. Kurdthongmee, “A comparative study of the effectiveness of using popular DNN object detection algorithms for pith detection in cross-sectional images of parawood,” Heliyon, vol. 6, no. 2, Feb. 2020, doi: 10.1016/j.heliyon.2020.e03480.
R. Putra, M. Maimunah, and D. Sasongko, “Implementasi Algoritma YOLO V8 (You Only Look Once) Dalam Deteksi Penyakit Daun Durian,” Building of Informatics, Technology and Science (BITS), vol. 6, no. 3, Dec. 2024, doi: 10.47065/bits.v6i3.6136.
