Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Telematika JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika)
Alwin M. Sambul
Universitas Sam Ratulangi
Computer Science & IT Education Electrical & Electronics Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Studi Perbandingan Model Lightweight YOLOv12 untuk Deteksi Objek Bawah Air Secara Real-Time Hebron Prasetya; Revin R. Balo; Tasya Tumbal; Alwin M. Sambul; Muhamad Dwisnanto Putro
Jurnal Telematika Vol. 20 No. 2 (2025)
Publisher : Yayasan Petra Harapan Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61769/telematika.v20i2.799

Abstract

Metode deep learning dalam computer vision berperan penting dalam pelokalan objek menggunakan sensor berbasis kamera dengan Convolutional Neural Networks sebagai pendekatan utama dalam deteksi objek. Namun, banyak model yang ada memiliki biaya komputasi yang tinggi akibat arsitektur yang dalam dan operasi yang kompleks sehingga membatasi penerapannya untuk kebutuhan waktu nyata pada perangkat berbiaya rendah dan dengan sumber daya terbatas. Arsitektur YOLOv12 menawarkan beberapa varian ringan yang dirancang untuk meningkatkan efisiensi komputasi. Penelitian ini mengevaluasi keseimbangan antara efisiensi dan kinerja deteksi dengan membandingkan berbagai varian model berdasarkan jumlah parameter, operasi floating-point, dan kecepatan inferensi, serta mengukur akurasi menggunakan mean average precision. Hasil evaluasi ini digunakan untuk menilai kesesuaian model yang ringan dalam penerapan waktu nyata pada lingkungan dengan sumber daya terbatas, seperti pemantauan dan konservasi bawah air. Hasil eksperimen pada dataset real-world underwater object detection menunjukkan bahwa YOLOv12-nano memiliki akurasi 5,7% lebih rendah dibandingkan YOLOv12-medium, namun hanya membutuhkan 2,57 juta parameter dan 6,5 GFLOPs, jauh lebih kecil dibandingkan YOLOv12-medium yang memiliki 20,1 juta parameter dan 67,8 GFLOPs. Selain itu, YOLOv12-small membutuhkan 9,26 juta parameter dan 21,5 GFLOPs sehingga berada di antara varian nano dan medium dari sisi kompleksitas, dengan akurasi yang tetap kompetitif. Pada proses inferensi, YOLOv12-nano mencapai kecepatan 16,48 FPS pada CPU Intel(R) Core (TM) i5-12450HX generasi ke-12. Sebagai perbandingan, YOLOv12-small berjalan pada 6,28 FPS, sedangkan YOLOv12-medium mencapai 2,36 FPS. Hasil ini menunjukkan bahwa YOLOv12-nano merupakan varian yang paling sesuai untuk penerapan waktu nyata pada platform berbasis CPU.
DOLPHIN DETECTION USING AN ENHANCED LIGHTWEIGHT YOLO ARCHITECTURE Febriyanti Ludja; Robby Moody Lintong; Florensce Sumarauw; Alwin M. Sambul; Steven R. Sentinuwo; Muhamad Dwisnanto Putro
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 10, No 3 (2025)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v10i3.9169

Abstract

Dolphin detection plays an important role in marine ecosystem monitoring, species conservation, and behavioral analysis. However, visual identification in underwater environments faces challenges such as light refraction, water turbidity, and dynamic sea conditions. This study proposes a deep learning-based dolphin detection approach by modifying the YOLOv8 architecture to produce a lightweight yet accurate model. The modifications include reducing the number of channels in the backbone and neck, as well as simplifying the SPPF block, thereby reducing the model parameters from 3.01 million to 1.83 million and the computational complexity from 8.2 GFLOPs to 7.2 GFLOPs. A specialized dolphin dataset consisting of 5,493 labeled images, collected from underwater and surface conditions, was developed to train and evaluate the model. Experimental results show that the proposed model achieves 67.1% mAP@50 and 45.8% mAP@50–95, outperforming YOLOv8-Nano and other lightweight YOLO variants. Additionally, the model demonstrates better runtime efficiency, with a latency of 49.2 ms and 20.38 FPS, making it suitable for real-time implementation on resource-constrained devices. Overall, this research presents a more efficient and accurate dolphin detection solution, while also providing a specialized dataset that can support further research in the field of computer vision-based marine conservation.
Co-Authors Febriyanti Ludja Florensce Sumarauw Hebron Prasetya Putro, Muhamad Dwisnanto Revin R. Balo Robby Moody Lintong Steven R. Sentinuwo Tasya Tumbal