Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal International Journal of Advances in Intelligent Informatics Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Adipratama, Ivan Rafli
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

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

Found 2 Documents
Search

 1 
Sistem Deteksi Bola pada Robot Sepak Bola Humanoid Menggunakan Algoritma Convex Hull dan YOLOv5 Adipratama, Ivan Rafli; Edhi Setyawan, Gembong
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 01 (2026): Januari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pada era perkembangan robotika modern, sistem deteksi objek berbasis computer vision menjadi komponen penting dalam mendukung kemampuan robot sepak bola humanoid untuk beroperasi secara mandiri, khususnya pada ajang Kontes Robot Sepak Bola Indonesia - Humanoid (KRSBI-H). Penelitian ini bertujuan mengembangkan sistem deteksi bola berbasis YOLOv5 yang dikombinasikan dengan algoritma Convex Hull untuk meningkatkan kestabilan deteksi melalui pembatasan area pencarian objek berdasarkan segmentasi lapangan. Metode penelitian ini melibatkan pengujian performa deteksi menggunakan metrik precision, recall, F1-score, mAP@0,5, dan mAP@0,5:0,95, serta evaluasi penggunaan sumber daya komputasi dan performa real-time sistem. Hasil pengujian menunjukkan bahwa model YOLOv5 memiliki performa deteksi yang sangat baik dengan nilai precision sebesar 0,985, recall 1,000, F1-score 0,992, mAP@0,5 0,995, dan mAP@0,5:0,95 0,961. Evaluasi penggunaan sumber daya menunjukkan bahwa penerapan Convex Hull tidak memberikan peningkatan beban komputasi yang signifikan baik pada kondisi idle maupun saat robot berjalan. Pengujian real-time menunjukkan bahwa metode YOLOv5 menghasilkan rata-rata 34,3 FPS dengan waktu inferensi 28,26 ms, sedangkan kombinasi YOLOv5 dengan Convex Hull menghasilkan 28,77 FPS dengan waktu inferensi 34,76 ms, yang masih berada dalam batas real-time. Hasil ini menunjukkan bahwa integrasi YOLOv5 dan Convex Hull efektif dalam meningkatkan kestabilan deteksi bola dengan tetap mempertahankan kinerja real-time sistem robot humanoid.
Augmented haar cascade classifier for real-time ball detection in humanoid robots under dynamic environments Setyawan, Gembong Edhi; Widasari, Edita Rosana; Prasetio, Barlian Henryranu; Umar, Yasa Palaguna; Adipratama, Ivan Rafli
International Journal of Advances in Intelligent Informatics Vol 12, No 1 (2026): February 2026
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/ijain.v12i1.2146

Abstract

This study proposes an Augmented Haar Cascade Classifier (AHCC) to enhance real-time ball detection for humanoid robots operating in dynamic environments. The method integrates Convex Hull mapping, HSV-based segmentation, and Hough Circle validation to overcome challenges such as fluctuating illumination, complex backgrounds, and partial occlusions. Experiments were conducted entirely on a CPU-only Intel NUC platform running ROS without GPU acceleration, using a dataset containing variations in lighting, orientation, scale, and background clutter. Compared with baseline models (standard Haar Cascade Classifier (HCC) and YOLOv5) the proposed AHCC achieved 97% accuracy, 83% recall, 97% precision, and an 89% F1-score, while requiring only 0.00849 s per frame with 8.97% memory usage. Although YOLOv5 reached 99% accuracy, it demanded higher computational resources (0.0344 s per frame, 22.3% memory usage), limiting its practicality for embedded robotic systems. The AHCC therefore offers an optimal balance between detection reliability and computational efficiency, outperforming traditional HCC and providing a lightweight alternative to GPU-dependent detectors such as Tiny-YOLO and MobileNet-SSD.
Co-Authors Barlian Henryranu Prasetio Edhi Setyawan, Gembong Edita Rosana Widasari, Edita Rosana Gembong Edhi Setyawan Yasa Palaguna Umar, Yasa Palaguna