<![CDATA[Pada saat RoV berada dibawah air tidak sedikit obstacle yang dijumpai dan berpengaruh terhadap kinerja dan keselamatan body ROV itu sendiri. Obyek yang tertangkap kamera ROV seringkali sulit untuk diidentifikasi dan dideteksi karena besarnya noise bawah air. Selain itu, sifat air yang membiaskan cahaya dan tingkat kejernihan air turut berpengaruh terhadap kualitas gambar yang dihasilkan. Untuk membantu dalam mengidentifikasi obyek yang ada di bawah air, maka pada penelitian ini proses identifikasi dilakukan dengan menggunakan Convolutional Neural Networks (CNN). CNN mengekstraksi fitur penting dari gambar melalui beberapa lapisan konvolusi. Setiap lapisan konvolusi menggunakan filter untuk mendeteksi pola seperti tepi, sudut, atau tekstur dari gambar input. Pada tahap akhir, fitur-fitur yang sudah diproses ini dihubungkan ke lapisan fully-connected yang bertindak sebagai pengklasifikasi. CNN kemudian memetakan fitur-fitur tersebut ke dalam kelas-kelas tertentu , misalnya objek seperti botol, tiang kayu, rantai, dan propeller. Dari pengujian secara real-time sistem berhasil menunjukkan performansi yang baik dengan akurasi validasi sebesar 99.25% dan akurasi klasifikasi real-time sebesar 85%. Hasil klasifikasi selanjutnya menentukan pergerakan thruster ROV.]]>
Copyrights © 2025
