<![CDATA[Inspeksi pemeliharaan gedung secara konvensional memerlukan biaya tinggi, waktu yang lama, dan menimbulkan risiko besar bagi pekerja. Quadcopter berbasis kecerdasan buatan menawarkan solusi yang lebih efisien, akan tetapi kemampuan pemrosesan pada perangkat tersebut terbatas. Penelitian ini merupakan pengembangan dari studi sebelumnya dengan menganalisis dan membandingkan kinerja YOLOv8 dan YOLOv11 dalam mendeteksi keretakan bangunan. Lingkungan simulasi yang realistis dirancang menggunakan Gazebo dan ROS, sementara model YOLOv8n dan YOLOv11n dilatih dan diuji baik pada komputer desktop maupun sistem tertanam Raspberry Pi 5. Evaluasi dilakukan menggunakan metrik Presisi (%) dan waktu inferensi rata-rata (ms). Hasil penelitian menunjukkan adanya trade-off kinerja pada berbagai skenario. Dalam simulasi, YOLOv8 lebih cepat (53,58 ms vs. 56,19 ms) dan unggul pada Presisi Dataset B (100% vs. 95,19%). Pada sistem tertanam, YOLOv8 tetap menunjukkan Presisi tertinggi (hingga 100% pada Dataset B), sedangkan YOLOv11 secara konsisten unggul dalam kecepatan pemrosesan. Rata-rata waktu inferensi YOLOv11 pada Raspberry Pi 5 mencapai 341 ms, lebih cepat dibandingkan YOLOv8 (350 ms), dan pola ini berlanjut pada simulasi langsung. Dapat disimpulkan bahwa pemilihan model bergantung pada kebutuhan aplikasi: YOLOv8 cocok untuk akurasi deteksi maksimal, sementara YOLOv11 lebih sesuai untuk aplikasi yang menuntut kecepatan dan efisiensi komputasi waktu nyata (real-time).]]>
Copyrights © 2025
