SKRIPSI
SISTEM DETEKSI OBJEK HELIPAD PADA PERGERAKAN
AUTONOMOUS FIXED WING DRONE BERBASIS
ALGORITMA YOLO





Disusun untuk Memenuhi Syarat Mendapatkan Gelar Sarjana Teknik
Jurusan Teknik Elektro Fakultas Teknik
Universitas Sriwijaya


Oleh :
A. WAHYUDIN
03041381621085




JURUSAN TEKNIK ELEKTRO
FAKULTAS TEKNIK
UNIVERSITAS SRIWIJAYA
2020

viii

ABSTRAK
SISTEM DETEKSI OBJEK HELIPAD PADA PE RGERAKAN
AUTONOMOUS FIXED WING DRONE BERBASIS ALGORITMA YOLO
(A. Wahyudin, 03041381621085, 2020, 64 halaman)

Kendala yang sering dialami UAV salah satunya ialah kesulitan dalam melakukan
landing pada landasan. Kesulitan ini dapat diatasi dengan pembaruan pada UAV
yakni pengembangan visi landing dengan melakukan pendeteksian pada helipad
guna mengurangi dari resiko kecelakaan yang merugikan banyak pihak dan
menyebabkan kematian. Pengembangan teknologi seperti pendeteksian helipad ini
dapat memudahkan UAV untuk mendarat secara tepat dan benar, yaitu dengan
mendeteksi landasan helipad menggunakan visi dari kamera, dalam hal ini
pemanfaatan teknologi image processing perlu diterapkan. YOLO merupakan
sebuah algoritma yang dikembangkan untuk mendeteksi objek secara real-time dan
hasil pengembangan dari salah satu metode algoritma CNN. Maka dari itu pada
penelitian kali ini metode YOLO akan digunakan untuk mendeteksi keberadaan
landasan helipad secara real-time. Performansi model Tiny YOLO VOC dalam
mendeteksi helipad telah memperoleh hasil yang baik dengan perolehan nilai
confidence sebesar 91,1% dan kecepatan proses sistem mencapai 35 fps pada
kondisi terang dan 37 fps pada kondisi gelap serta pada ketinggian hingga 20 meter.

Kata kunci: YOLO, Deteksi Objek, UAV, Image Processing, Helipad.

ix

ABSTRACT
HELIPAD OBJECT DETECTION SYSTEM IN AUTONOMOUS FIXED
WING DRONE MOVEMENT BASED ON YOLO ALGORITHM
(A. Wahyudin, 03041381621085, 2020, 64 pages)

The obstacle that is mostly faced by UAV is the difficulty of landing on a base. This
difficulty can be solved by the renew of UAV that is the developing of landing vision
with detecting the helipad to prevent the risk of accidents that could be harmful and
could lead to death. The technology developing like helipad detection will make
UAV to land easier and more accurately, using camera to detect the helipad base,
with the utilization of image processing to support the detection. YOLO is an
algorithm that is developed to detect object in real-time and is the result of the
development of CNN algorithm. Therefore, YOLO algorithm in this research will
be used to detect the existence of helipad base in real-time. The performance of
Tiny YOLO VOC Model in detecting the helipad has gotten a good result with the
value of confidence is 91,1% and the system processing speed through 35 fps in
either bright and 37 fps in either dark places at 20 meters high.

Keyword: YOLO, Object Detection, UAV, Image Processing, Helipad.

x

DAFTAR ISI

COVER ........................................................................................................... i
LEMBAR PENGESAHAN ........................................................................... ii
HALAMAN PERNYATAAN INTE GRITAS.............................................. iii
KATA PENGANTAR .................................................................................... v
PERNYATAAN PERSETUJUAN PUBLIKASI TUGAS AKHIR
UNTUK KEPENTINGAN AKADEMIS ..................................................... vii
ABSTRAK ...................................................................................................... viii
ABSTRACT ..................................................................................................... ix
DAFTAR ISI ................................................................................................... x
DAFTAR GAMBAR ...................................................................................... xiii
DAFTAR TABEL .......................................................................................... xiv
DAFTAR LAMPIRAN .................................................................................. xv

BAB I PENDAHULUAN
1.1. Latar Belakang .............................................................................. 1
1.2. Perumusan Masalah ...................................................................... 3
1.3. Tujuan Penelitian .......................................................................... 3
1.4. Pembatasan Masalah ..................................................................... 3
1.5. Keaslian Penelitian ....................................................................... 4

BAB II TINJAUAN PUSTAKA
2.1. State of The Art ............................................................................ 6
2.2. Deep Learning ............................................................................. 11
2.3. Image Processing (Pengolahan Citra) ......................................... 11
2.4. Deteksi Objek .............................................................................. 11
2.5. You Only Look Once (YOLO) ...................................................... 12
2.6. Mikrokontroler ............................................................................. 14
2.7. Python .......................................................................................... 14
2.8. Tensorflow .................................................................................... 15

xi

2.9. Open CV ...................................................................................... 15
2.10. Bounding Box .............................................................................. 16
2.11. Perhitungan Akurasi .................................................................... 17

BAB III METODE PENELITIAN
3.1. Studi Literatur .............................................................................. 19
3.2. Perancangan Sistem ...................................................................... 19
3.2.1 Perancangan Pemrograman ................................................. 19
3.2.2 Perancangan Hardware ....................................................... 20
3.2.2.1 Action Camera ........................................................ 21
3.2.2.2 Graphic Processor Unit (GPU) .............................. 21
3.2.2.3 Pixhawk .................................................................. 22
3.3. Pengujian Sistem ........................................................................... 23

BAB IV HASIL DAN PEMBAHASAN
4.1. Perancangan Alat ......................................................................... 24
4.2. Pengumpulan Data Latih ............................................................. 25
4.3. Pengolahan Data Latih ................................................................. 27
4.4. Training Dataset .......................................................................... 29
4.5. Pengujian Sistem ......................................................................... 29
4.5.1 Metode Mean-Shift ............................................................. 30
4.5.2 Model Tiny YOLO VOC ................................................... 35
4.5.3 Pengujian menggunakan Hasil Training 20 Epoch ............ 35
4.5.4 Pengujian menggunakan Hasil Training 50 Epoch ............ 42
4.5.5 Pengujian menggunakan Hasil Training 100 Epoch .......... 49
4.5.6 Pengujian Sistem ............................................................... 59

BAB V KESIMPULAN DAN SARAN
5.1. Kesimpulan .................................................................................. 64
5.2. Saran ............................................................................................ 64

xii

DAFTAR PUSTAKA
LAMPIRAN

xiii

DAFTAR GAMBAR

Gambar 2.1 Proses pendeteksian helipad menggunakan algoritma SURF .. 6
Gambar 2.2 Hasil pendeteksian menggunakan algoritma SIFT ................... 7
Gambar 2.3 Hasil gambar saat proses 833 frame ......................................... 9
Gambar 2.4 Beberapa Serial GPU yang dipakai pada penelitian ................. 9
Gambar 2.5 Jenis deep learning yang digunakan pada penelitian ............... 9
Gambar 2.6 Rata-rata persentase penggunaan GPU (a) AGX Xavier dan (b)
TX2 ........................................................................................... 10
Gambar 2.7 Sistem Deteksi YOLO .............................................................. 12
Gambar 2.8 Arsitektur dari You Only Look Once (YOLO) ........................... 13
Gambar 2.9 Ilustrasi Perhitungan IoU .......................................................... 17
Gambar 3.1 Flowchart Penelitian ................................................................ 18
Gambar 3.2 Flowchart sistem deteksi objek ................................................ 19
Gambar 3.3 Action Camera ......................................................................... 21
Gambar 3.4 Flight Controller Pixhawk ....................................................... 22
Gambar 4.1 UAV Fixed Wing Drone ........................................................... 24
Gambar 4.2 Peletakan kamera pada kepala UAV ........................................ 25
Gambar 4.3 Landasan Helipad .................................................................... 25
Gambar 4.4 (a) Sampel Data Latih Helipad dan (b) Parameter Ketinggian
1-20 Meter ............................................................................... 26
Gambar 4.5 Proses Labeling Data Latih ...................................................... 28
Gambar 4.6 Format anotasi gambar file ekstensi .xml ................................ 28
Gambar 4.7 Grafik Hasil Training Tiny YOLO VOC 20 Epoch ................. 36
Gambar 4.8 Grafik Hasil Training Tiny YOLO VOC 50 Epoch ................. 43
Gambar 4.9 Grafik Hasil Training Tiny YOLO VOC 100 Epoch ............... 50

xiv

DAFTAR TABEL

Tabel 4.1 Pengujian menggunakan Metode Mean-Shift ........................... 30
Tabel 4.2 Struktur Tiny YOLO VOC ....................................................... 35
Tabel 4.3 Pengujian sistem pada hasil training Tiny YOLO VOC 20
Epoch ....................................................................................... 36
Tabel 4.4 Pengujian sistem pada hasil training Tiny YOLO VOC 50
Epoch ....................................................................................... 44
Tabel 4.5 Pengujian sistem pada hasil training Tiny YOLO VOC 100
Epoch ....................................................................................... 50
Tabel 4.6 Perbandingan Hasil Pengujian Sistem ..................................... 56
Tabel 4.7 Perbandingan Keberhasilan Mendeteksi ................................. 57
Tabel 4.8 Pengujian Sistem Secara Real-Time ......................................... 59

xv

DAFTAR LAMPIRAN

Lampiran 1. Program Python YOLO Real-Time
Lampiran 2. Proses Coding Training

1

BAB I
PENDAHULUAN

1.1 Latar Belakang


Keberadaan teknologi dalam dunia penerbangan beberapa tahun terakhir
mengalami perkembangan yang meningkat, selain sebagai transportasi udara,
komersil maupun kalangan militer, teknologi penerbangan memiliki fungsi lain
seperti pemetaan wilayah, industri perfilman, patroli maritim, bantuan bencana
maupun medis dan deteksi kebakaran hutan [1]. Salah satu teknologi yang
disebutkan adalah dengan hadirnya UAV (Unmanned Aerial Vehicle). UAV
merupakan pesawat tanpa pilot yang dioperasikan menggunakan kendali remote
kontrol atau kendali otomatis. UAV memiliki bentuk, ukuran, konfigurasi, karakter
yang bervariasi dan dilakukan pengendalian secara jarak jauh.
UAV telah dikembangkan dengan memanfaatkan perpaduan antara dua
macam mode pesawat, diantaranya adalah mode fixed wing dan rotary wing dalam
hal ini biasa disebut Vertical Takeoff and Landing (VTOL). Kelebihan
menggunakan VTOL ialah memudahkan dalam kendali kontrol autonomous dan
menghindari area yang sulit dijangkau serta tidak membutuhkan landasan yang
luas. Ketika menjalankan suatu misi mengikuti way point, maka dibutuhkan target
landing berupa landasan pacu helipad. Untuk dapat mendarat pada landasan helipad
tersebut, diterapkan proses pengolahan citra untuk mendeteksi objek landasan
helipad yang berupa huruf H dengan menggunakan pemrosesan gambar (image
processing) dan mengambil gambar ataupun video secara real-time. Deteksi objek
dalam hal pemrosesan gambar (image processing) digunakan untuk menentukan
keberadaan objek sebagai masukan (input) citra digital yang akan diolah dengan
kualitas yang lebih baik [2].
Penelitian mengenai pendeteksian objek helipad ini telah dilakukan oleh
sejumlah peniliti, diantaranya Speeded Up Robust Features (SURF) algorithm [1]
dengan pemrosesan gambar dan visual komputer menggunakan poin pencocokan
fitur, teknik ini berhasil mendeteksi helipad tetapi tingkat akurasi yang masih

2


rendah. Selanjutnya Scale Invariant Feature Transform (SIFT) [3] yang
menggunakan kemampuan menggambarkan dan mencocokkan konten gambar
digital antara perbedaan pemandangan dalam suatu adegan, namun fitur SIFT ini
mendeskripsikan gambar yang tipikal besar dan lambat dalam proses perhitungan.
Setelah itu Normalized Wavelet Descriptor (NWD) [4] yang membandingkan
performa antara NWD dengan momen geometris dan The Fourier Descriptor (FD).
Namun, penelitian ini masih menggunakan database dari gambar helipad, belum
diaplikasikan secara real time. Selanjutnya metode Edge Distribution Function
(EDF) Algorithm [5] untuk mendeteksi lingkaran luar dan “H” dari Helipad yang
dilakukan dengan menggeser titik produk. Kelemahan dari penelitian ini ialah
semakin besar ukuran dari helipad semakin lama sistem beroperasi untuk
mendeteksi helipad.
Penelitian yang telah disebutkan diatas mendapatkan hasil mendeteksi
landasan pacu helipad dengan keakuratan yang baik. Namun, penelitian tersebut
dinilai masih memiliki kekurangan dan mempunyai permasalahan diantaranya
adalah nilai keakurasian yang belum optimal dan kecepatan dari memproses yang
tergolong lama. Kemudian, bidang permukaan tanah dan pergerakan dari kamera
juga menjadi suatu kendala dalam pengambilan gambar atau video secara real-time.
Sehingga, pada penelitian kali ini untuk mendeteksi landasan pacu helipad
digunakan metode dengan algoritma You Only Look Once (YOLO). Seperti pada
penelitian Sabir Hossain dan Deokjin Lee [6] yang menggunakan metode algoritma
CNN yang mendeteksi multi objek menggunakan UAV dengan berbagai macam
metode algoritma dari CNN termasuk YOLO dan berbagai Graphics Processing
Unit (GPU). Pada percobaan tersebut algoritma YOLO dinilai cukup baik pada
hasil yang didapatkan. Namun, terdapat algoritma lain yang mempunyai hasil yang
lebih baik.
YOLO merupakan perkembangan algoritma untuk mendeteksi objek secara
real-time dan hasil pengembangan dari salah satu metode algoritma CNN. Dalam
penelitian UAV penggunaan metode YOLO masih sangat jarang diterapkan, maka
dari itu metode YOLO akan digunakan untuk penelitian mendeteksi keberadaan
landasan helipad secara real-time. Dari algoritma CNN dikembangkan beberapa

3


algoritma lain diantaranya R-CNN, Fast R-CNN, Faster R-CNN, dan algoritma
YOLO.

1.2 Perumusan Masalah
Landasan merupakan hal yang terasa tidak asing didengar dalam dunia
penerbangan, menjadi sarana penting dalam menjalankan transportasi udara.
Landasan helipad salah satu bagian landasan yang digunakan oleh helikopter dalam
hal ini digunakan pada Fixed Wing Drone mode VTOL sebagai objek yang akan
dideteksi dan mendarat pada landasan tersebut. Kendala yang sering dialami UAV
salah satunya ialah kesulitan dalam melakukan landing pada landasan. Kesulitan
ini dapat diatasi dengan pembaruan pada UAV yakni pengembangan visi landing
dengan melakukan pendeteksian pada helipad guna mengurangi dari resiko
kecelakaan yang merugikan banyak pihak dan menyebabkan kematian.
Pengembangan teknologi seperti pendeteksian helipad ini dapat memudahkan UAV
untuk mendarat secara tepat dan benar, yaitu dengan mendeteksi landasan helipad
menggunakan visi dari kamera. Oleh sebab itu, pemanfaatan penggunaan teknologi
image processing perlu diterapkan. Namun pengembangan pada metode, tingkat
keakurasian dan kecepatan pemrosesan deteksi helipad masih perlu dikembangkan
dalam teknologi image processing tersebut. Bermacam-macam metode yang dapat
digunakan untuk mendeteksi landasan helipad meliputi kelebihan dan kekurangan
yang dimiliki oleh metode tersebut.

1.3 Tujuan Penulisan
Adapun tujuan dari penilitian ini ialah sebagai berikut :
1. Mengimplementasikan sistem deteksi objek untuk mendeteksi landasan
helipad yang digunakan pada fixed wing drone.
2. Mengembangkan dan menguji hasil performasi metode YOLO dalam
mendeteksi landasan helipad yang dapat diterapkan pada UAV.

1.4 Pembatasan Masalah
Adapun batasan masalah pada penelitian kali ini ialah sebagai berikut:

4


1. Objek yang akan dideteksi merupakan landasan helipad.
2. Algoritma YOLO akan menggunakan media platform Python.
3. Pengambilan gambar objek yang dideteksi oleh UAV akan dilakukan
dilapangan luas dan secara real time.
4. Ketinggian fixed wing drone saat mendeteksi akan ditentukan jarak.
5. Kamera yang akan digunakan pada penilitian kali ini adalah Action
Camera.
6. Kondisi pencahayaan akan dilakukan saat terang dan gelap.

1.5 Keaslian Penelitian
Beberapa penelitian dengan berbagai metode mengenai object detection
telah dilakukan untuk mendeteksi helipad, seperti yang telah dilakukan oleh R Om
Prakash dkk. yang melakukan percobaan pendeteksian helipad dengan
menggunakan metode Speeded Up Robust Features (SURF). Metode ini dilakukan
dengan cara mencocokan titik fitur dari gambar template yang telah ada
sebelumnya. Mereka membandingkan metode SURF dengan SIFT, SURF lebih
unggul daripada SIFT, dimana SURF lebih kuat pada perubahan skala, rotasi dalam
dan luar pesawat serta oklusi. Pada penelitian tersebut didapatkan hasil bahwa
metode ini dapat mendeteksi helipad dalam kurun waktu rata-rata 28ms sedangkan
pada SIFT 60ms [1]. Namun didapatkan kekurangan dalam penelitian ialah hanya
menggunakan template gambar yang telah ada, tidak dilakukan secara real time dan
dilakukan secara manual.
Penelitian lainnya yang dilakukan oleh Andrea Casetti dkk. metode yang
dibahas ialah metode Scale Invariant Feature Transform (SIFT) yang mempunyai
fitur invarian penggambaran yang lebih kuat dan menyesuaikan antara konten
gambar digital dengan pemandangan yang berbeda. Mereka menggunakan SIFT
dua langkah yang berbeda, yakni dengan membagi gambar dalam berbagai sub
gambar dan menyesuaikan parameter SIFT untuk setiap sub gambar dan
menghitung ektraksi fitur, hanya jika itu berguna. Hasil yang didapatkan pada
penelitian ini untuk dapat mendeteksi helipad dibutuhkan waktu 60ms dan proses 5
fps. Pendeskripsian visi yang tergolong besar dan cukup lambat, lingkungan yang

5


tidak dikenal dan keamanan dalam menghindari berbagai hambatan serta
ketidakstabilan efek tanah menjadi kekurangan dalam penilitian tersebut [3].
Selain itu, Metode Normalized Wavelet Descriptor yang dikembangkan
oleh G. F. Nsogo dan tim yang menunjukkan perbandingan kinerja metode NWD
dengan momen geometris dan Fourier Descriptor menggunakan database gambar
helipad. Mereka mengatakan bahwa metode ini mempunyai nilai ambang batas
yang diperoleh secara otomatis untuk setiap gambar, dengan menggunakan fitur
tepi untuk helipad dan algoritma yang dikembangkan dapat digunakan untuk
sebagian besar jenis objek pendaratan, tidak terbatas hanya pada helipad. Mereka
melakukan pengujian dengan menggunakan database gambar helipad dengan 153
gambar, hasilnya 151 gambar berhasil dideteksi dengan persentasi keberhasilan
98,7 % [4]. Namun dari keberhasilan tersebut, mereka masih menggunakan
database dari gambar helipad dan belum melakukan pengujian metode secara real
time.
Selanjutnya penelitian yang dilakukan oleh Sewon Lee, Kwangryul Baek
dan Jinwon Jang dengan menggunakan metode Edge Distribution Function (EDF)
[5]. Dengan menggunakan algoritma morfologi sederhana dan EDF untuk
mengekstrak fitur helipad. Mereka mengekstrak fitur helipad dibagi dengan dua
langkah, yaitu ekstraksi fitur lingkaran luar dan karakter dalam huruf H. Penelitian
ini menggunakan proses sistem ADSP-BF548 Blackfin. Didapatkan hasil deteksi
helipad dengan kecepatan pemrosesan 10 fps dengan 1500 data gambar pada
ketinggian 15 meter dan waktu 13 sampai 15 detik. Mereka mengatakan yang
menjadi kelemahan penelitian ialah semakin besar ukuran helipad semakin lama
untuk sistem dapat beroperasi mendeteksi helipad tersebut.
Pada penelitian yang telah disebutkan diatas, terdapat kelemahan dan
kekurangan yang menjadi kendala dalam mendeteksi helipad. Maka dari itu,
digunakan metode algoritma YOLO untuk mendeteksi landasan helipad. Dalam
penelitian Sabir Hossain dan Deokjin Lee [6], YOLO mampu untuk mendeteksi
berbagai macam objek seperti pohon, mobil dan manusia pada pengaplikasian UAV
dengan kecepatan berkisar 2-30 fps tergantung pada sistem operasi yang dipakai
dengan tingkat keakurasian mencapai 81% sampai 85%.

DAFTAR PUSTAKA

[1] R. O. Prakash and C. Saravanan, “Autonomous robust helipad detection
algorithm using computer vision,” Int. Conf. Electr. Electron. Optim. Tech.
ICEEOT 2016, pp. 2599–2604, 2016.
[2] H. Mulyawan, M. Z. H. Samsono, and Setiawardhana, “Identifikasi Dan
Tracking Objek Berbasis Image Processing Secara Real Time,” Jur.
Telekomun. Politek. Elektron. Negeri Surabaya, pp. 1–5, 2011.
[3] A. Cesetti, E. Frontoni, A. Mancini, P. Zingaretti, and S. Longhi, “Vision-
based autonomous navigation and landing of an unmanned aerial vehicle
using natural landmarks,” 2009 17th Mediterr. Conf. Control Autom. MED
2009, pp. 910–915, 2009.
[4] G. F. Nsogo, K. Kith, B. J. Van Wyk, and M. A. Van Wyk, “Robust helipad
detection algorithm (January 2007),” IEEE AFRICON Conf., January, 2007.
[5] S. Lee, J. W. Jang, and K. R. Baek, “Implementation of vision-based real
time helipad detection system,” Int. Conf. Control. Autom. Syst., no. June
2016, pp. 191–194, 2012.
[6] S. Hossain and D. J. Lee, “Deep learning-based real-time multiple-object
detection and tracking from aerial imagery via a flying robot with GPU-
based embedded devices,” Sensors (Switzerland), vol. 19, no. 15, 2019.
[7] R. D. Nurfita and G. Ariyanto, “Implementasi Deep Learning Berbasis
Tensorflow Untuk Pengenalan Sidik Jari,” Emit. J. Tek. Elektro, vol. 18, no.
01, pp. 22–27, 2018.
[8] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once:
Unified, real-time object detection,” Proc. IEEE Comput. Soc. Conf.
Comput. Vis. Pattern Recognit., vol. 2016-Decem, pp. 779–788, 2016.
[9] R. Girshick, J. Donahue, T. Darrell, and J. Malik, “Region-Based
Convolutional Networks for Accurate Object Detection and Segmentation,”
IEEE Trans. Pattern Anal. Mach. Intell., vol. 38, no. 1, pp. 142–158, 2016.
[10] A. P. Lestyanto, “Perancangan Sistem Pengendalian Drone Quadcopter
Secara Autonomous Berbasis Aplikasi Android,” 2018.