ANALISIS LIMITASI MODEL YOLOv8n PADA SISTEM DETEKSI MANUSIA BERBASIS CONVOLUTIONAL NEURAL NETWORK UNTUK PLATFORM MADAGASCAR HISSING COCKROACH

Abstract

Robotika bio-hibrida memanfaatkan serangga hidup, seperti Madagascar hissing cockroach (Gromphadorhina portentosa), sebagai platform mobilitas untuk eksplorasi ruang sempit dan misi pencarian korban. Salah satu fungsi fundamental sistem tersebut adalah deteksi manusia secara real-time yang pada penelitian ini diimplementasikan menggunakan model Convolutional Neural Network (CNN) YOLOv8n. Permasalahan utama yang dikaji adalah bahwa keandalan model deteksi sangat dipengaruhi oleh kondisi akuisisi citra di lapangan, sehingga batas operasionalnya perlu dikarakterisasi sebelum diintegrasikan pada platform bergerak. Penelitian ini bertujuan mengevaluasi limitasi model YOLOv8n terhadap dua faktor lingkungan, yaitu jarak objek dan intensitas pencahayaan. Pengujian dilakukan dengan menempatkan objek pada jarak 50 hingga 400 cm dengan interval 50 cm, pada tiga tingkat pencahayaan (88, 140, dan 185 lux), kemudian merekam hasil deteksi setiap frame selama 15 detik melalui kamera OV2640 yang ditransmisikan ke komputer host. Tiga metrik digunakan untuk mengukur keandalan, yaitu detection rate, mean confidence, dan standar deviasi confidence. Hasil pengujian menunjukkan bahwa model paling stabil pada intensitas 140 lux dengan detection rate di atas 95% pada rentang 100–300 cm. Pencahayaan rendah (88 lux) menurunkan keberhasilan deteksi secara tajam akibat noise citra, sedangkan pencahayaan tinggi (185 lux) menurunkan kontras pada jarak jauh. Penurunan performa mulai terlihat signifikan pada jarak 350 cm yang ditetapkan sebagai batas awal degradasi. Seluruh nilai mean confidence tetap berada di atas threshold sistem 0,65 sehingga deteksi yang berhasil tetap valid sebagai dasar keputusan navigasi.