ABSTRAK :
Perkembangan teknologi drone yang pesat membawa risiko keamanan serius,
termasuk pelanggaran wilayah terbatas seperti bandara dan instalasi militer,
sehingga diperlukan sistem deteksi drone yang andal, akurat, dan mampu
beroperasi secara real-time pada perangkat edge dengan keterbatasan sumber daya
komputasi. Penelitian ini bertujuan untuk menganalisis dan membandingkan
efisiensi serta akurasi algoritma YOLOv5 small (YOLOv5s) dan YOLOv10 small
(YOLOv10s) dalam mendeteksi drone jenis multirotor pada perangkat edge.
Pengujian dilakukan menggunakan dataset sebanyak 17.808 citra yang diperoleh
dari kombinasi dataset sekunder dan sumber Kaggle dengan teknik augmentasi
untuk meningkatkan variasi data, serta diuji dalam tiga skenario, yaitu upload
gambar, upload video, dan deteksi real-time pada kondisi pagi, siang, dan sore.
Hasil penelitian menunjukkan bahwa YOLOv5s memiliki efisiensi komputasi yang
lebih tinggi dengan rata-rata 8,72 FPS dan latensi 0,115 detik, sedangkan
YOLOv10s memiliki performa lebih rendah yaitu 2,12 FPS dengan latensi 0,498
detik. Pada skenario non real-time, perbedaan akurasi antara kedua model tidak
terlalu signifikan dengan selisih sebesar 0,22 (22%) pada upload gambar dan 0,17
(17%) pada upload video, sedangkan pada skenario real-time perbedaan menjadi
sangat signifikan dengan selisih mencapai 0,31 (31%). Dengan demikian, terdapat
trade-off antara efisiensi dan akurasi, di mana YOLOv5s lebih sesuai untuk sistem
yang memprioritaskan kecepatan real-time, sementara YOLOv10s lebih tepat
digunakan pada sistem yang menuntut akurasi deteksi yang tinggi terutama pada
kondisi dinamis.
Kata Kunci: Drone, YOLOv5, YOLOv10, Deteksi Objek, Deep Learning.
|