Implementasi Proof-of-Concept Sistem Visi Komputer Berbasis Yolo11n Pada Autonomous Quadcopter untuk Misi Terbang Pendeteksian Manusia

##plugins.themes.academic_pro.article.sidebar##

Published Sep 29, 2026
https://doi.org/10.31962/jiitr.v9i2.89
Download
PDF
Statistic
Vol. 9 No. 2 (2026): September 2026

##plugins.themes.academic_pro.article.main##

Yasmin Fitria Amanda
Politeknik Negeri Bandung
Budi Hartono
Jurusan Teknik Mesin, Program Studi Teknik Aeronautika, Politeknik Negeri Bandung

Abstract

Perkembangan quadcopter membuka peluang untuk mendukung misi pencarian dan penyelamatan karena mampu menjangkau area yang sulit dan berisiko bagi manusia. Penelitian ini bertujuan merancang dan mengevaluasi proof-of-concept sistem autonomous quadcopter yang terintegrasi dengan sistem visi komputer untuk mendeteksi manusia menggunakan algoritma You Only Look Once(YOLO). Sistem menggunakan DJI F450 konfigurasi X, flight controller Pixhawk 2.4.8, Mission Planner sebagai Ground Control Station (GCS), dan Raspberry Pi 5 sebagai unit komputasi. Deteksi manusia dilakukan menggunakan model YOLO11n pretrainedCOCO dalam format NCNN, sedangkan OpenCV digunakan untuk akuisisi, pemrosesan, dan visualisasi frame. Pengujian meliputi penerbangan manual, penyetelan PID, waypoint, autonomous takeoff-landing, uji statis, dan misi deteksi manusia. Pada satu skenario misi terbang dengan satu target manusia diam pada ketinggian 3 m dan kecepatan 0,3 m/s, quadcopter mencapai ketinggian aktual rata-rata 2,76 m dan kecepatan 0,34 m/s selama 70 detik. Hasil pendeteksian menunjukkan rata-rata confidence score 90,55%, recall86,52%, precision 99,18%, FPS log sebesar 12,47, dan overall throughput 11,14 FPS. Hasil ini menunjukkan fungsi dasar sistem berhasil dijalankan, tetapi belum menggambarkan kinerja pada variasi target, lingkungan, pencahayaan, ketinggian, dan kondisi gerak.

##plugins.themes.academic_pro.article.details##

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

How to Cite
[1]
Y. F. Amanda and B. Hartono, “Implementasi Proof-of-Concept Sistem Visi Komputer Berbasis Yolo11n Pada Autonomous Quadcopter untuk Misi Terbang Pendeteksian Manusia”, jiitr, vol. 9, no. 2, pp. 56–70, Sep. 2026.

References

  1. Ardupilot. (n.d.). Measuring Vibration. Ardupilot. Retrieved May 6, 2026, from https://ardupilot.org/plane/docs/common-measuring-vibration.html
  2. Harminto, T., Najib, D. F., Wicaksono, P., & Izdihar, Z. N. (2025). Performance comparison of YOLOv8, YOLOv5 and YOLOv11 in nature image segmentation. Journal of Image and Graphics, 13(5), 515–520.
  3. Jeremia Zophie, H. H. T. (2022). Implemetasi Algoritma You Only Look Once (YOLO) menggunakan Web Camera untuk Mendeteksi Objek Statis dan Dinamis. Jurnal TNI Angkatan Udara, 1(1), 98–109.
  4. Khairunnas, K., Yuniarno, E. M., & Zaini, A. (2021). Pembuatan modul deteksi objek manusia menggunakan metode yolo untuk mobile robot. Jurnal Teknik ITS, 10(1), A50–A55.
  5. Nurharlita, S., Widhiantoro, D., Multimedia, B., Elektro, T., Jakarta, P. N., & Depok, K. (2025). Analisa Komparatif Algoritma YOLO dan SSD untuk Sistem Deteksi Objek Abstrak. SNIV: Seminar Nasional Inovasi Vokasi, 4(1), 759–767.
  6. Pulungan, A. B., Putra, Z. Y., Sidiqi, A. R., Hamdani, & Parigalan, K. E. (2024). Drone Kit-Python for Autonomous Quadcopter Navigation. International Journal on Informatics Visualization, 8(3). https://doi.org/10.62527/joiv.8.3.2301
  7. Rafiq, A. A., Riyanto, S. D., Aprilas, B. D., & Pratama, R. P. (2020). Image Processing untuk Deteksi Objek pada Daerah Bencana. INVOTEK: Jurnal Inovasi Vokasional Dan Teknologi, 20(2), 9–18. https://doi.org/10.24036/invotek.v20i2.707
  8. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once : Unified , Real-Time Object Detection.
  9. Sarosa, M., & Muna, N. (2021). Implementasi algoritma You Only Look Once (YOLO) untuk deteksi korban bencana alam. Jurnal Teknologi Informasi Dan Ilmu Komputer, 8(4), 787–792.
  10. Sugandi, A. N. (2022). Quadcopter v7: Kaji Pengolahan Citra untuk Misi Terbang Pendeteksian Manusia pada Daerah Bencana. Politeknik Negeri Bandung, Tugas Akhir.
  11. Sugandi, A. N., & Hartono, B. (2022). Implementasi Pengolahan Citra pada Quadcopter untuk Deteksi Manusia Menggunakan Algoritma YOLO. Prosiding The 13th Industrial Research Workshop and National Seminar, 183–188.
  12. Ultralytics. (2025). YOLOv8 vs YOLOv11. Ultralytics. https://docs.ultralytics.com/compare/yolo11-vs-yolov8/
  13. Voulodimos, A., Doulamis, N., Doulamis, A., & Protopapadakis, E. (2018). Deep learning for computer vision: A brief review. Computational Intelligence and Neuroscience, 2018(1), 7068349.