PERBANDINGAN KINERJA YOLOV8 DENGAN SEGMENTASI BERBASIS WARNA HSV PADA DETEKSI DAN PELACAKAN OBJEK REAL TIME EMBEDDED

Abstract

Perkembangan teknologi pengolahan citra digital dan kecerdasan buatan telah mendorong kebutuhan sistem deteksi dan pelacakan objek real-time yang cepat, akurat, serta efisien pada perangkat embedded dengan sumber daya komputasi terbatas. Penelitian ini bertujuan membandingkan kinerja dua metode computer vision, yaitu algoritma deep learning Ultralytics YOLOv8 dan metode konvensional berbasis segmentasi ruang warna HSV, dalam mendeteksi serta melacak objek di lingkungan Politeknik Angkatan Darat (Poltekad) yang dinamis. Penelitian dilakukan melalui implementasi alur pemrosesan citra, ekstraksi koordinat pusat objek, serta perhitungan error posisi (ΔX dan ΔY) terhadap pusat frame kamera, dengan evaluasi berdasarkan distribusi spasial error, kestabilan pelacakan, dan latency komputasi. Hasil menunjukkan bahwa YOLOv8 unggul dalam akurasi dan kestabilan pelacakan dengan sebaran error yang rapat serta minim false positive, meskipun memiliki fluktuasi latency 60–200 ms. Sebaliknya, segmentasi HSV lebih unggul dalam efisiensi komputasi dan kecepatan pemrosesan yang stabil, tetapi rentan terhadap variasi pencahayaan, bayangan, serta kemiripan warna latar belakang. Secara keseluruhan, YOLOv8 lebih sesuai untuk aplikasi kritis di lingkungan kompleks, sedangkan HSV ideal untuk kasus sederhana dengan objek warna solid. Penelitian ini merekomendasikan pengembangan sistem hybrid serta optimalisasi model untuk menghasilkan sistem visi komputer yang lebih adaptif, efisien, dan mendukung keselamatan operasional manusia di lapangan