ISSN Cetak 2745-925X

ISSN Online 2722-273X

JESSI Volume 01 Nomor 2 November 2020

PENGEMBANGAN SISTEM MONITORING PADA ROBOT

UNDERWATER DENGAN MENGGUNAKAN KAMERA WEBCAM

Maulana Maninnori Nawirma1, Satria Gunawan Zain2

1
maulanaandi109@gmail.com, Sg.zain@gmail.com2
Universitas Negeri Makassar12

Abstract
Received : 11 Nov 20 This study focuses on the underwater robot monitoring system using a webcam
Accepted : 19 Nov 20 camera. the development method used is Research and Development (R&D). In this study,
Published : 22 Nov 20 using the Raspberry Pi 3 to process the input data that has been generated by the webcam
camera. The algorithm used for object recognition and classification is Convolutional
Neural Network (CNN). In this study, using the tensorflow lite framework version 1.14
for the introduction of objects that run on the Raspbian operating system with a dataset of
760 images. Based on the test results, it is known that the developed underwater robot
monitoring system has successfully captured video images well and can successfully
recognize fish objects using the Convolutional Neural Network (CNN) algorithm. The
level of accuracy of the detection system for Molly and Sumatran fish using the realtime
Convolutional Neural Network (CNN) algorithm can be assessed as working well. For
detection of molly fish it reaches an accuracy of 66.7% while for Sumatran fish it reaches
45.5%.

Keywords: Raspberry pi 3, webcam camera, Convolutional Neural Network (CNN)

underwater robot and tensorflow lite

Abstrak
Penelitian ini berfokus pada sistem monitoring robot underwater menggunakan kamera
webcam. metode pengembangan yang digunakan adalah Research And Development
(R&D). Pada penelitian ini menggunakan Raspberry Pi 3 untuk memproses data masukan
yang telah di hasilkan oleh kamera webcam. Algoritma yang digunakan untuk pengenalan
dan klasifikasi objek ini adalah Convolutional Neural Network (CNN). Pada penelitian ini
menggunakan framework tensorflow lite versi 1.14 untuk pengenalan objek yang berjalan
diatas sistem operasi Raspbian dengan dataset sebanyak 760 gambar. Berdasarkan hasil
pengujian diketahui bahwa Sistem monitoring robot underwater yang dikembangkan telah
berhasil menangkap gambar video dengan baik dan dapat berhasil pengenalan objek ikan
menggunakan algoritma Convolutional Neural Network (CNN). Tingkat akurasi dari
sistem deteksi ikan molly dan sumatra menggunakan algoritma Convolutional Neural
Network (CNN) secara realtime dapat dinilai bekerja dengan baik. Untuk deteksi pada
ikan molly mencapai akurasi 66,7 % sedangkan untuk ikan Sumatra mencapai 45,5 %

Kata Kunci: Raspberry pi 3, kamera webcam, robot underwater Convolutional Neural

Network (CNN) dan tensorflow lite

This is an open access article under the

CC BY-SA license

Journal Homepage: https://ojs.unm.ac.id/JESSI/index 88


1. Pendahuluan
Kegiatan pengamatan bawah laut masih
dilakukan dengan cara konvensional, yaitu penyelam
terjun langsung ke dalam air untuk melakukan survey
dan eksplorasi tanpa bantuan alat apapun, seperti
pengamatan terhadap biota laut, terumbu karang,
hingga pencarian korban bencana alam atau kapal
tenggelam. Tentunya teknologi ROV (Remotely
Operated Vehicle) sering kali digunakan untuk
menggantikan pekerjaan manusia di bawah laut seperti
yang telah dilakukan Made (2014). Dalam
penelitiannya merancang robot AMOBA bawah air
(Integrated Nderwater Vehicle) dengan berbasis
sistem ROV (Remotely Operated Vehicle) yang
mampu bernavigasi di bawah air dengan kendali
berbasis mikrokontroller dari permukaan air
menggunakan kabel dan beberapa aktuator dengan
propellernya dari pompa air yang dilengkapi dengan
IP Camera yang dapat dikendalikan untuk
menampilkan visual bawah air.
Pemanfaatan robot bawah air telah banyak
dikembangkan dengan berbagai tujuan, misalnya robot
digunakan sebagai alat untuk observasi lingkungan
bawah laut, perbaikan atau pemeliharaan pipa minyak
atau gas bawah air, penelitian bawah air, dimana area
penelitian bidang ini semakin luas dan mendalam.
Sebagai alat observasi, robot dilengkapi kamera yang
terpasang pada badan robot dan terhubung dengan
kontroler yang bertugas mengirimkan hasil tangkapan
kamera ke stasiun pusat (Ayianto, 2016).
Teknologi robot bawah air dapat membantu
memaksimalkan hasil eksplorasi dalam bidang
kelautan. Robot yang biasa digunakan saat ini
merupakan robot bawah air (Underwater Robot) yang
merupakan salah satu tipe robot yang aplikasinya
ditujukan untuk melakukan kegiatan di dalam air.
Menurut Koli M.abd.H., et al., (2015) Pengendalian
Robot bawah air dikelompokkan menjadi dua jenis
yaitu AUV (Autonomous Underwater Vehicle) dan
ROV (Remotely Operated Vehicle). AUV adalah jenis
robot bawah air yang bersifat autonomous/otomatis,
robot dapat bergerak dan melakukan kegiatan sendiri,
berdasarkan program yang telah di berikan kepada
robot, dan dilengkapi dengan berbagai sensor untuk
mendapatkan data sesuai dengan program yang ada.
Sedangkan ROV merupakan robot bawah air yang
dikendalikan oleh operator dalam pengoperasiannya,
dimana dilengkapi dengan perangkat kendali remote
control dalam pengoperasiannya.
Pada robot underwater terdapat beberapa
masalah yang harus diselesaikan seperti masalah
sistem kendali, akusisi data sensor, sistem monitoring,
Pengembangan Sistem Monitoring pada Robot Underwater…
ISSN Cetak 2745-925X
ISSN Online 2722-273X
JESSI Volume 01 Nomor 2 November 2020
sistem pengapungan/ballast, sistem ke stabilan dan
navigasi. Penelitian tentang sistem kendali telah
dilakukan oleh Aldino (2018), Penelitian tersebut
bertujuan untuk merancang Sistem pengendali ROV
menggunakan kombinasi Joypad dan mikrokontroler
Arduino Pro Mini agar menghasilkan intruksi berupa
data serial untuk mengendalikan pergerakan dan
menjaga keseimbangan ROV. Penelitian tentang
sistem akusisi data sensor telah dilakukan oleh
Adawiyah (2018), Penelitian tersebut bertujuan untuk
merancang sistem akuisisi data yang dipasang
menggunakan sensor suhu dan tekanan MS580314BA,
serta sensor IMU (Inertial Measurement Unit)
MPU6050, sistem ini akan mengambil data suhu,
pitch, roll. dengan media transmisi yaitu kabel utp
cat6. Penelitian tentang sistem monitoring telah
dilakukan oleh Rifa’i (2019), Penelitian tersebut
bertujuan untuk merancang robot bawah air sebagai
alat bantu eksplorasi bawah air berbasis ROV yang
mampu bergerak di bawah air. Supaya robot dapat
menampilkan keadaan di dalam air, robot dilengkapi
IP camera yang terhubung dengan wifi router. IP
camera terletak di bagian depan robot. Robot
dikendalikan melalui piranti smartphone android
dengan komunikasi wifi. Di atas permukaan air
terdapat perangkat yang di dalamnya terdiri router.
Perangkat tersebut terhubung dengan robot
menggunakan kabel dengan panjang 5 meter.
Penelitian tentang sistem navigasi telah dilakukan oleh
Habu (2018), Penelitian tersebut bertujuan untuk
merancang mini ROV menggunakan sistem penggerak
dan ballast yang berfungsi untuk bagaimana mini
ROV dapat manuver di dalam air dan dapat
mengapung menyelam hingga pada dasarnya. Dengan
menggunakan metode Hukum Archimedes didapatkan
gaya ke atas sebesar 23,575272 N. Penelitian tentang
sistem kestabilan telah dilakukan oleh M. Bazaar
(2017), Penelitian tersebut bertujuan untuk merancang
robot menggunakan EnKF sebagai algoritma
penyeimbang atau penstabil robot. Sensor MPU 6050
dapat memberikan pengukuran sudut pitch dan roll
yang akurat yaitu ketika sistem keadaan standby nilai
pitch 6,7 dan nilai roll 3.6 dan saat dijalankan nilai
pitch 12.3 dan nilai roll 0.75. Metode kalman filter
dengan nilai pitch 6.17 dan nilai roll 3.1 ketika sistem
keadaan standby dan nilai pitch 11.19 dan nilai roll
0.63. Penelitian tentang sistem navigasi telah
dilakukan oleh Fauzi (2009), Penelitian tersebut
bertujuan untuk merancang sistem kontrol navigasi
dengan menggunakan kabel untuk memberikan
instruksi pada robot bawah air. Untuk penggerak
robot, digunakan baling-baling motor DC sebagai alat
89

untuk bermanuver. Sedangkan bahan penyusun
kerangka robot ter buat dari pipa paralon untuk
memanipulasi berat robot.
Banyaknya penelitian yang sudah dilakukan,
salah satunya tentang sistem monitoring robot
underwater. penelitian yang sudah ada merancang
sistem monitoring dengan menggunakan IP Camera
yang dihubungkan dengan router. Dengan
menggunakan sistem monitoring IP Camera tentunya
hanya mampu memantau saja tanpa mampu
mendeteksi objek di bawah air
Oleh karena itu, penulis mengembangkan sistem
monitoring Robot Underwater menggunakan kamera
webcam yang dapat mendeteksi objek dibawah air.
Penelitian yang telah dilakukan sebelumnya oleh
Rizky (2013), Aplikasi Sistem Pengamatan Bawah
Laut Menggunakan Kamera Webcam. Penelitian
tersebut bertujuan untuk mengetahui kamera webcam
dalam menghasilkan data yang diambil di bawah laut
dengan menggunakan Teknik untuk menerapkan
sistem Surveillance Camera di laut. Hasil penelitian ini
membuktikan bahwa kamera webcam dapat
digunakan di bawah laut dengan ditambah perangkat
lainnya yaitu housing kamera, kabel penghubung UTP
dan komputer/laptop.
Berdasarkan penelitian yang sudah dilakukan
Rizky (2013) Bahwa penggunaan kamera webcam
dapat digunakan sebagai sistem monitoring bawah air
dan gambar yang dihasilkan terlihat jelas dan baik
dalam pengambilan capture. Dengan memanfaatkan
Teknologi webcam yang mempunyai fitur video
conferencing, internet dating, video messaging, home
monitoring, images sharing, video interview, video
phone-call yang memiliki kualitas recording 720x640
Pixel dan didalamnya terdapat microphone maupun
noise cancellation untuk memfokuskan audio ke
speaker yang terletak di depan kamera sehingga noise
yang ada tidak mengganggu jalannya konferensi
2. Metode
Jenis penelitian yang digunakan adalah
Research Sistem Monitoring yang dibuat dalam
penelitian ini yaitu Sistem monitoring pada Robot
Underwater menggunakan kamera webcam dan
menerapkan sistem object detection tensorflow yang
dapat mendeteksi ikan menggunakan kamera yang
ditampilkan melalui layar laptop/computer di
pasangkan melalui kabel UTP dengan memanfaatkan
sebuah Raspberry Pi 3 sebagai pemprosesan citra
digital pada sebuah objek. Penelitian ini menerapkan
teknologi Surveillance Camera menggunakan sistem
deteksi objek tensorflow dengan memanfaatkan
Pengembangan Sistem Monitoring pada Robot Underwater…
ISSN Cetak 2745-925X
ISSN Online 2722-273X
JESSI Volume 01 Nomor 2 November 2020
kamera webcam sebagai monitoring pengambil
citra/gambar dan mikropon (optional) sebagai
pengambil suara/audio untuk merekam klip video dan
mentransmisikan gambar secara langsung yang di
proses perangkat Raspberry dan ditampilkan oleh
sebuah laptop. Secara umum sistem di bangun pada
gambar 1
Gambar 1. Desain Pengembangan Sistem Monitoring
Webcam
Rangkaian di atas menggambarkan proses sistem
kerja perangkat secara keselurusan yang akan
dirancang, sistem kamera webcam sebagai sistem
pemantauan untuk mendeteksi objek yang
dihubungkan melalui port USB, kemudian di proses
melalui Raspberry Pi 3 yang sudah di pasangakan
Operating System raspbian dan di tampilkan ke sebuah
laptop dengan menggunakan aplikasi VNC Viewer
yang dihubungkan melalui port LAN melalui kabel
UTP serta menyimpan data berupa video melalui
rekaman pada kamera webcam.
Laptop berfungsi untuk menampilkan suatu
gambar display yang di proses oleh Raspberry Pi 3
kemudian dihubungkan melalui aplikasi VNC Viewer
menggunakan kabel UTP.Raspberry sebagai
pemprosesan data untuk menjalankan program yang
sudah di pasangkan Operating System Raspbian
melalui media penyimpanan Memory Card sehingga
dapat berfungsi dan menjalankan program seperti
layaknya computer.Webcam berupa kamera yang
berfungsi sebagai pengambil citra/gambar dan
mikropon (optional) sebagai pengambil suara/audio
yang diproses oleh Raspberry Pi 3 dengan program
yang sudah di tanamkan di dalam Operating Sistem
Raspbian
Pengembangan software dalam penelitian terdiri
atas pengembangan software Tensorlow Lite. Software
Tensorflow Lite dikembangkan pada membuat costum
dataset object ikan yang akan berjalan dan dapat
90

mendeteksi object tersebut. Program tensorflow di
instal beserta library di Komputer maupun raspberry
pi 3. Pemograman yang digunakan untuk object
detection yaitu python dengan menggunakan
algoritma Convolutional Neural Network (CNN) yang
di instal melalui perangkat keras raspberry pi 3.
Gambar 2. Sistem pendeteksian Tensorflow
Tensorflow merupakan perpustakaan perangkat
lunak yang dikembangkan oleh Tim Google Brain
dalam organisasi penelitian Mesin Cerdas Google,
untuk tujuan melakukan pembelajaran mesin dan
penelitian jaringan syaraf dalam. Tensorflow
menggabungkan aljabar komputasi teknik
pengoptimalan kompilasi, mempermudah
penghitungan banyak ekspresi matematis dimana
masalahnya adalah waktu yang dibutuhkan untuk
melakukan perhitungan.
Convolutional Neural Network adalah salah satu
metode machine learning dari pengembangan Multi
Layer Perceptron (MLP) yang didesain untuk
mengolah data dua dimensi. CNN termasuk dalam
jenis Deep Neural Network karena dalamnya tingkat
jaringan dan banyak diimplementasikan dalam data
citra. CNN memiliki dua metode; yakni klasifikasi
menggunakan feedforward dan tahap pembelajaran
menggunakan backpropagation.
Pembuatan dataset
Model dataset yang digunakan yaitu
ssd_mobilenet_v2_quantized_300x300 _coco telah
disediakan oleh tensorflow Model yang
dikembangkan oleh Howard et al. (2017) ini
merupakan model yang bertujuan mengurangi jumlah
operasi yang dikerjakan agar proses ekstrasi fitur lebih
cepat dan mengurangi beban perangkat keras.
Objek dari penelitian ini adalah gambar ikan
Sumatra garis hitam dan molly black gold yang
memiliki masing - masing gambar 380 dengan total
760 gambar berformat JPG.
Pengembangan Sistem Monitoring pada Robot Underwater…
ISSN Cetak 2745-925X
ISSN Online 2722-273X
JESSI Volume 01 Nomor 2 November 2020
Tahap pelatihan model adalah tahap utama dimana
sebuah model dilatih untuk mempelajari suatu pola yang
diharapkan dan menghasilkan suatu pengenalan deteksi
objek yang sesuai dengan yang diharapkan dengan tingkat
akurasi yang tinggi. Proses training dilakukan
menggunakan tools yang di ciptakan oleh Google,
Google Colab merupakan sebuah tools yang berbasis
cloud dan free dengan environment jupyter dan
mendukung hampir semua library yang dibutuhkan
dalam lingkungan pengembangan Artificial
Intelegence (AI). Google colab dinamakan juga
jupyter notebook yang dijalankan secara online dan
gratis. Google Colab dapat dijalankan komputer yang
memiliki spesifikasi rendah.
Hasil dari proses pelatihan Convolutional Neural
Network (CNN) adalah terbentuknya sebuah model
yang siap pakai untuk pendetekstian yang akan di
gunakan pada raspberry atau dengan kata lain disebut
dengan testing. Model yang dimaksudkan pada
Tensorflow API adalah berupa file checkpoint hasil
training/pelatihan dan data tensor graph yang dimuat
pada berkas berekstensi TFlite
Total Loss merupakan grafik total loss yang
dihasilkan pada saat melakukan proses training sampai
dengan selesai sesuai dengan jumlah iterasi yang
dilakukan yaitu sebanyak 200.000 langkah/steps.
Dapat disimpulkan bahwa ratarata nilai loss dari step
pertama hingga step terakhir adalah 2.66 hingga 1.31.
Gambar 3. Total Loss Training
Detection Output merupakan hasil akhir / tahap
akhir dari deteksi ikan Sumatra dan molly. Untuk
melihat dan menguji coba hasil model yang di training
maka diperlukan sebuah program untuk memuat dan
menjalankan model yang telah dibuat dan
91

menampilkan hasil gambar yang telah diberikan hasil
deteksi berupa kotak hijau dengan nilai persentasenya
Gambar 4. Deteksi Output
Pengujian Perangkat
Hasil uji coba dari sebuah model yang telah
dilakukan pelatihan atau training akan siap dipakai
untuk dilakukan pendeteksian atau testing terhadap
keberadaan sebuah ikan molly dan ikan sumatra pada
suatu frame gambar dengan ditandainnya sebuah kotak
warna hijau beserta dengan persentase akurasinya.
Nilai akurasi pada hasil deteksi didapatkan dari sebuah
class yang bernama graph (), class tersebut bertugas
untuk mengkomputasi nilai keluaran pada
Convolutional Neural Network (CNN) yang
merepresentasikan dataflow berupa graph, graph yang
dimaksud adalah graph yang sudah di training
sebelumnya yang berupa checkpoint pada saat proses
training kemudian diekspor ke model tflite. Parameter
untuk mengukur tingkat keberhasilan model adalah
nilai akurasi. Nilai akurasi model dapat ditentukan
dengan melakukan pengujian langsung terhadap objek
yang di teliti.
Pada penelitian ini, teknik analisis data yang
digunakan adalah deskriptif kuantitatif. Tingkat
kesalahan pendeteksian diukur dengan menggunakan
nilai presentasi bobot percobaan setiap frame untuk
menganalisis tingkat akurasi rancangan alat
pendeteksi objek jenis ikan.
𝑛=30
bi
𝑃𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝐵𝑜𝑏𝑜𝑡 = ∑
Kesalahan
𝑥 100% (1)
𝑖=1
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =
100
− (2)
Presentasi Bobot
Keterangan :
i = Percoban
Pengembangan Sistem Monitoring pada Robot Underwater…
ISSN Cetak 2745-925X
ISSN Online 2722-273X
JESSI Volume 01 Nomor 2 November 2020
n = Total Percobaan
Data yang dianalisis adalah data yang diperoleh
dari hasil pengukuran deteksi ikan menggunakan
algoritma Convolutional Neural Network (CNN) dan
data akan dideskripsikan secara kuantitatif. Data-data
yang dianalisis disajikan dalam bentuk tabel.
Pengukuran system berdasarkan nilai pada tabel
kemampuan sistem untuk mendeteksi jenis ikan
dimana sistem monitoring ini akan mengukur tingkat
keberhasilan deteksi yang dilakukan secara live
streaming menggunakan kamera webcam dengan
membaca suatu citra objek pada saat di bawah air
3. Hasil dan Pembahasan
a. Pengujian Housing Waterproof
Hasil uji coba kedap air kamera dilakukan
dengan berbagai tahap, tahap pertama yaitu dengan
ketahanan 5 menit sampai tahap ke- enam yaitu
ketahanan 2 Jam. Hasil uji coba ketahanan waterproof
dalam akuarium.
Gambar 5. Housing Waterproof
Data hasil uji coba kedap air menunjukkan bahwa
kamera yang telah dimodifikasi dengan memberikan
Housing Waterproof dapat digunakan dalam proses
pengambilan gambar dengan ketahan hingga 2 Jam
tanpa adanya air yang masuk ke dalam Housing
Waterproof kamera. Pada saat pengambilang gambar
pada dalam air masih sangat terlihat jelas. Housing
kamera telah dilapisi dengan lem Poxy dan lem silicon
sehingga air tidak akan masuk mengenai kamera
webcam di dalam Housing Wateproof tersebut.
b. Pengujian Deteksi ikan
Hasil uji coba dari sebuah model yang telah
dilakukan pelatihan atau training akan siap dipakai
untuk dilakukan pendeteksian atau testing terhadap
92
 ISSN Cetak 2745-925X
ISSN Online 2722-273X

JESSI Volume 01 Nomor 2 November 2020

keberadaan sebuah ikan molly dan ikan sumatra pada

suatu frame gambar dengan ditandainnya sebuah kotak
warna hijau beserta dengan persentase akurasinya.
Nilai akurasi pada hasil deteksi didapatkan dari sebuah
class yang bernama graph (), class tersebut bertugas
untuk mengkomputasi nilai keluaran pada
Convolutional Neural Network (CNN) yang
merepresentasikan dataflow berupa graph, graph yang
dimaksud adalah graph yang sudah di training
sebelumnya yang berupa checkpoint pada saat proses Gambar 7. Deteksi ikan Sumatra
training kemudian diekspor ke model tflite. Parameter
untuk mengukur tingkat keberhasilan model adalah Pengujian deteksi ikan molly telah dilakukan
nilai akurasi. Nilai akurasi model dapat ditentukan pada beberapa frame yang dijelaskan pada tabel
dengan melakukan pengujian langsung terhadap objek dibawah ini :
yang di teliti.
Tabel 1. Kemampuan Sistem mendeteksi ikan molly
No Frame Kecepatan Jumlah Jumlah Kesalahan
1. Hasil deteksi ikan menggunakan Webcam FPS Objek terdeteksi
Pengujian dilakukan dengan menguji langsung ikan
Mollly
kamera ke dalam akuarium yang sudah berisikan ikan 1 Frame ke 0.41 0 0 0
1
molly dan ikan Sumatra, dengan menjalankan sebuah 2 Frame ke 0.42 0 0 0
program python pada Raspberry Pi 3 yang dilengkapi 2
3 Frame ke 0.41 0 0 0
sebuah model dataset yang telah dibuat sebelumnya. 3
4 Frame ke 0.41 0 0 0
Dalam proses deteksi beberapa nilai pendukung 4
ditampilkan untuk memperkuat hasil deteksi. Nilai 5 Frame ke 0.39 0 0 0
5
yang ditampilkan dalam program deteksi berupa kotak 6 Frame ke 0.39 2 2 0
box deteksi, nama objek, tingkat akurasi, Frame Per 6
7 Frame ke 0.39 2 2 0
Second (FPS) dan nilai RGB. 7
8 Frame ke 0.41 0 0 0
8
9 Frame ke 0.41 1 1 0
9
10 Frame ke 0.40 1 0 1
10
11 Frame ke 0.43 1 0 1
11
12 Frame ke 0.41 0 0 0
12
13 Frame ke 0.39 0 0 0
13
14 Frame ke 0.41 0 0 0
14
15 Frame ke 0.41 0 0 0
15
16 Frame ke 0.41 1 0 1
Gambar 6. Deteksi ikan Molly 16
17 Frame ke 0.41 2 0 2
17
18 Frame ke 0.40 1 0 1
18
19 Frame ke 0.41 0 0 0
19
20 Frame ke 0.40 1 0 1
20
21 Frame ke 0.40 1 0 1
21
22 Frame ke 0.41 0 0 0
22

Pengembangan Sistem Monitoring pada Robot Underwater… 93

 ISSN Cetak 2745-925X
ISSN Online 2722-273X

JESSI Volume 01 Nomor 2 November 2020

23 Frame ke 0.40 1 0 1
17 Frame ke 0.41 1 0 1
23
24 Frame ke 0.39 0 0 0 17
24
18 Frame ke 0.41 1 0 1
25 Frame ke 0.42 0 0 0
25 18
26 Frame ke 0.41 0 0 0 19 Frame ke 0.41 1 0 1
26
27 Frame ke 0.39 0 0 0 19
27 20 Frame ke 0.40 2 0 2
28 Frame ke 0.39 1 0 1
28 20
29 Frame ke 0.41 0 0 0 21 Frame ke 0.40 2 0 2
29
30 Frame ke 0.41 1 0 1 21
30 22 Frame ke 0.41 1 1 0

22
Tabel 2. Kemampuan Sistem mendeteksi ikan 23 Frame ke 0.41 1 0 1
Sumatra 23

No Frame Kecepatan Jumlah Jumlah Kesalahan 24 Frame ke 0.41 1 0 1

FPS Objek terdeteksi 24
ikan 25 Frame ke 0.41 1 0 1
Sumatra 25
1 Frame ke 0.40 2 0 2 26 Frame ke 0.41 1 1 0
1 26
2 Frame ke 0.40 1 0 1 27 Frame ke 0.41 1 1 0
2 27
3 Frame ke 0.40 1 0 1 28 Frame ke 0.41 0 0 0
3 28
4 Frame ke 0.41 1 1 0 29 Frame ke 0.41 1 0 1
4 29
5 Frame ke 0.40 1 1 0 30 Frame 0.40 1 0 1
ke 30
5

6 Frame ke 0.42 1 0 1
6
Pengujian dilakukan sebanyak 6 kali percobaan
7 Frame ke 0.42 0 0 0
menjalankan sebuah program python pada Raspberry
7 Pi 3 secara live streaming melalui kamera webcam.
8 Frame ke 0.40 0 0 0 Dalam proses deteksi beberapa nilai pendukung
8 ditampilkan untuk memperkuat hasil deteksi. Nilai
9 Frame ke 0.41 0 0 0 yang ditampilkan dalam program deteksi berupa kotak
9 box deteksi, nama objek, tingkat akurasi, Frame Per
10 Frame ke 0.42 0 0 0
Second (FPS) dan nilai RGB. Pengambilan data
10
dilakukan dengan mengambil sebuah 1 sampel
11 Frame ke 0.42 0 0 0
percobaan yang akan di amati secara langsung oleh
11
peneliti, sehingga peneliti dapat memperoleh hasil
12 Frame ke 0.41 0 0 0
12
kesimpulan. Tingkat akurasi deteksi sistem yang di
13 Frame ke 0.41 0 0 0
dapatkan berdasarkan data pada tabel 1 dan 2
13 dijelaskan pada tabel dibawah ini
14 Frame ke 0.40 0 0 0
14
Tabel 3. Deteksi tingkat akurasi sistem pada ikan
15 Frame ke 0.41 1 0 1 molly
15 Tingkat akurasi deteksi Tingkat kesalahan deteksi
16 Frame ke 0.41 0 0 0 sistem sistem
16 66,7 % 33,3 %

Pengembangan Sistem Monitoring pada Robot Underwater… 94


Tabel 4. Deteksi tingkat akurasi sistem pada ikan
Sumatra
Tingkat akurasi deteksi Tingkat kesalahan deteksi
sistem sistem
45,5 % 54,5 %
Berdasarkan pengujian percobaan yang telah
dilakukan, maka di peroleh sebuah tabel 3 yang tingkat
akurasi sistem deteksinya mencapai 66,7 %, Hal ini
menunjukan bahwa sistem ini dapat bekerja dengan
baik dan mampu mengenali objek ikan molly
Sedangkan Berdasarkan pengujian percobaan ikan
sumatra yang telah dilakukan, maka di peroleh sebuah
tabel 4 yang tingkat akurasi sistem deteksinya
mencapai 45,5 %, di bandingkan deteksi ikan molly,
deteksi ikan Sumatra ini, nilai akurasi sistemnya lebih
rendah. di sebabkan karena masih kurangnya objek
gambar yang di masukkan ke dalam datasetnya dan
perlu ditambahkan hingga beberapa objek gambar
lagi. Namun Hal ini menunjukan bahwa sistem ini
dapat bekerja dengan baik dan mampu mengenali
objek ikan Sumatra, walaupun deteksi objeknya
dilakukan di bawah air.
2. Hasil Deteksi ikan menggunakan Video
Pengujian dilakukan dengan menguji
menggunakan video ikan molly dan ikan Sumatra
yang sudah direkam sebelumnya melalui kamera
webcam, dengan menjalankan sebuah program python
pada Raspberry Pi 3. Dalam proses deteksi yang
ditampilkan deteksi berupa kotak box deteksi, nama
objek, tingkat akurasi, dan nilai RGB. Berikut ini
adalah hasil deteksi ikan molly dan ikan sumatra
menggunakan video:
Gambar 8. Deteksi ikan molly menggunakan video
Pengembangan Sistem Monitoring pada Robot Underwater…
ISSN Cetak 2745-925X
ISSN Online 2722-273X
JESSI Volume 01 Nomor 2 November 2020
Gambar 9. Deteksi ikan sumatra menggunakan video
Berdasarkan pada Gambar 8 dan 9 diperoleh hasil
akurasi kesamaan pada dataset berkisar 87% pada ikan
molly dan 82% pada ikan sumatra. Hasil deteksi ikan
molly dan ikan sumatra pada video menghasilkan nilai
akurasi kesamaan yang cukup tinggi. Hasil deteksi
yang didapatkan pada video memberikan hasil akurasi
yang berbeda-beda pada saat objek yang dideteksi
berpindah posisi.
3. Hasil Deteksi ikan menggunakan Gambar
Pengujian dilakukan dengan menguji
menggunakan gambar ikan molly dan ikan Sumatra
yang berformat JPG, dengan menjalankan sebuah
program python pada Raspberry Pi 3. Dalam proses
deteksi yang ditampilkan kotak box deteksi, nama
objek, tingkat akurasi, dan nilai RGB. Berikut ini
merupakan hasil deteksi pada sebuah gambar yang
memiliki dua objek baik itu ikan molly maupun ikan
sumatra pada satu frame gambar. Hasil deteksi pada
kedua gambar tersebut menghasilkan nilai akurasi
kesamaan pada dataset yang cukup tinggi.
Gambar 10. Hasil deteksi objek ikan pada gambar
Berdasarkan Gambar 4.54 diperoleh hasil akurasi
kesamaan pada dataset sebesar 97% pada ikan molly
dan 96% pada ikan sumatra Hasil deteksi pada frame
gambar diatas dengan dua objek ikan molly dan ikan
sumatra menghasilkan akurasi yang berbeda-beda.
95

4. Kesimpulan dan Saran
1. Sistem monitoring robot underwater yang
dikembangkan telah berhasil menangkap gambar
video dengan baik dan dapat berhasil mengenali
objek ikan menggunakan algoritma
Convolutional Neural Network (CNN)
2. Tingkat akurasi dari sistem deteksi ikan molly dan
sumatra menggunakan algoritma Convolutional
Neural Network (CNN) secara realtime dapat
dinilai bekerja dengan baik. Untuk deteksi pada
ikan molly mencapai akurasi 66,7 % sedangkan
untuk ikan Sumatra mencapai 45,5 %
3. Untuk meningkatkan akurasi dari algoritma
Convolutional Neural Network (CNN) peneliti
berikutnya dapat mempertimbangkan bebrapa
variable seperti memperkaya dataset, mengambil
dataset dari objek lingkungan sebernarnya.
4. Menggunakan spesifikasi perangkat yang lebih
tinggi, yaitu menggunakan komputer dengan
Random Access Memory (RAM) yang tinggi dan
menggunakan Graphics Processing Unit (GPU)
untuk mempercepat proses training dan Frame
Per Second (FPS).
Daftar Pustaka
[1] Adawiyah, Gusti Robiatul, “The Desimgn And
Implementation Of Acquisition Data And
Telemetry System In Remotely Operated Vehicle
(Rov) Based On Raspberry Pi 2,” n.d., 50, 2018.
[2] Aldino, Yogi, Sri Ratna Sulistiyanti, and
Muhamad Komarudin. “Rancang Bangun
Perangkat Kendali ROV Berbasis Joypad dan
Aplikasi Pemantauan Kondisi Bawah Air
Berbasis Video Streaming.” Electrician 12, no. 3
(September 4, 2018): 97.
https://doi.org/10.23960/elc.v12n3.2091.
[3] Ayianto, Tiyo, and Son Kuswadi. “Desain dan
Implementasi Sistem Remotely Operated Vehicle
(ROV) Pada Robot iSRo,” n.d., 6, 2016.
[4] Fauzi, Muhammad Nurul. “Navigation System
On The Underwater Robot Without Crew,” n.d.,
91, 2009.
[5] Habu, Yudittiadi, Ahmad P Sardju, and Iis Hamsir
Ayub Wahab. “Sistem Penggerak dan Ballast
Pengembangan Sistem Monitoring pada Robot Underwater…
ISSN Cetak 2745-925X
ISSN Online 2722-273X
JESSI Volume 01 Nomor 2 November 2020
Pada ROV (Remotely Operated Vehicles),” n.d.,
5, 2018.
[6] Koli, M.A.H. Rancang Bangun Robot Bawah Air
Mini ROV (Remotely Operated Vehicles)
Berbasis Mikrokontroler ATMega16. J. Tek.
Elektro Univ. Tanjungpura 2, 2015.
[7] Made Santoso Gitakarma, Ketut Udi Ariawan,
Nyoman Arya Wigraha, Alat bantu survey bawah
air mengunakan amoba, robot berbasis ROV,
Vol.3 No.2, 2014.
[8] M. Bazaar Iqbal, “Analisis Sensor Mpu 6050
Untuk Kestabilan Posisi Pada Rancang Bangun
Robot Rov (Remotely Operated Vehicle)
Menggunakan Metode Kalman Filter,” Skripsi.
Jurusan Teknik elektro, Politeknik Negeri
Sriwijaya, 2017.
[9] Muhamad, Reza, Titin Yulianti, Sri Ratna
Sulistiyanti, Sri Purwiyanti, and F X Arinto
Setyawan. n.d. “Deteksi Objek Bergerak Pada
Video Bawah Air Menggunakan Metode Frame
Differencing,” 6, 2019.
[10] Rifa’I, Rizwan. n.d. “Rancang Bangun Prototype
Underwater Robot Sebagai Alat Bantu Eksplorasi
Bawah Air Naskah Publikasi Tugas Akhir,” 12,
2019.
[11] Rizki, Ilham. “Pengembangan Prototipe
Remotely Operated Vehicle,” n.d., 68, 2013.
[12] Shukla, N., & Fricklas, K, “Machine learning with
tensorflow. New York:Manning Publications”
2018.
[13] Wahyuni, Elvira Sukma, and Muhammad Hendri,
“Smoke and Fire Detection Base on
Convolutional Neural Network.” ELKOMIKA:
Jurnal Teknik Energi Elektrik, Teknik
Telekomunikasi, & Teknik Elektronika 7 (3):
455.2019,https://doi.org/10.26760/elkomika.v7i3
.455.
96