Studi Perbandingan Algoritma YOLO dan FOMO untuk Object Detection pada Perangkat ESP32-CAM
DOI:
https://doi.org/10.33506/insect.v11i1.4289Keywords:
YOLOv5 Nano, FOMO, ESP32-CAM, Edge impulse, Object DetectionAbstract
Penelitian ini membandingkan performa dua algoritma pendeteksian objek, YOLO (You Only Look Once) dan FOMO (Faster Objects, More Objects), pada ESP32-CAM dengan sumber daya yang lebih rendah. Meskipun YOLO sering digunakan dalam aplikasi pendeteksian objek, namun penggunaannya pada perangkat dengan performa komputer yang rendah, seperti ESP32-CAM, masih terbatas. Sementara FOMO, yang dirancang untuk perangkat dengan keterbatasan komputasi, dianggap mampu memberikan alternatif yang lebih efektif. Penelitian ini mengevaluasi kinerja kedua algoritma berdasarkan tiga parameter utama: akurasi deteksi, waktu inferensi, dan penggunaan memori RAM. Penemuan penelitian menunjukkan, FOMO memiliki keunggulan signifikan dibandingkan YOLOv5 Nano dalam hal waktu inferensi, yang lebih cepat hingga beberapa kali lipat. Meskipun FOMO menghasilkan F1 Score yang sangat tinggi (99,2%), perbandingan akurasi menggunakan metric mAP tidak dapat dilakukan dengan FOMO. YOLOv5 Nano, di sisi lain, memiliki akurasi yang lebih baik pada mAP tetapi membutuhkan waktu inferensi yang lebih lama dan penggunaan memori yang lebih besar. Tujuan dari penelitian ini adalah untuk memastikan bahwa FOMO kekurangan di area lain dan YOLOv5 Nano dapat dioptimalkan lebih lanjut, terutama dalam deteksi objek dan waktu inferensi yang lebih efisien di perangkat dengan sumber daya terbatas.
References
[1] Saputra, D. H., Imran, B., & Juhartini. (2023). Object detection untuk mendeteksi citra buah-buahan menggunakan metode YOLO. Jurnal Kecerdasan Buatan dan Teknologi Informasi.
[2] Rahman, A. A., Agustin, S. D., Ibrahim, N., & Kumalasari, N. C. (2022). Perbandingan algoritma YOLOv4 dan Scaled YOLOv4 untuk deteksi objek pada citra termal. MIND Journal.
[3] Iqbal, M. N., Midyanti, D. M., & Bahri, S. (2024). Deteksi objek manusia pada citra menggunakan single shot detector (SSD) berbasis edge computing. Jurnal Teknologi Informasi dan Ilmu Komputer.
[4] Saputra, F. A., & Chandra, J. C. (2022). Prototipe sistem keamanan ruang server otomatis menggunakan ESP32CAM dan algoritma You Only Look Once (YOLO). Jurnal Ticom: Technology of Information and Communication.
[5] Hasbullah, A. W., Setiawan, E., & Rachmad, A. (2023). Evaluasi keandalan model rekognisi suara burung hama menggunakan platform Edge Impulse pada mikrokontroller low power. Jurnal Teknik Elektro dan Komputer TRIAC, 10(2), 69–75
[6] Jamaludin, F., Asriyanik, A., & Pambudi, A. (2024). Penerapan YOLO (You Only Look Once) untuk deteksi etika berbusana di Universitas Muhammadiyah Sukabumi. JATI (Jurnal Mahasiswa Teknik Informatika).
[7] Sari, D. P., & Rahman, A. (2023). YOLO-V8: Peningkatan algoritma untuk deteksi objek dalam kondisi pencahayaan rendah.
[8] Yanto, Y., Aziz, F., & Irmawati, I. (2023). YOLO-V8 peningkatan algoritma untuk deteksi pemakaian masker wajah. JATI (Jurnal Mahasiswa Teknik Informatika).
[9] Hafidzulrahman, D. (2023). Perbandingan algoritma You Only Look Once (YOLO) versi 5 dan versi 8 sebagai object detection pada pendeteksian hilal. Universitas Islam Negeri Jakarta.
[10] Jalaludin, R., & Laksmiati, D. (2023). Perancangan sistem kendali irigasi otomatis dan pengusir hama burung dengan menggunakan sensor PIR. Jurnal Ilmiah Telsinas Elektro, Sipil dan Teknik Informasi.
[11] Badgujar, C. M., Poulose, A., & Gan, H. (2024). Agricultural object detection with You Only Look Once (YOLO) algorithm: A bibliometric and systematic literature review. ArXiv, abs/2401.10379.

Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 firdaus, Mahardika Wibowo, Rahmat Tullah, Wieke Ricesa

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