Deteksi Pergerakan Kepala Menggunakan Kombinasi YOLOv8N dan GhostNet untuk Navigasi Kursi Roda Pintar
Kata Kunci:
YOLOv8, GhostNet, deteksi pergerakan kepala, kursi roda pintar, Jetson Nano, disabilitas fisikAbstrak
Menurut data dari World Health Organization (WHO), sekitar 1,3 miliar individu di dunia menghadapi disabilitas berat, termasuk keterbatasan fisik yang membutuhkan kursi roda untuk mobilitas. Namun, penggunaan kursi roda konvensional dan elektrik masih memerlukan bantuan orang lain, sehingga mengurangi kemandirian pengguna. Kursi roda pintar berbasis navigasi pergerakan kepala merupakan solusi inovatif untuk meningkatkan kemandirian dengan biaya lebih terjangkau memanfaatkan Jetson Nano. Sistem ini menggabungkan YOLOv8N untuk deteksi objek secara real-time dan GhostNet untuk mengurangi beban komputasi dan memori. Sistem mendeteksi empat gerakan kepala yaitu menunduk, menatap ke depan, miring ke kiri, dan kanan, yang diterjemahkan menjadi perintah navigasi seperti berhenti, maju, belok kiri, atau kanan. Model YOLOv8N-GhostNet mencapai mAP50-95 sebesar 91,8% pada epoch ke-97, dengan nilai mAP50 mencapai 99,4%. Model ini lebih efisien dibandingkan YOLOv8N standar, dengan parameter 1,71 juta, ukuran model 3,7 MB, dan inferensi 53,2 ms per gambar, serta rata-rata akurasi navigasi 90%. Kursi roda pintar ini memberikan kinerja optimal dengan efisiensi memori dan komputasi yang tinggi, akurasi andal, serta harga terjangkau bagi penyandang disabilitas.
Referensi
Bai, R., Shen, F., Wang, M., Lu, J. and Zhang, Z., 2023. Improving Detection Capabilities of YOLOv8-n for Small Objects in Remote Sensing Imagery: Towards Better Precision with Simpliied Model Complexity Improving Detection Capabilities of YOLOv8-n for Small Objects in Remote Sensing Imagery: Towards Better Precision with Simplified Model Complexity. [online] https://doi.org/10.21203/rs.3.rs-3085871/v1.
Chatzidimitriadis, S., Bafti, S.M. and Sirlantzis, K., 2023. Non-Intrusive Head Movement Control for Powered Wheelchairs: A Vision-Based Approach. IEEE Access, [online] 11, pp.65663–65674. https://doi.org/10.1109/ACCESS.2023.3275529.
Han, K., Wang, Y., Tian, Q., Guo, J., Xu, C. and Xu, C., 2020. GhostNet: More Features From Cheap Operations. In: 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). [online] IEEE. pp.1577–1586. https://doi.org/10.1109/CVPR42600.2020.00165.
Irsal, R.B.P. and Utaminingrum, F., 2022. Sistem Pengenalan Gerak Kepala sebagai Navigasi Kursi Roda Pintar dengan menggunakan Metode YOLOV5 berbasis TX2. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, [online] 6(12), pp.5576–5581. Available at: <https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/11933> [Accessed 10 August 2024].
Li, S., Du, K., Li, Z., Li, N., Xiong, C., Zhang, Y., Liu, M. and Qin, L., 2024. An Improved YOLOv8n Network for Transmission Line Intrusion Foreign Object Detection. In: 2024 9th Asia Conference on Power and Electrical Engineering (ACPEE). [online] IEEE. pp.1559–1565. https://doi.org/10.1109/ACPEE60788.2024.10532620.
Nanda, A.R. and Herawati, R., 2021. Kendala Dan Solusi Bagi Penyandang Disabilitas Kota Semarang Dalam Mengakses Pekerjaan. Jurnal Pembangunan Hukum Indonesia, [online] 3(3), pp.325–336. https://doi.org/10.14710/jphi.v3i3.325-336.
World Health Organization, 2023. Wheelchair Provision Guidelines. [online] Available at: <https://www.who.int/publications/i/item/9789240074521>. [Accessed on 10 August 2024].
Xiao, X. and Feng, X., 2023. Multi-Object Pedestrian Tracking Using Improved YOLOv8 and OC-SORT. Sensors, [online] 23(20), p.8439. https://doi.org/10.3390/s23208439.
Bai, R., Shen, F., Wang, M., Lu, J. and Zhang, Z., 2023. Improving Detection Capabilities of YOLOv8-n for Small Objects in Remote Sensing Imagery: Towards Better Precision with Simpliied Model Complexity Improving Detection Capabilities of YOLOv8-n for Small Objects in Remote Sensing Imagery: Towards Better Precision with Simplified Model Complexity. [online] https://doi.org/10.21203/rs.3.rs-3085871/v1.
Chatzidimitriadis, S., Bafti, S.M. and Sirlantzis, K., 2023. Non-Intrusive Head Movement Control for Powered Wheelchairs: A Vision-Based Approach. IEEE Access, [online] 11, pp.65663–65674. https://doi.org/10.1109/ACCESS.2023.3275529.
Han, K., Wang, Y., Tian, Q., Guo, J., Xu, C. and Xu, C., 2020. GhostNet: More Features From Cheap Operations. In: 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). [online] IEEE. pp.1577–1586. https://doi.org/10.1109/CVPR42600.2020.00165.
Irsal, R.B.P. and Utaminingrum, F., 2022. Sistem Pengenalan Gerak Kepala sebagai Navigasi Kursi Roda Pintar dengan menggunakan Metode YOLOV5 berbasis TX2. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, [online] 6(12), pp.5576–5581. Available at: <https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/11933> [Accessed 10 August 2024].
Li, S., Du, K., Li, Z., Li, N., Xiong, C., Zhang, Y., Liu, M. and Qin, L., 2024. An Improved YOLOv8n Network for Transmission Line Intrusion Foreign Object Detection. In: 2024 9th Asia Conference on Power and Electrical Engineering (ACPEE). [online] IEEE. pp.1559–1565. https://doi.org/10.1109/ACPEE60788.2024.10532620.
Nanda, A.R. and Herawati, R., 2021. Kendala Dan Solusi Bagi Penyandang Disabilitas Kota Semarang Dalam Mengakses Pekerjaan. Jurnal Pembangunan Hukum Indonesia, [online] 3(3), pp.325–336. https://doi.org/10.14710/jphi.v3i3.325-336.
World Health Organization, 2023. Wheelchair Provision Guidelines. [online] Available at: <https://www.who.int/publications/i/item/9789240074521>. [Accessed on 10 August 2024].
Xiao, X. and Feng, X., 2023. Multi-Object Pedestrian Tracking Using Improved YOLOv8 and OC-SORT. Sensors, [online] 23(20), p.8439. https://doi.org/10.3390/s23208439.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.