Penerapan Algoritma Kalman Filter Dan Yolo Mengukur Efektifitas Aruco Marker  Bagi Tunanetra

KOKO EDY YULIANTO; RUJIANTO EKO SAPUTRO; FANDY SETYO UTOMO

doi:10.36787/jti.v19i2.1948

KOKO EDY YULIANTO Universitas Amikom Purwokerto
RUJIANTO EKO SAPUTRO Universitas Amikom Purwokerto
FANDY SETYO UTOMO Universitas Amikom Purwokerto

DOI: https://doi.org/10.36787/jti.v19i2.1948

Kata Kunci: Kalman Filter, YOLO, Aruco Marker, Navigasi Tunanetra, Efektivitas Deteksi

Abstrak

Mobilitas dan aksesibilitas merupakan tantangan utama bagi individu dengan disabilitas visual. Penelitian ini mengevaluasi efektivitas sistem navigasi berbasis multi-sensor untuk tunanetra dengan menggabungkan Algoritma Kalman Filter dan YOLO dalam mendeteksi Aruco Marker. Fokus penelitian adalah meningkatkan akurasi dan efisiensi navigasi melalui integrasi teknik deteksi deep learning dan prediksi matematis secara real-time. Hasil eksperimen menunjukkan bahwa Kalman Filter memiliki waktu deteksi lebih cepat, dengan rata-rata 0,1090 detik untuk objek Botol Plastik dan 0,1069 detik untuk objek Kombinasi. YOLO mencatat waktu sedikit lebih cepat namun dengan komputasi lebih berat. Kalman Filter mencatat efisiensi waktu 12,5%–13,3% lebih baik pada objek tertentu dan akurasi sebesar 94,50% (Botol Plastik) serta 96,00% (objek Kombinasi), lebih tinggi dibandingkan YOLO. Kombinasi kedua algoritma ini memberikan solusi navigasi yang akurat dan efisien untuk tunanetra, serta berpotensi dikembangkan lebih lanjut sebagai sistem navigasi real-time yang andal.

Kata kunci: Kalman Filter, YOLO, Aruco Marker, Navigasi Tunanetra, Efektivitas Deteksi

Abstract

Mobility and accessibility remain major challenges for individuals with visual impairments. This study evaluates the effectiveness of a multi-sensor navigation system for the visually impaired by integrating the Kalman Filter algorithm and YOLO for Aruco Marker detection. The research focuses on improving the accuracy and efficiency of navigation by combining deep learning-based detection with real-time mathematical prediction. Experimental results show that the Kalman Filter achieves faster detection times, averaging 0.1090 seconds for Plastic Bottle objects and 0.1069 seconds for Combination objects. While YOLO recorded slightly faster raw detection times, Kalman Filter demonstrated 12.5%–13.3% better computational efficiency for certain objects. In terms of accuracy, Kalman Filter achieved 94.50% for Plastic Bottle objects and 96.00% for Combination objects, outperforming YOLO’s 92.00% and 93.50%, respectively. The integration of both algorithms offers a promising and optimal solution for the development of reliable real-time navigation systems for the visually impaired.

Keywords: Kalman Filter, YOLO, Aruco Marker, Blind Navigation, Detection Effectiveness