Melola Discovery

← Melola Discovery

Open access Jurnal SINTA 2

Obstacles Detection in Underwater Environment Using ROV Based on Convolutional Neural Network

IJCCS (Indonesian Journal of Computing and Cybernetics Systems) · Vol. 19 No. 1 (2025) · pp. 105–116

DOI
10.22146/ijccs.101698
ISSN
2460-7258, 1978-1520
Published
2025-01-31
Publisher
IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.
Language
eng
License
creativecommons.org/licenses/by-sa/4.0

Abstract

Pada saat RoV berada dibawah air tidak sedikit obstacle yang dijumpai dan berpengaruh terhadap kinerja dan keselamatan body ROV itu sendiri. Obyek yang tertangkap kamera ROV seringkali sulit untuk diidentifikasi dan dideteksi karena besarnya noise bawah air. Selain itu, sifat air yang membiaskan cahaya dan tingkat kejernihan air turut berpengaruh terhadap kualitas gambar yang dihasilkan. Untuk membantu dalam mengidentifikasi obyek yang ada di bawah air, maka pada penelitian ini proses identifikasi dilakukan dengan menggunakan Convolutional Neural Networks (CNN). CNN mengekstraksi fitur penting dari gambar melalui beberapa lapisan konvolusi. Setiap lapisan konvolusi menggunakan filter untuk mendeteksi pola seperti tepi, sudut, atau tekstur dari gambar input. Pada tahap akhir, fitur-fitur yang sudah diproses ini dihubungkan ke lapisan fully-connected yang bertindak sebagai pengklasifikasi. CNN kemudian memetakan fitur-fitur tersebut ke dalam kelas-kelas tertentu, misalnya objek seperti botol, tiang kayu, rantai, dan propeller. Dari pengujian secara real-time sistem berhasil menunjukkan performansi yang baik dengan akurasi validasi sebesar 99.25% dan akurasi klasifikasi real-time sebesar 85%. Hasil klasifikasi selanjutnya menentukan pergerakan thruster ROV.

Keywords

Collaboration network of the authors

6 authors · 12 co-authorship links

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • Politeknik Perkapalan Negeri Surabaya
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
Adianto AdiantoPoliteknik Perkapalan Negeri Surabaya2

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://journal.ugm.ac.id/ijccs/oai, first harvested 26 Okt 2026, last seen 26 Okt 2026.
Original metadata (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en-US">Obstacles Detection in Underwater Environment Using ROV Based on Convolutional Neural Network</dc:title>
	<dc:creator>Asri, Purwidi</dc:creator>
	<dc:creator>Widiarti, Yuning</dc:creator>
	<dc:creator>Purwanti, Endang Pudji</dc:creator>
	<dc:creator>Wismawati, Endah</dc:creator>
	<dc:creator>Arifin, M. Firman Tsany</dc:creator>
	<dc:subject xml:lang="en-US">Electrical Engineering and Control System</dc:subject>
	<dc:subject xml:lang="en-US">CNN, halangan, deteksi, klasifikasi, ROV</dc:subject>
	<dc:description xml:lang="en-US">Pada saat RoV berada dibawah air tidak sedikit obstacle yang dijumpai dan berpengaruh terhadap  kinerja dan keselamatan body ROV itu sendiri. Obyek yang tertangkap kamera ROV seringkali sulit untuk diidentifikasi dan dideteksi karena besarnya noise bawah air. Selain itu, sifat air yang membiaskan cahaya dan tingkat kejernihan air turut berpengaruh terhadap kualitas gambar yang dihasilkan. Untuk membantu dalam mengidentifikasi obyek yang ada di bawah air, maka pada penelitian ini proses identifikasi dilakukan dengan menggunakan Convolutional Neural Networks (CNN). CNN mengekstraksi fitur penting dari gambar melalui beberapa lapisan konvolusi. Setiap lapisan konvolusi menggunakan filter untuk mendeteksi pola seperti tepi, sudut, atau tekstur dari gambar input. Pada tahap akhir, fitur-fitur yang sudah diproses ini dihubungkan ke lapisan fully-connected yang bertindak sebagai pengklasifikasi. CNN kemudian memetakan fitur-fitur tersebut ke dalam kelas-kelas tertentu , misalnya objek seperti botol, tiang kayu, rantai, dan propeller. Dari pengujian secara real-time sistem berhasil menunjukkan performansi yang baik dengan akurasi validasi sebesar 99.25% dan akurasi klasifikasi real-time sebesar 85%. Hasil klasifikasi selanjutnya menentukan pergerakan thruster ROV.</dc:description>
	<dc:publisher xml:lang="en-US">IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.</dc:publisher>
	<dc:contributor xml:lang="en-US">Politeknik Perkapalan Negeri Surabaya</dc:contributor>
	<dc:date>2025-01-31</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:type xml:lang="en-US"></dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.ugm.ac.id/ijccs/article/view/101698</dc:identifier>
	<dc:identifier>10.22146/ijccs.101698</dc:identifier>
	<dc:source xml:lang="en-US">IJCCS (Indonesian Journal of Computing and Cybernetics Systems); Vol 19, No 1 (2025): January; 105-116</dc:source>
	<dc:source>2460-7258</dc:source>
	<dc:source>1978-1520</dc:source>
	<dc:language>eng</dc:language>
	<dc:relation>https://journal.ugm.ac.id/ijccs/article/view/101698/41000</dc:relation>
	<dc:rights xml:lang="en-US">Copyright (c) 2025 IJCCS (Indonesian Journal of Computing and Cybernetics Systems)</dc:rights>
	<dc:rights xml:lang="en-US">http://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>