Analisis Kinerja ESP32-CAM Dalam Mendeteksi Objek

Authors

    Aditya Herwandi( 1 ) Alfian Aditya Ramadhan( 2 ) Nova Teguh Sunggono( 3 ) Ferawati Ferawati( 4 )

    (1) Institut Teknologi dan Bisnis Bina Sarana Global
    (2) Institut Teknologi dan Bisnis Bina Sarana Global
    (3) Institut Teknologi dan Bisnis Bina Sarana Global
    (4) Institut Teknologi dan Bisnis Bina Sarana Global

DOI:

https://doi.org/10.32877/bt.v7i3.2296

Keywords:


Akurasi Deteksi, Deteksi Objek, ESP32-CAM, Cosmetology, Yolo

Abstract

Deteksi objek merupakan salah satu komponen kunci dalam sistem visi komputer yang banyak digunakan pada berbagai aplikasi seperti pengawasan, otomasi, dan sistem berbasis Internet of Things (IoT). Namun, penerapan algoritma deteksi berbasis deep learning umumnya memerlukan sumber daya komputasi tinggi yang tidak sesuai untuk perangkat berbiaya rendah seperti ESP32-CAM. Penelitian ini bertujuan untuk menganalisis kinerja ESP32-CAM dalam mendeteksi objek menggunakan algoritma YOLOv3, serta mengkaji pengaruh berbagai kondisi lingkungan terhadap hasil deteksi. Studi ini menggunakan pendekatan eksperimental dengan lima skenario pengujian yang mencakup variabel pencahayaan (siang dan malam), gerakan kamera (bergerak dan tidak bergerak), resolusi gambar (800×600 dan 1280×1024 piksel), serta ukuran objek (kecil, sedang, dan besar). Evaluasi dilakukan dengan mengukur tingkat akurasi deteksi, waktu pemrosesan per frame, serta kejernihan citra pada masing-masing skenario. Hasil pengujian menunjukkan bahwa ESP32-CAM mampu mendeteksi objek dengan akurasi tertinggi sebesar 73% pada kondisi siang hari dengan pencahayaan optimal dan kamera statis. Akurasi menurun secara signifikan dalam kondisi gelap, saat kamera bergerak, serta ketika objek berukuran kecil. Penelitian ini menegaskan bahwa keberhasilan deteksi sangat dipengaruhi oleh pengaturan lingkungan dan karakteristik objek. Meskipun ESP32-CAM memiliki keterbatasan dalam daya komputasi dan memori, hasil penelitian ini membuktikan bahwa perangkat ini tetap layak digunakan untuk sistem deteksi objek sederhana dalam lingkungan terkendali. Penelitian ini memberikan kontribusi praktis dalam pengembangan sistem deteksi visual berbasis perangkat ringan, dan menawarkan rekomendasi teknis untuk meningkatkan performa melalui pengaturan lingkungan dan pemilihan parameter yang tepat.

Downloads

Download data is not yet available.

References

L. A. C. Rudolf Huizen, “Optimalisasi Klasifikasi Objek Melalui Integrasi Metode Ensemble dan Teknik Ekstraksi Fitur Deteksi Tepi,” J. Sist. dan Inform., vol. 18, no. 1, pp. 58–63, 2023, doi: 10.30864/jsi.v18i1.601.

J. Terven, D. M. Córdova-Esparza, and J. A. Romero-González, “A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS,” Mach. Learn. Knowl. Extr., vol. 5, no. 4, pp. 1680–1716, 2023, doi: 10.3390/make5040083.

S. Srivastava, A. V. Divekar, C. Anilkumar, I. Naik, V. Kulkarni, and V. Pattabiraman, “Comparative analysis of deep learning image detection algorithms,” J. Big Data, vol. 8, no. 1, 2021, doi: 10.1186/s40537-021-00434-w.

C.-Y. Wang and H.-Y. M. Liao, “YOLOv1 to YOLOv10: The fastest and most accurate real-time object detection systems,” no. August, pp. 1–13, 2024, doi: 10.1561/116.20240058.

A. Noerifanza, “Analisa Kelayakan Modul Esp32 Sebagai Kamera untuk Pengenalan Objek Sehari-hari,” J. Comput. Electron. Telecommun., vol. 3, no. 2, 2022, doi: 10.52435/complete.v3i2.263.

M. S. Tamsir, A. B. Arief, A. Achmad, and S. Panggalo, “Implementasi Yolov4 Dengan Filter Pre Processinggambar Untuk Optimalisasi Sistem Monitoring Keamanan Rumah Berbasis Esp32-Cam,” J. Sci. Res. Dev., vol. 3, no. 1, pp. 24–32, 2021, doi: https://doi.org/10.56670/jsrd.v6i2.592.

E. R. M. B. A. Sucipto, R. R. M. Putri, and B. D. Setiawan, “Pengembangan Sistem Deteksi Lubang Pada Jalan Menggunakan Algoritma Yolo Berbasis Esp32-Cam,” vol. 9, no. 4, pp. 1–12, 2025.

I. P. S. Yoga, G. Sukadarmika, R. S. Hartati, and Y. Divayana, “Pendeteksi Jumlah Orang pada Sistem Bangunan Pintar Menggunakan Algoritma You Only Look Once,” Maj. Ilm. Teknol. Elektro, vol. 22, no. 1, p. 11, 2023, doi: 10.24843/mite.2023.v22i01.p02.

A. T. Tajar, A. Ramazani, and M. Mansoorizadeh, “A lightweight Tiny-YOLOv3 vehicle detection approach,” J. Real-Time Image Process., vol. 8, pp. 2389–2401, 2021, doi: https://doi.org/10.1007/s11554-021-01131-w.

M. R. Pratama and D. Laksmiati, “Prototipe Sistem Deteksi Burung Menggunakan ESP32-Cam dan Algoritma YOLO,” vol. 27, no. November, pp. 78–87, 2024, doi: https://doi.org/10.47313/jig.v27i2.3826.

Y. Jiang, W. Li, J. Zhang, F. Li, and Z. Wu, “YOLOv4-dense: A smaller and faster YOLOv4 for real-time edge-device based object detection in traffic scene,” IET Image Process., vol. 17, no. 2, pp. 570–580, 2023, doi: 10.1049/ipr2.12656.

F. A. Saputra and J. C. Chandra, “Prototype of Automatic Server Room Security System Using ESP32CAM and You Only Look Once (YOLO) Algorithm,” J. TICOM Technol. Inf. Commun., vol. 11, no. 1, pp. 62–67, 2022, doi: https://doi.org/10.70309/ticom.v11i1.75.

A. A. Ad, Ciksadan, and E. Hawayanti, “Penerapan Algoritma Yolov3 pada Sistem Cerdas Pendeteksi dan Pengendali Hama Bawang Merah Berbasis IoT,” vol. 6, no. 2, pp. 930–939, 2024, doi: 10.47065/bits.v6i2.5697.

X. Xu, Y. Jiang, W. Chen, Y. Huang, Y. Zhang, and X. Sun, “DAMO-YOLO: A Report on Real-Time Object Detection Design,” 2022, doi: https://doi.org/10.48550/arXiv.2211.15444.

B. Liu, F. He, S. Du, J. Li, and W. Liu, “An advanced YOLOv3 method for small object detection,” J. Intell. Fuzzy Syst., vol. 45, no. 4, pp. 5807–5819, 2023, doi: 10.3233/JIFS-224530.

W. Pebrianto, P. Mudjirahardjo, S. H. Pramono, Rahmadwati, and R. A. Setyawan, “YOLOv3 with Spatial Pyramid Pooling for Object Detection with Unmanned Aerial Vehicles,” no. 167, pp. 1–8, 2023, [Online]. Available: http://arxiv.org/abs/2305.12344

E. R. Jamzuri, H. Mandala, R. Analia, and S. Susanto, “Cloud-Based Architecture for YOLOv3 Object Detector using gRPC and Protobuf,” J. Tek. Elektro, vol. 14, no. 1, pp. 18–23, 2022, doi: 10.15294/jte.v14i1.36537.

I. Lazarevich, M. Grimaldi, R. Kumar, S. Mitra, S. Khan, and S. Sah, “YOLOBench: Benchmarking Efficient Object Detectors on Embedded Systems,” Proc. - 2023 IEEE/CVF Int. Conf. Comput. Vis. Work. ICCVW 2023, pp. 1161–1170, 2023, doi: 10.1109/ICCVW60793.2023.00126.

Downloads

Published

2025-04-25

How to Cite

[1]
A. Herwandi, A. A. Ramadhan, N. T. Sunggono, and F. Ferawati, “Analisis Kinerja ESP32-CAM Dalam Mendeteksi Objek”, bit-Tech, vol. 7, no. 3, pp. 1014–1021, Apr. 2025.

Issue

Vol. 7 No. 3 (2025): bit-Tech

Section

Articles

License

Copyright (c) 2025 bit-Tech

Creative Commons License

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

I hereby assign and transfer to bit-Tech all exclusive copyright ownership rights to the above work. This includes, but is not limited to, the right to publish, republish, downgrade, distribute, transmit, sell, or use the work and other related materials worldwide, in whole, or in part, in all languages, in electronic, printed, or any other form of media, now known or hereafter developed and reserves the right to permit or license a third party to do any of the above. I understand that this exclusive right will belong to bit-Tech from the date the article is accepted for publication. I also understand that bit-Tech, as the copyright owner, has sole authority to license and permit reproduction of the article. I understand that, except for copyright, any other proprietary rights associated with the work (e.g. patents or other rights to any process or procedure) must be retained by the author. In addition, I understand that bit-Tech permits authors to use their papers in any way permitted by the applied Creative Commons license.

DOI : https://doi.org/10.32877/bt.v7i3.2296
Abstract views: 129 / PDF downloads: 80

Most read articles by the same author(s)