Analisis Kinerja Sistem Computer Vision Berbasis Fusi Kamera dan Sensor ToF VL53L0X untuk Estimasi Dimensi dan Volume Objek Real-Time
- Abstrak
- Latar Belakang & Tujuan
- Tinjauan Pustaka
- Metodologi
- Hasil & Temuan
- DISKUSI
- Limitasi
- Kesimpulan & Arah Selanjutnya
- Referensi
- Kepemilikan
- Tim & Kredit
01Abstrak
Pengukuran dimensi dan volume objek secara manual tidak praktis untuk kebutuhan skala besar, sementara solusi komersial berbasis depth camera berbiaya tinggi. Penelitian ini mengembangkan sistem estimasi dimensi dan tinggi objek berbiaya rendah dengan memfusikan webcam tunggal dan sensor jarak Time-of-Flight (ToF) titik-tunggal VL53L0X, menggunakan YOLO26-seg untuk segmentasi dimensi lateral dan Kalman Filter satu-dimensi untuk smoothing bacaan jarak. Karakterisasi sistem mengungkap tiga kategori keterbatasan utama: (1) keterbatasan optik akibat field-of-view 25° sensor yang menghasilkan galat estimasi tinggi hingga sekitar 112% pada jarak 30 cm dan menurun menjadi 9,1% pada jarak operasional optimal 18 cm; (2) keterbatasan material berupa kegagalan pembacaan pada objek dengan permukaan gelap dan rendah-reflektansi; dan (3) keterbatasan rekayasa perangkat lunak berupa data basi yang tanpa disadari tetap ditampilkan seolah data valid. Eksplorasi tambahan turut mengonfirmasi keterbatasan arsitektural sensor satu-titik pada skenario multi-objek. Ketiga keterbatasan inti telah diatasi pada revisi akhir sistem melalui mekanisme deteksi data kedaluwarsa (penandaan waktu pada tiap bacaan sensor sehingga data yang sudah usang tidak lagi dianggap valid), pencatatan log diagnostik, dan estimasi keandalan tinggi secara real-time. Evaluasi kuantitatif berskala lebih besar terhadap interaksi antar-keterbatasan ini belum dilakukan pada penelitian ini.
02Latar Belakang & Tujuan
Pengukuran dimensi dan volume objek secara manual memakan waktu dan tidak praktis diterapkan pada skala besar, misalnya di gudang logistik, e-commerce, atau lini produksi [1]. Solusi komersial yang tersedia, umumnya berbasis depth-sensor khusus, berbiaya tinggi dan kurang fleksibel untuk skala kecil-menengah [2].
Penelitian ini bermula dari upaya membangun sistem estimasi dimensi dan volume objek berbasis kamera tunggal (webcam) yang terjangkau, memanfaatkan deteksi dan segmentasi objek berbasis deep learning [3] serta sensor jarak Time-of-Flight VL53L0X [4] untuk mengukur jarak objek ke kamera secara real-time. Namun, seiring proses pengembangan dan pengujian, fokus penelitian bergeser dari sekadar mencari "metode estimasi terbaik" menjadi pertanyaan yang lebih mendasar: pada kondisi apa sistem fusi kamera-sensor ToF titik-tunggal berbiaya rendah gagal memberikan estimasi yang dapat diandalkan, mengapa hal itu terjadi secara fisik, optik, dan material, dan bagaimana kegagalan tersebut dapat dideteksi serta dikomunikasikan secara eksplisit oleh sistem itu sendiri, alih-alih diam-diam menampilkan angka yang tampak masuk akal namun sebenarnya keliru, sejalan dengan pendekatan riset sejenis yang mengkarakterisasi keterbatasan geometris sensor jarak berbiaya rendah akibat field-of-view yang lebar [5].
Tujuan penelitian: mengkarakterisasi dan mengkuantifikasi keterbatasan fundamental sistem fusi kamera-ToF titik-tunggal berbiaya rendah pada tiga dimensi, yaitu optik, material, dan rekayasa perangkat lunak, serta mengimplementasikan mekanisme mitigasi yang sesuai pada revisi akhir sistem.
03Tinjauan Pustaka
Deteksi dan segmentasi objek berbasis deep learning, khususnya keluarga You Only Look Once (YOLO), telah banyak digunakan sebagai fondasi sistem computer vision real-time, termasuk rilis terbaru YOLO26 yang menghadirkan sejumlah perbaikan arsitektur untuk kebutuhan deployment [3], [6]. Ketersediaan model pretrained pada dataset skala besar seperti Common Objects in Context (COCO) memudahkan adopsi tanpa perlu melatih ulang dari nol untuk kasus deteksi objek umum [7]. Namun demikian, deteksi dan segmentasi 2D semata tidak memberi informasi kedalaman, sehingga dibutuhkan sensor jarak tambahan untuk merekonstruksi dimensi objek dari citra 2D, mengikuti prinsip model kamera pinhole seperti pada single view metrology [8].
Sensor Time-of-Flight titik-tunggal seperti VL53L0X menawarkan cara murah untuk mengukur jarak [4]. Prinsip fusi kamera dengan sensor jarak atau kedalaman telah tervalidasi secara luas pada sistem Advanced Driving Assistance System (ADAS) dan kendaraan otonom, misalnya melalui fusi kamera dengan Light Detection and Ranging (LiDAR) untuk deteksi objek dan estimasi jarak [9]. Pendekatan tersebut umumnya menggunakan sensor jarak beresolusi tinggi (LiDAR multi-titik atau radar) yang menghasilkan representasi kedalaman padat per-piksel, alih-alih satu titik jarak tunggal. Filter Kalman menjadi metode standar untuk smoothing bacaan sensor sekuensial yang mengandung noise pada aplikasi real-time semacam ini [10]. Model estimasi kedalaman monokular seperti MiDaS, yang menghasilkan peta kedalaman relatif dari citra kamera tunggal tanpa sensor tambahan, menawarkan alternatif untuk kasus ini, meski tetap memerlukan penjangkaran skala (scale anchor) eksternal untuk menghasilkan jarak absolut [11].
Gap / peluang: Datasheet resmi VL53L0X secara spesifik menyediakan karakterisasi field-of-view dan sensitivitas reflektansi pada level komponen [4]. Namun, belum ada yang secara sistematis mengkuantifikasi bagaimana kedua batasan optik dan material tersebut berinteraksi dan memengaruhi galat estimasi dimensi ketika sensor difusikan dengan kamera pada skala objek meja, berbeda dari skala kendaraan pada penerapan ADAS yang dibahas pada pendekatan fusi kamera-LiDAR sebelumnya [9]. Kerentanan rekayasa perangkat lunak berupa data basi pada implementasi praktisnya juga jarang dibahas secara eksplisit pada literatur penggunaan sensor ini.
Arah pendekatan: Berdasarkan gap tersebut, penelitian ini tidak berhenti pada implementasi sistem fusi kamera-ToF yang berfungsi, tetapi bergerak ke arah mengkarakterisasi secara kuantitatif kondisi kegagalannya melalui eksperimen jarak-terkontrol, uji sensitivitas material, dan audit kode sumber. Dengan demikian, sistem dapat secara eksplisit mengomunikasikan batas keandalannya sendiri kepada pengguna, alih-alih mengasumsikan setiap bacaan sensor selalu valid.
04Metodologi
Arsitektur Umum Sistem :
Sistem mengadopsi model kamera pinhole [8]: ukuran nyata objek dihitung dari ukuran piksel hasil segmentasi YOLO26-seg, jarak objek ke kamera dari sensor ToF, dan focal length kamera yang dikalibrasi sekali melalui metode dua-titik referensi. Sensor VL53L0X [4] terhubung ke mikrokontroler ESP32-DevKit (firmware Arduino IDE, library Adafruit_VL53L0X), mengirim data jarak (format teks "Jarak: X mm" atau "luar jangkauan") via komunikasi serial (baud rate 115200) ke program Python di sisi host.
Sebelum investigasi keterbatasan dilakukan, lima pendekatan dievaluasi secara iteratif pada sistem yang sama untuk menentukan arsitektur akhir. Evaluasi ini bersifat within-system (bukan perbandingan terhadap sistem pihak ketiga):
1. Baseline statis manual :
Jarak permukaan kosong diukur sekali di awal sebagai konstanta; tinggi objek dihitung sebagai baseline dikurangi jarak sensor saat ini.
2. Rotated bounding box :
Perbaikan dimensi 2D menggunakan `cv2.minAreaRect` untuk mengatasi pembengkakan ukuran akibat rotasi objek terhadap sumbu kamera.
3. Stability-lock :
Tinggi dihitung dari median beberapa bacaan sensor, ditampilkan hanya setelah standar deviasi berada di bawah ambang batas selama minimal 15 sampel. Ditinggalkan karena mengorbankan kebutuhan real-time.
4. Kalman Filter satu-dimensi :
Filter Kalman skalar [10] dengan varians proses (Q = 0,02) dan varians pengukuran (R = 0,12), serta mekanisme reset cepat untuk perubahan jarak mendadak (>3 cm), dipilih sebagai pipeline final.
5. Monocular depth estimation (eksperimental) :
Model MiDaS_small [11], varian ringan dari model estimasi kedalaman monokular MiDaS yang telah diperkenalkan pada bagian Tinjauan Pustaka, menghasilkan peta disparitas relatif per-piksel, dengan sensor ToF sebagai jangkar skala yang dihitung ulang tiap frame. Dieksplorasi untuk mengatasi keterbatasan sensor satu-titik pada skenario multi-objek.
Ringkasan kelima pendekatan tersebut, termasuk kelebihan dan kekurangannya, dapat dilihat pada gambar 1 berikut.
Kalman Filter, sebagai estimator linear optimal untuk noise Gaussian pada aliran data tunggal, secara matematis konsisten mengungguli Metode 1 dan 3 dalam pengujian, sehingga arsitektur inilah (YOLO26-seg + rotated bbox + Kalman Filter) yang dibawa ke tahap investigasi keterbatasan pada bagian Hasil.
Desain Eksperimen Investigasi Keterbatasan :
Tiga investigasi lanjutan dilakukan untuk mengkarakterisasi batas keandalan sistem secara kuantitatif:
1. Eksperimen jarak-terkontrol :
Objek acuan iPhone X (dimensi pabrikan 14,36 × 7,09 × 0,77 cm, sebagai ground truth presisi) diukur pada tiga jarak sensor berbeda (≈18, ≈20, ≈30 cm), masing-masing 3–4 sampel frame berurutan setelah baseline di-set, untuk mengisolasi pengaruh jarak kerja terhadap galat estimasi tinggi.
2. Eksperimen sensitivitas material :
Objek dengan permukaan kain hitam doff (pouch case In-Ear Monitor/IEM) diuji pada jarak operasional terbaik (≈18 cm), dibandingkan terhadap permukaan kaca glossy (iPhone X), untuk menguji pengaruh reflektansi permukaan terhadap keandalan pembacaan.
3. Audit kode sumber :
Modul "serial_reader.py" (penjembatan data ESP32 ke Python) diperiksa baris demi baris untuk mengidentifikasi potensi kegagalan senyap (silent failure) dalam penanganan data sensor yang tidak valid atau terlambat.
Sumber & Pengumpulan Data :
Data dikumpulkan langsung dari eksperimen laboratorium (bukan dataset publik): pembacaan sensor ToF dan citra webcam pada tiga eksperimen di atas, dicatat manual per-frame bersama nilai ground truth pabrikan objek uji.
Praproses :
Koreksi dimensi 2D via rotated bounding box (cv2.minAreaRect); smoothing bacaan jarak via Kalman Filter satu-dimensi; kalibrasi baseline permukaan kosong sekali di awal setiap sesi pengujian.
Pembagian Data :
Model deteksi (YOLO26-seg) digunakan dalam kondisi pretrained pada COCO tanpa fine-tuning khusus domain (lihat Limitasi). Evaluasi kuantitatif dilakukan melalui tiga eksperimen terkontrol di atas, bukan melalui pembagian dataset berlabel.
Model / Algoritma :
- Deteksi & segmentasi lateral: YOLO26-seg, varian yolo26s-seg, pretrained COCO [3], [6], [7]
- Estimasi tinggi: tinggi_cm = max(jarak_baseline − jarak_ke_objek, 0), dengan model footprint berkas ToF: d_footprint = 2 × jarak × tan(FoV/2), FoV = 25° [4]
- Smoothing jarak: Kalman Filter satu-dimensi [10]
Environment & Dependency :
1. Python 3.11.9, PyCharm, virtual environment (.venv)
2. Library : ultralytics (YOLO26-seg), opencv-python, pyserial, torch/torchvision (CUDA), timm (eksperimen depth estimation)
3. Hardware uji: laptop Intel Core i7 Gen-13, Graphics Processing Unit (GPU) NVIDIA RTX 4050 (6GB Video RAM/VRAM), Random Access Memory (RAM) 16GB
4. Firmware ESP32: Arduino IDE, library Adafruit_VL53L0X
5. Model deteksi: YOLO26-seg pretrained pada dataset COCO [7], lisensi non-commercial research
Parameter Penting & Training :
Kalman Filter: Q = 0,02, R = 0,12, reset cepat pada perubahan jarak >3 cm. Komunikasi serial: baud rate 115200. Ambang usia data (revisi akhir): MAX_DATA_AGE_S = 2,0 detik. Titik uji jarak: ≈18, ≈20, ≈30 cm, masing-masing 3–4 sampel frame.
Metrik Evaluasi :
Galat persentase relatif terhadap dimensi ground truth pabrikan (panjang, lebar, tinggi); rasio diameter footprint terhadap lebar objek; deteksi kegagalan senyap (silent failure) dan usia data (staleness) pada audit kode.
Code :
https://github.com/Azhzmalik/Size-Comparation-Asset/tree/main
05Hasil & Temuan
Empat kategori keterbatasan yang teridentifikasi pada sistem fusi kamera-ToF titik-tunggal, disusun dari yang paling terukur secara kuantitatif (optik) hingga yang bersifat arsitektural (multi-objek). Tiga di antaranya (optik, material, rekayasa perangkat lunak) adalah temuan utama yang belum terdokumentasi pada literatur VL53L0X untuk kasus serupa (lihat Tinjauan Pustaka); kategori keempat (arsitektural/multi-objek) merupakan keterbatasan inheren sensor satu-titik yang turut dieksplorasi dan dikuantifikasi lebih lanjut pada penelitian ini. Dokumentasi visual sistem ditampilkan pada Gambar 3.
Keterbatasan Optik: Field-of-View Sensor ToF vs. Dimensi Objek :
Estimasi tinggi objek dihitung murni dari selisih dua pembacaan jarak titik-tunggal sensor ToF (lihat rumus pada bagian Metodologi). Rumus ini valid hanya jika seluruh energi laser ToF yang dipantulkan kembali berasal murni dari satu titik di permukaan atas objek. Pada kenyataannya, VL53L0X memiliki field-of-view optik sebesar 25°, berupa berkas cahaya berbentuk kerucut yang melebar seiring bertambahnya jarak [4].
Eksperimen jarak-terkontrol dengan iPhone X (dimensi aktual 14,36 × 7,09 × 0,77 cm; volume 78,40 cm³) menghasilkan data berikut:
Diameter footprint dan rasionya terhadap sisi terpendek objek (lebar) menjelaskan pola galat di atas secara kuantitatif:
Pada 30 cm, footprint (13,21 cm) hampir menyamai panjang HP dan jauh melebihi lebarnya, sehingga sebagian besar energi berkas jatuh di luar permukaan objek dan mengenai meja atau latar belakang di sekitarnya; jarak yang terbaca sensor pun merupakan campuran pantulan dari permukaan pada jarak yang berbeda-beda. Sedangkan pada 18 cm, footprint (7,82 cm) mendekati kondisi ideal (rasio 1,10×), sehingga pencampuran sinyal berkurang dan galat tinggi turun menjadi 9,1% pada frame yang telah konvergen, sebanding dengan rentang akurasi ranging normal sensor menurut datasheet resmi sebesar 4–12% [4].
Rantai sebab-akibat yang teridentifikasi: jarak sensor ke objek bertambah → diameter footprint membesar secara linear → rasio footprint terhadap lebar objek meningkat → proporsi energi berkas yang jatuh di luar permukaan objek meningkat → jarak terbaca menjadi campuran pantulan dari objek dan latar belakang → selisih antara baseline dan jarak terbaca melebih-lebihkan tinggi objek → galat estimasi tinggi membesar drastis (≈9% → 56% → 112%).
Trade-off antara Dua Field-of-View yang Saling Bertentangan. Sistem ini merupakan fusi dua sensor dengan batasan field-of-view yang berlawanan arah optimalnya:
Untuk objek seukuran iPhone X, titik temu dari dua kebutuhan berlawanan arah ini berada di sekitar 18 cm, yaitu jarak paling dekat yang masih memungkinkan seluruh bodi objek tertangkap kamera. Dengan kata lain, 18 cm bukan "jarak ideal absolut" sensor ToF, melainkan jarak operasional terbaik yang dapat dicapai sistem gabungan ini, dibatasi oleh komponen kamera, bukan komponen ToF.
Keterbatasan Material: Sensitivitas Reflektansi Permukaan :
Pengujian pada pouch case IEM berbahan kain hitam doff pada jarak operasional terbaik (≈18 cm) menunjukkan pola yang sangat berbeda dari iPhone X: jarak sensor yang terbaca (18,0–18,5 cm) nyaris identik dengan baseline permukaan kosong (18,15 cm), padahal objek tersebut jelas memiliki tinggi fisik yang signifikan. Perbandingan kedua kondisi ini diilustrasikan pada Gambar berikut.
Perbedaan mendasar antara kedua objek uji terletak pada properti optik permukaannya: iPhone X memiliki permukaan kaca glossy yang memantulkan inframerah dengan baik (refleksi spekular), sedangkan pouch case memiliki permukaan kain doff berwarna hitam yang cenderung menyerap inframerah. Datasheet resmi VL53L0X menunjukkan ketergantungan jarak ranging maksimal terhadap reflektansi target, sebagaimana dirangkum pada Tabel 4 berikut [4] :
Kain hitam doff kemungkinan memiliki reflektansi lebih rendah lagi dari 17%, sehingga pantulan balik terlalu lemah untuk menghasilkan bacaan valid, yaitu kondisi di luar cakupan bahkan skenario "gray 17%" yang sudah menjadi kasus terburuk pada datasheet resmi. Diagnosis ini didukung oleh temuan pada bagian berikut: alih-alih melaporkan status "di luar jangkauan" secara eksplisit, sistem (versi sebelum revisi) menampilkan bacaan lama yang basi seolah data baru yang valid, persis pola yang teramati.
Keterbatasan Rekayasa Perangkat Lunak: Kerentanan Data Basi :
Audit kode sumber modul "serial_reader.py" versi awal mengungkap bug yang independen dari isu reflektansi material, namun berinteraksi langsung dengannya. Secara sederhana, alur pembacaan data memiliki tiga kemungkinan: (1) baris serial cocok pola "Jarak: X mm", nilai diperbarui; (2) baris mengandung "luar jangkauan", nilai di-set "None"; (3) baris lain (kosong, rusak, format tak dikenal), tidak terjadi apa pun dan nilai lama tetap dipertahankan tanpa batas waktu.
Kemungkinan ketiga inilah sumber masalahnya: tidak ada mekanisme timestamp/expiry pada versi awal. Ketika sensor gagal memperoleh pantulan balik yang cukup kuat (misalnya karena reflektansi rendah) dan firmware ESP32 tidak konsisten mengirim pesan "luar jangkauan", fungsi "get_distance_cm()" akan terus-menerus mengembalikan angka terakhir yang berhasil terbaca seolah-olah itu bacaan "real-time", padahal itu sebenarnya sisa bacaan basi dari sebelum kegagalan terjadi.
Perbaikan yang diimplementasikan pada revisi akhir "serial_reader.py":
1. Pemeriksaan waktu kedaluwarsa : setiap bacaan valid diberi stempel waktu menggunakan "time.monotonic()"; apabila tidak ada data baru selama "MAX_DATA_AGE_S" (2,0 detik), fungsi "get_distance_cm()" mengembalikan `None`, bukan nilai basi.
2. Log diagnostik : baris serial yang tidak dikenali dicetak ke konsol, sehingga perilaku firmware yang tidak terduga menjadi terlihat dan dapat didiagnosis.
3. "get_data_age_s()": fungsi baru yang mengekspos usia bacaan terakhir, dipakai program utama untuk menampilkan pesan diagnostik eksplisit pada antarmuka, misalnya "SENSOR: TIDAK ADA DATA BARU, usia data X detik", alih-alih menampilkan dimensi yang tampak valid padahal tidak.
Keterbatasan Arsitektural: Sensor Satu-Titik untuk Skenario Multi-Objek :
VL53L0X hanya dapat membaca jarak pada satu arah tembak dalam satu waktu, sehingga pipeline final (Kalman Filter) dibatasi pada skenario objek tunggal. Eksperimen monocular depth estimation (Metode 5) merupakan upaya eksplorasi mengatasi keterbatasan ini, dan turut mengungkap keterbatasan tambahan:
1. Kecepatan inferensi gabungan YOLO26-seg dan MiDaS_small pada GPU RTX 4050 mencapai 15–25 FPS, yang layak untuk real-time, namun objek yang digeser menjauhi titik kalibrasi (anchor) menunjukkan penurunan akurasi yang drastis (lebar terukur turun dari 16,4 cm menjadi 12,1 cm untuk objek fisik yang sama), konsisten dengan sifat model estimasi kedalaman monokular yang menghasilkan kedalaman relatif, bukan absolut [11].
2. Permukaan reflektif (layar HP menyala) menghasilkan estimasi jarak yang sangat tidak konsisten antar-frame.
3. Ditemukan sumber galat sistematis baru: offset paralaks fisik antara posisi sensor ToF dan lensa kamera pada unit mounting, menyebabkan asumsi "titik tengah frame = arah tembak sensor" menjadi tidak akurat.
Koreksi paralaks ini kemudian diimplementasikan pada sistem final sebagai offset eksplisit ("SENSOR_OFFSET_X_CM", "SENSOR_OFFSET_Y_CM") yang menggeser posisi crosshair target sensor setiap frame sesuai jarak objek.
06DISKUSI
Ketiga kategori keterbatasan utama (optik, material, dan perangkat lunak) tidak berdiri sendiri-sendiri; dua kategori pertama saling memperkuat satu sama lain. Objek dengan reflektansi rendah pada jarak dengan rasio footprint yang sudah marginal (misalnya 20 cm) berpotensi mengalami kegagalan pembacaan jarak yang lebih parah dibanding objek dengan reflektansi tinggi pada jarak yang sama, karena pantulan laser yang sudah lemah akibat material semakin mudah tercampur dengan pantulan dari latar belakang akibat footprint yang besar. Karakterisasi interaksi kuantitatif antara kedua faktor ini (reflektansi dan rasio footprint) belum dilakukan pada penelitian ini dan menjadi arah pengujian lanjutan yang relevan.
Sensor kelas industri, seperti structured light, ToF multi-zona (misalnya VL53L5CX), atau LiDAR pemindai, mengatasi keterbatasan optik pada bagian sebelumnya bukan dengan menghilangkan sinyal campuran secara fisik, melainkan dengan menghasilkan peta kedalaman per-piksel atau per-zona sehingga secara algoritmik dapat memisahkan piksel permukaan objek dari latar belakang, sejalan dengan pendekatan fusi kamera-LiDAR densitas tinggi pada domain ADAS [9]. Kontribusi penelitian ini bukan meniadakan gap tersebut, melainkan mengkuantifikasi secara presisi di mana dan mengapa gap itu muncul, serta menunjukkan bahwa sebagian besar dampaknya (untuk kasus objek tunggal dengan reflektansi wajar) dapat dimitigasi melalui kombinasi pemilihan jarak kerja optimal dan mekanisme self-assessment berbasis model fisik sensor, tanpa perlu mengganti hardware.
07Limitasi
1. Ukuran sampel eksperimen jarak-terkontrol terbatas (3–4 frame per jarak, satu objek acuan). Kurva jarak-vs-galat menunjukkan tren yang konsisten dan dapat dijelaskan secara fisik, namun signifikansi statistiknya akan diperkuat dengan lebih banyak sampel dan titik jarak tambahan (mis. 22, 25 cm).
2. Variasi objek uji terbatas. Eksperimen kuantitatif utama hanya menggunakan dua objek (iPhone X dan pouch case IEM) dengan tinggi fisik yang relatif tipis (di bawah 1 cm untuk iPhone X). Belum ada pengujian sistematis pada objek dengan tinggi yang lebih besar, sehingga generalisasi temuan galat estimasi tinggi pada objek yang lebih tinggi/tebal belum dapat dipastikan dan menjadi arah pengujian lanjutan yang relevan.
3. Model deteksi belum di-fine-tune. YOLO26-seg yang digunakan adalah model pretrained COCO tanpa fine-tuning khusus domain. Sempat teramati kasus mis-klasifikasi (objek HP terklasifikasi sebagai "laptop") akibat sudut pandang top-down yang tidak representatif dalam data training COCO, namun hal ini tidak berdampak langsung pada akurasi pengukuran dimensi karena sistem hanya memanfaatkan bounding box/mask hasil segmentasi objek, bukan label kelasnya. Fine-tuning tetap direkomendasikan untuk meningkatkan konsistensi deteksi pada sudut pandang top-down.
4. Kondisi pengujian terkontrol sebagian. Seluruh pengujian dilakukan pada kondisi pencahayaan indoor tunggal dan permukaan meja spesifik; generalisasi ke kondisi lain belum diuji.
5. Interaksi antar-keterbatasan belum dikuantifikasi. Efek gabungan antara reflektansi rendah dan rasio footprint marginal, sebagaimana dibahas pada bagian Diskusi, belum diukur secara sistematis pada penelitian ini.
08Kesimpulan & Arah Selanjutnya
Penelitian ini menunjukkan bahwa sensor ToF titik-tunggal VL53L0X yang difusikan dengan kamera, dengan Kalman Filter sebagai lapisan smoothing bacaan jarak, merupakan pendekatan yang layak untuk estimasi dimensi dan volume objek tunggal berbiaya rendah. Namun, kelayakan tersebut bersyarat pada tiga batasan yang telah dikarakterisasi secara kuantitatif: jarak kerja (rasio footprint terhadap objek harus mendekati atau di bawah 1,0×), properti material (reflektansi permukaan objek idealnya di atas ambang gray 17% pada datasheet), dan ketahanan perangkat lunak (sistem harus secara eksplisit mendeteksi dan melaporkan kegagalan sensor, bukan mengasumsikan setiap bacaan selalu valid). Ketiga batasan ini kini diatasi secara langsung pada revisi akhir sistem melalui mekanisme deteksi data kedaluwarsa (penandaan waktu pada tiap bacaan sensor sehingga data yang sudah usang tidak lagi dianggap valid), pencatatan diagnostik, dan estimasi keandalan tinggi secara real-time.
Arah pengembangan lanjutan yang direkomendasikan :
1. Jangka pendek — pengujian konfirmatif hipotesis reflektansi (uji kertas putih terkontrol), perluasan kurva jarak-vs-galat dengan lebih banyak titik dan sampel, perluasan variasi objek uji (termasuk objek dengan tinggi lebih besar), serta kuantifikasi interaksi reflektansi × rasio footprint.
2. Jangka menengah — fine-tuning YOLO26-seg pada dataset domain-spesifik untuk meningkatkan konsistensi klasifikasi, serta evaluasi Mean Absolute Error (MAE) formal berskala lebih besar dengan variasi objek dan material yang lebih luas.
3. Jangka panjang — eksplorasi sensor ToF multi-zona (mis. VL53L5CX) atau kamera dengan FoV lebih lebar untuk melonggarkan trade-off jarak kerja, serta penyempurnaan pipeline depth estimation (mis. Depth Anything V2 [11]) untuk kapabilitas multi-objek yang lebih matang.
09Referensi
[1] Racklify, "Dimensioning (DIM) System in Warehousing," Warehouse & 3PL Logistics Encyclopedia, 2026. [Daring]. Tersedia: https://racklify.com/encyclopedia/revolutionizing-logistics-how-the-dimensioning-dim-system-is-transforming-modern-warehousing/ [Diakses: 21 Agu. 2026].
[2] vMeasure, "Cost of an Automated Dimensioner for Warehouse," 2026. [Daring]. Tersedia: https://vmeasure.ai/how-much-does-the-automated-dimensioner-cost/ [Diakses: 21 Agu. 2026].
[3] R. Sapkota and M. Karkee, "Ultralytics YOLO Evolution: An Overview of YOLO26, YOLO11, YOLOv8 and YOLOv5 Object Detectors for Computer Vision and Pattern Recognition," arXiv:2510.09653, 2025.
[4] STMicroelectronics, "VL53L0X — Time-of-Flight Ranging Sensor," Datasheet DS11555 Rev 6, Jun. 2024. [Daring]. Tersedia: https://www.st.com/en/imaging-and-photonics-solutions/vl53l0x.html
[5] C. Sifferman, W. Sun, M. Gupta, and M. Gleicher, "Using a Distance Sensor to Detect Deviations in a Planar Surface," arXiv:2408.03838, 2024.
[6] Ultralytics Docs, "YOLOv8 vs YOLO26 Comparison," 2026. [Daring]. Tersedia: https://docs.ultralytics.com/compare/yolov8-vs-yolo26 [Diakses: 15 Agu. 2026].
[7] T.-Y. Lin et al., "Microsoft COCO: Common Objects in Context," arXiv:1405.0312, 2014.
[8] A. Criminisi, I. Reid, and A. Zisserman, "Single View Metrology," International Journal of Computer Vision, 2000.
[9] S. Favelli, M. Xie, and A. Tonoli, "Sensor Fusion Method for Object Detection and Distance Estimation in Assisted Driving Applications," Sensors, vol. 24, no. 24, Art. 7895, 2024.
[10] R. E. Kalman, "A New Approach to Linear Filtering and Prediction Problems," Journal of Basic Engineering, 1960.
[11] R. Ranftl, K. Lasinger, D. Hafner, K. Schindler, and V. Koltun, "Towards Robust Monocular Depth Estimation: Mixing Datasets for Zero-Shot Cross-Dataset Transfer," IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020.
10Kepemilikan
Hak ekonomi/komersial: PT MKA
11Tim & Kredit
Abidzar Malik Azhzafir — Riset, Hardware (integrasi ESP32 & sensor ToF), Backend (modul serial reader), AI/Computer Vision (deteksi-segmentasi, Kalman Filter)