Machine learning mengalami perkembangan yang cukup pesat. Salah satu perkembangannya adalah evolusi dari Artificial Neural Network (ANN) menjadi Deep Neural Network (DNN) dengan kemampuan belajar yang diringkas sebagai deep learning. Deep learning sudah diterapkan di beberapa hal seperti face tracking, visual tracking dan vehicle detection. Object detection adalah salah satu teknologi yang menggunakan konsep deep learning. Object detection sudah digunakan di beberapa bidang salah satunya adalah Unmanned Aerial Vehicle (UAV).
Banyak jenis UAV yang bisa digunakan untuk object detection seperti quadcopter. Meskipun demikian, object detection masih memiliki kendala pada quadcopter. Salah satunya adalah implementasi model deep learning untuk quadcopter berukuran kecil yang sangat sulit dilakukan karena kemampuan hardware quadcopter yang terbatas. Berdasarkan permasalahan tersebut, pada penelitian ini dirancang dan diimplementasikan sistem object detection menggunakan metode YOLOv5 dan dilakukan eksplorasi fitur pada convolutional layer pertama metode YOLOv5.
Pada tugas akhir ini, eksplorasi fitur yang dilakukan berfokus pada perubahan nilai kernel size dengan mengubah nilai kernel size pada layer tersebut menjadi 5×5, 7×7 dan 8×8. Kernel size awal pada convolutional layer tersebut adalah berukuran 6×6. Ada 4 model yang dipakai pada penelitian ini yaitu original size YOLOv5, kernel size 5×5, kernel size 7×7, dan kernel size 8×8. Dari hasil penelitian yang diperoleh, nilai mAP tertinggi didapat oleh kernel size 5×5 dengan nilai mAP sebesar 89,1% atau lebih unggul 1,2% dari original size YOLOv5 yang mendapat nilai mAP sebesar 87,9%.
Kata Kunci: Deep Learning, Object Detection, Quadcopter, YOLOv5, Kernel Size, mAP