Penggunaan Unmanned Ground Vehicle (UGV) di area luar ruangan membutuhkan sistem deteksi objek yang mampu bekerja secara optimal untuk membantu sistem navigasi untuk menghindari berbagai rintangan secara otomatis. Salah satu tantangan dalam navigasi UGV adalah mendeteksi dan mengukur jarak objek seperti pohon secara real time di medan yang kompleks. Penelitian ini bertujuan untuk merancang dan membangun sistem deteksi objek menggunakan algoritma You Only Live Once (YOLO) v11 yang dipadukan dengan depth camera Intel RealSense D435I, berfokus pada pohon sebagai objek tunggal. Sistem ini dirancang guna menunjang pergerakan mandiri UGV di lingkungan outdoor. Metodologi yang digunakan mencakup pengumpulan dataset secara mandiri sebanyak 3.502 gambar pohon dari area sekitar Gedung P Universitas Telkom, proses pelabelan menggunakan platform Roboflow, pelatihan model YOLOv11 dengan teknik augmentasi data, serta integrasi dengan algoritma robust center untuk mengestimasi jarak. Pelatihan dilakukan di Google Colab dengan GPU NVIDIA A100. Evaluasi performa dilakukan menggunakan metrik precision, recall, F1-score, dan mean Average Precision (mAP), serta perbandingan terhadap model YOLOv10.
Hasil pengujian menunjukkan bahwa model YOLOv11 memiliki kinerja deteksi dengan precision sebesar 88,1%, recall 85,6%, dan mAP 0.5 mencapai 90,5%. Estimasi jarak paling akurat diperoleh dengan nilai center_ratio sebesar 0,3 pada metode robust center. Sistem yang dikembangkan mampu mendukung sistem deteksi objek UGV di lingkungan outdoor dan memiliki potensi aplikasi di berbagai bidang seperti pertanian, militer, serta penanggulangan bencana. Kata Kunci: Kendaraan Tanpa Awak, Deteksi Objek, Depth Camera, YOLOV11, Robust Center, Deep Learning.