Perkembangan teknologi Unmanned Surface Vehicle (USV) memerlukan sistem deteksi penghalang yang handal untuk mendukung navigasi otonom yang aman. Penelitian ini mengembangkan sistem deteksi objek penghalang pada kapal Heron USV menggunakan kamera RGB sebagai sensor utama dalam lingkungan simulasi Webots 2.0. Sistem menerapkan pendekatan dual-detection yang menggabungkan teknologi YOLO deep learning dengan algoritma deteksi berbasis warna untuk meningkatkan akurasi dan reliabilitas deteksi objek maritim. Implementasi sistem menggunakan YOLOv8 nano dengan resolusi kamera 640×480 pixels dan field of view 60 derajat, diposisikan optimal untuk surveillance maritim. Pengujian dilakukan pada empat skenario lingkungan berbeda yaitu kondisi cerah, mendung , cahaya rendah , dan gelombang sedang dengan total 32 objek penghalang berbeda termasuk orange buoys, oil barrels, wooden containers, dan soccer balls. Hasil pengujian menunjukkan sistem mampu mencapai detection rate rata-rata 75.82% dengan performa terbaik pada kondisi cerah yakni 82.37% dan terendah pada kondisi cahaya rendah 70.92%. Analisis kontribusi menunjukkan bahwa color-based detection memberikan kontribusi dominan sebesar 84.00% dari total deteksi, sementara YOLO detection berkontribusi 16.00% sebagai komplemen untuk objek dengan bentuk kompleks. False positive rate bervariasi antara 17.63% pada kondisi optimal hingga 31.08% pada kondisi pencahayaan rendah. Sistem berhasil memproses rata-rata 153.25 frame dengan response time yang memadai untuk operasi real-time. Penggunaan simulator Webots 2.0 memungkinkan pengujian yang aman dan efisien tanpa risiko kerusakan perangkat keras. Penelitian ini memberikan kontribusi signifikan terhadap pengembangan sistem navigasi cerdas pada USV dan membuka peluang untuk integrasi dengan sistem kontrol navigasi otomatis serta implementasi di lingkungan nyata.
Kata Kunci: Unmanned Surface Vehicle (USV), deteksi objek, YOLO, pengolahan citra, kamera, Webots 2.0, navigasi otonom, dual-detection