Untuk membuat Automatic Turret Gun dapat mendeteksi dan membedakan objek yang akan dieksekusi dengan presisi membutuhkan teknologi Computer Vision. Metode-metode seperti Haar Cascade Classifier dan Hough Transform dengan SVM Classifier sudah berhasil digunakan pada pendeteksian manusia. Metode lain yang cukup terkenal akhir-akhir ini dalam pendeteksian manusia adalah Convolutional Neural Network (CNN) juga telah menunjukkan hasil optimal. Namun, untuk melihat metode yang optimal untuk digunakan pada Automatic Turret Gun, maka dilakukan sebuah penelitian untuk melihat kecepatan respon dan akurasi pendeteksian. Metode- metode pendeteksian manusia membutuhkan komputasi yang cukup berat, oleh karena itu pada penelitian ini menggunakan fitur komunikasi pada Robot Operating System sehingga proses pendeteksian objek bisa dilakukan pada komputer terpisah dari mikrokontroler dan data yang didapatkan dikirim lewat protokol TC/IP. Dari penelitian yang dilakuan dapat dilihat bahwa metode Haar Cascade dan Hough Transform menunjukkan hasil yang hampir sama yaitu memiliki kecepatan pendeteksian lebih baik daripada CNN akan tetapi CNN memiliki akurasi yang lebih baik daripada 2 metode lainnya.