EVALUASI KINERJA MODEL YOLOv8 NANO BERBASIS TINGKAT KEPADATAN VISUAL UNTUK DETEKSI MULTI-OBJEK LOGISTIK PENDAKI

Abadi, Kevin Risky (2026) EVALUASI KINERJA MODEL YOLOv8 NANO BERBASIS TINGKAT KEPADATAN VISUAL UNTUK DETEKSI MULTI-OBJEK LOGISTIK PENDAKI. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full text) RAMA_57201_2213030062.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy
	Text (Similarity) RAMA_57201_2213030062_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (2MB)
	Text (Cover sd BAB 1 + References) RAMA_57201_2213030062_0723058501_0721018801_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (563kB)
	Text (BAB 2) RAMA_57201_2213030062_0723058501_0721018801_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (166kB) | Request a copy
	Text (BAB 3) RAMA_57201_2213030062_0723058501_0721018801_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (221kB) | Request a copy
	Text (BAB 4) RAMA_57201_2213030062_0723058501_0721018801_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (664kB) | Request a copy
	Text (BAB 5) RAMA_57201_2213030062_0723058501_0721018801_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (71kB) | Request a copy
	Text (References) RAMA_57201_2213030062_0723058501_0721018801_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (83kB)
	Text (Lampiran) RAMA_57201_2213030062_0723058501_0721018801_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (385kB) | Request a copy

Abstract

Aktivitas pendakian gunung yang semakin meningkat berdampak pada tingginya volume barang bawaan logistik, sehingga proses pengecekan manual oleh petugas di jalur pendakian menjadi tidak efisien dan rentan terhadap kesalahan manusia. Karakteristik logistik pendaki yang memiliki variasi bentuk serta sering ditempatkan dalam kondisi menumpuk (clutter) menciptakan tantangan besar dalam inspeksi visual. Meskipun teknologi deteksi objek seperti YOLOv8 telah banyak digunakan, efektivitas arsitektur ini pada skenario multi-objek dengan kepadatan ekstrem masih menjadi celah penelitian yang perlu diuji secara komprehensif. Penelitian ini bertujuan untuk mengevaluasi kinerja arsitektur YOLOv8 varian nano dalam mendeteksi lima jenis logistik pendaki pada berbagai tingkat kepadatan visual, mulai dari kondisi tunggal hingga sangat padat (extreme clutter). Metodologi yang diterapkan merujuk pada standar siklus hidup CRISP-ML(Q) yang mencakup tahapan pemahaman bisnis hingga penyebaran model (deployment). Pelatihan model menggunakan 13.792 dataset kustom dengan menerapkan teknik prapemrosesan Stretch to untuk menghindari artefak visual pada area tepi citra. Hasil evaluasi menunjukkan bahwa model YOLOv8 mencapai performa yang sangat optimal dengan nilai Precision 0,971, Recall 0,954, dan mean Average Precision (mAP50) sebesar 97,8%. Model ini terbukti sangat stabil saat menghadapi tumpukan objek yang padat, dengan mAP50 tetap bertahan di angka 96,22% pada tingkat kepadatan tertinggi (lebih dari 18 objek), sekaligus mematahkan limitasi penelitian terdahulu yang membatasi deteksi pada sepuluh objek. Pada pengujian implementasi lintas perangkat berbasis aplikasi web, sistem mencatatkan waktu inferensi yang sangat responsif, yaitu 61,48 ms pada laptop dan 72,62 ms pada telepon seluler. Kesimpulan dari penelitian ini menegaskan bahwa arsitektur YOLOv8 memiliki kompatibilitas dan reliabilitas tinggi untuk dijadikan sistem pelaporan logistik pendaki secara real-time. Namun, penelitian ini memiliki batasan (limitasi) berupa terjadinya degradasi performa pada deteksi objek berdimensi kecil, seperti batang rokok, akibat kemiripan fitur antar-kelas dan distorsi pantulan cahaya dari kemasan plastik. Sebagai rekomendasi pengembangan selanjutnya, peneliti menyarankan penerapan teknik segmentasi Slicing Aided Hyper Inference (SAHI) untuk mengatasi objek berukuran mikro serta penambahan fitur panduan jarak dan pencahayaan otomatis pada antarmuka aplikasi.

Actions (login required)

View Item