| NIM | H1D019034 |
|---|
| Namamhs | FIRMAN ARGO HUSADA |
|---|
| Judul Artikel | Implementasi Deteksi Objek Secara Real Time Menggunakan Algoritma YOLO |
|---|
| Abstrak (Bhs. Indonesia) | Deteksi objek merupakan salah satu penerapan kecerdasan buatan yang banyak dimanfaatkan untuk mengenali keberadaan dan lokasi objek di dalam gambar maupun video secara otomatis. Penelitian ini bertujuan mengembangkan sistem deteksi objek real-time menggunakan algoritma YOLOv8 untuk mendeteksi manusia dan objek furnitur, yaitu kursi, meja, sofa, dan lemari. Model dikembangkan melalui proses pelatihan ulang (fine-tuning) YOLOv8 pada dataset kustom yang terdiri atas 770 gambar data latih dan 202 gambar data validasi, dengan proses pelabelan menggunakan Roboflow. Sistem deteksi objek berbasis web dibangun menggunakan metode Waterfall dengan bahasa pemrograman Python, Flask sebagai kerangka kerja backend, serta OpenCV untuk praproses citra dan visualisasi hasil deteksi. Selain menggunakan model berbasis PyTorch, penelitian ini juga mengonversi model hasil pelatihan ke dalam format TensorFlow SavedModel untuk menganalisis pengaruh penggunaan framework TensorFlow terhadap performa deteksi. Pengujian dilakukan terhadap tiga skenario model, yaitu model YOLOv8 bawaan, model kustom berbasis PyTorch, dan model kustom berbasis TensorFlow, menggunakan metrik Precision, Recall, F1-Score, mean Average Precision (mAP@0.5 dan mAP@0.5-0.95), serta kecepatan inferensi. Hasil pengujian menunjukkan bahwa model bawaan memperoleh performa sangat rendah (mAP@0.5 sebesar 0,0025), sedangkan model kustom berbasis PyTorch dan TensorFlow masing-masing memperoleh mAP@0.5 sebesar 0,9117 dan 0,9061, dengan selisih akurasi antar kedua backend kurang dari 1,5%. Dari sisi kecepatan, model berbasis TensorFlow menghasilkan waktu inferensi tercepat, yaitu 62,78 ms per gambar, sekitar 7,7% lebih cepat dibandingkan versi PyTorch. Hasil penelitian ini membuktikan bahwa proses pelatihan model pada dataset yang spesifik terhadap domain permasalahan sangat menentukan akurasi deteksi objek, sementara pemilihan backend inferensi turut memengaruhi efisiensi komputasi sistem tanpa mengorbankan akurasi secara signifikan. |
|---|
| Abtrak (Bhs. Inggris) | Object detection is a widely applied artificial intelligence technique used to automatically recognize the presence and location of objects within images or videos. This study aims to develop a real-time object detection system using the YOLOv8 algorithm to detect humans and furniture objects, namely chairs, tables, sofas, and cabinets. The model was developed by fine-tuning YOLOv8 on a custom dataset consisting of 770 training images and 202 validation images, labeled using Roboflow. A web-based object detection system was built following the Waterfall methodology using Python, Flask as the backend framework, and OpenCV for image preprocessing and detection visualization. In addition to the PyTorch-based model, the trained model was also converted into TensorFlow SavedModel format to analyze the effect of the TensorFlow framework on detection performance. Three model scenarios were evaluated—the default YOLOv8 model (trained on COCO), the custom PyTorch-based model, and the custom TensorFlow-based model—using Precision, Recall, F1-Score, mean Average Precision (mAP@0.5 and mAP@0.5-0.95), and inference speed as evaluation metrics. The results show that the default model achieved very low performance (mAP@0.5 of 0.0025), while the custom PyTorch and TensorFlow models achieved mAP@0.5 of 0.9117 and 0.9061 respectively, with an accuracy difference of less than 1.5% between the two backends. In terms of speed, the TensorFlow-based model achieved the fastest inference time at 62.78 ms per image, approximately 7.7% faster than the PyTorch version. These findings confirm that training a model on a domain-specific dataset is critical to detection accuracy, while the choice of inference backend can improve computational efficiency without significantly compromising accuracy. |
|---|
| Kata kunci | Computer Vision, Convolulional Neural Network, Deteksi Objek, YOLO |
|---|
| Pembimbing 1 | Dr. Ir. Lasmedi Afuan, S.T., M.Cs.,IPM |
|---|
| Pembimbing 2 | Ir. Nofiyati, S.Kom.,M.Kom.,IPM |
|---|
| Pembimbing 3 | |
|---|
| Tahun | 2026 |
|---|
| Jumlah Halaman | 50 |
|---|
| Tgl. Entri | 2026-08-12 15:30:37.332609 |
|---|