Publisher

UPGRISUPGRIS

Journal Jurnal Informatika UPGRISJurnal Informatika UPGRIS Abstract

Model deteksi objek berbasis Jaringan Saraf Konvolusional (CNN) umumnya menunjukkan performa tinggi pada dataset standar, namun seringkali mengalami penurunan performa signifikan pada kondisi dunia nyata yang mengandung gangguan visual. Penelitian ini bertujuan untuk menganalisis dan membandingkan efisiensi serta akurasi dari tiga arsitektur CNN representatif—Faster R-CNN (dua tahap), SSD (satu tahap klasik), dan YOLOv8s (satu tahap modern)—di bawah kondisi degradasi visual. Model-model tersebut dilatih dari awal (from scratch) pada subset dataset COCO dan diuji pada empat skenario: citra bersih, gangguan Gaussian, motion blur, dan kombinasi keduanya. Evaluasi performa menggunakan metrik mean Average Precision (mAP) untuk akurasi dan Frames Per Second (FPS) untuk efisiensi. Hasil eksperimen menunjukkan bahwa YOLOv8s tidak hanya menjadi model tercepat (476.19 FPS), tetapi juga mencapai akurasi tertinggi pada kondisi bersih (mAP 0.2870) dan menunjukkan ketahanan (robustness) terbaik terhadap semua jenis gangguan. Sebagai contoh, pada gangguan motion blur, akurasi YOLOv8s hanya turun 51.4%, jauh lebih rendah dibandingkan penurunan model lain yang mencapai lebih dari 79%. Penelitian ini memberikan kontribusi dalam membuktikan keunggulan ketahanan arsitektur modern berbasis anchor-free terhadap noise level piksel dibandingkan pendekatan klasik. Temuan ini merekomendasikan penggunaan YOLOv8s untuk sistem pengawasan industri real-time yang rentan terhadap gangguan visual.

Conclusion

Penelitian ini menyimpulkan bahwa YOLOv8s, sebagai arsitektur CNN modern, merupakan solusi paling optimal untuk deteksi objek di lingkungan dengan degradasi visual, menunjukkan keunggulan dalam kecepatan (476.2870), serta ketahanan tertinggi terhadap gangguan Gaussian noise dan motion blur, berbanding terbalik dengan arsitektur klasik seperti Faster R-CNN yang sangat rentan.Temuan ini berimplikasi pada rekomendasi penggunaan YOLOv8s untuk sistem pengawasan industri atau kendaraan otonom yang membutuhkan respons cepat dan toleransi tinggi terhadap gangguan.Mengatasi keterbatasan studi ini yang menggunakan gangguan sintetis dan dataset tunggal, penelitian lanjutan disarankan untuk mengevaluasi model pada kondisi cuaca nyata (hujan, kabut) dan menguji teknik augmentasi data guna meningkatkan ketahanan model lebih lanjut.

Future Research

Penelitian selanjutnya dapat memperdalam pemahaman mengenai deteksi objek di lingkungan menantang dengan mengeksplorasi beberapa arah baru. Pertama, sangat penting untuk menyelidiki secara komprehensif bagaimana model deteksi objek modern, khususnya YOLOv8s yang terbukti unggul, dapat mempertahankan akurasi dan ketahanannya dalam menghadapi kondisi pencahayaan yang sangat dinamis, seperti gelap total, cahaya redup yang ekstrem, atau silau berlebihan, yang merupakan skenario umum di lingkungan industri atau transportasi. Selain itu, perlu diuji juga sejauh mana model-model ini resisten terhadap serangan adversarial yang sengaja dirancang untuk memanipulasi atau mengelabui sistem deteksi objek, mengingat potensi ancaman keamanan siber yang terus berkembang. Kedua, akan sangat bermanfaat untuk menganalisis efektivitas berbagai strategi pelatihan, termasuk penggunaan teknik transfer learning atau fine-tuning dengan bobot pra-terlatih dari dataset yang lebih besar, untuk melihat apakah pendekatan ini dapat lebih meningkatkan performa dan ketahanan model terhadap berbagai jenis degradasi visual dibandingkan dengan melatih model dari awal. Studi ini juga bisa membandingkan performa YOLOv8s dengan arsitektur anchor-free terbaru lainnya yang belum teruji dalam kondisi terdegradasi ekstrem. Terakhir, mengingat kebutuhan akan sistem real-time yang efisien, penelitian dapat berfokus pada optimasi dan implementasi model YOLOv8s versi ringan atau model yang telah diquantisasi untuk perangkat komputasi tepi (edge computing) dengan sumber daya terbatas. Ini akan mencakup evaluasi dampak degradasi visual terhadap efisiensi komputasi dan akurasi deteksi pada perangkat keras seperti Raspberry Pi atau kamera pintar, memastikan bahwa solusi ini tidak hanya tangguh tetapi juga praktis dan hemat energi untuk penerapan di lapangan.

References

1. [1907.07484] Benchmarking Robustness in Object Detection: Autonomous Driving when Winter is Coming. benchmarking... arxiv.org/abs/1907.074841907 07484 Benchmarking Robustness in Object Detection Autonomous Driving when Winter is Coming benchmarking arxiv abs 1907 07484

Metadata

File size	603.57 KB
Pages	4
DMCA	Report