Perbandingan Kinerja YOLOv8s, YOLOv9s, dan YOLOv11s untuk Deteksi Objek Berbasis Real-Time di Industri Restoran

Dermawan, Rionaldy (2026) Perbandingan Kinerja YOLOv8s, YOLOv9s, dan YOLOv11s untuk Deteksi Objek Berbasis Real-Time di Industri Restoran. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (547kB)
	PDF BAB_I.pdf Download (216kB)
	PDF BAB_II.pdf Download (989kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (394kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (220kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (207kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (629kB)
	Archive (ZIP) 00000068154_2521_LembarPengesahan.pdf Restricted to Registered users only Download (64kB)

Abstract

Pemantauan kondisi meja makan restoran secara manual memiliki keterbatasan efisiensi yang bersifat subjektif dan tidak konsisten, sehingga teknologi computer vision diperlukan untuk otomasi pemantauan secara real-time. Penelitian ini bertujuan untuk membandingkan kinerja tiga arsitektur single-stage detector, yaitu YOLOv8s, YOLOv9s, dan YOLOv11s, dalam mendeteksi lima kondisi peralatan makan: gelas aktif, gelas kosong, piring aktif, piring kosong, dan piring kotor. Ketiga model dilatih menggunakan pendekatan transfer learning pada dataset kustom sebanyak 1.000 gambar dengan konfigurasi hyperparameter identik meliputi ukuran input 640x640 piksel, batch size 16, dan optimizer AdamW dengan learning rate 0.001 selama 100 epoch. Evaluasi performa model dilakukan secara konsisten berdasarkan metrik precision, recall, akurasi (mAP@50 dan mAP@50-95), kecepatan inferensi (Frames Per Second/FPS), serta efisiensi komputasi (GFLOPs). Hasil pengujian pada test set menunjukkan bahwa YOLOv8s menghasilkan nilai akurasi mAP@50 tertinggi sebesar 0.8585 dan mAP@50-95 sebesar 0.7417. YOLOv9s memperoleh mAP@50 sebesar 0.8536 dan mAP@50-95 sebesar 0.7213. Sementara itu, YOLOv11s mencatatkan mAP@50 sebesar 0.8344 dan mAP@50-95 sebesar 0.7220. Namun, YOLOv11s menghasilkan precision tertinggi (0.9262) dan kecepatan inferensi tertinggi (168.2 FPS) dengan beban komputasi terendah (21.3 GFLOPs). Berdasarkan keseimbangan seluruh metrik evaluasi tersebut, disimpulkan bahwa YOLOv11s direkomendasikan sebagai model paling optimal untuk diterapkan pada sistem pemantauan peralatan makan restoran secara real-time.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Dermawan, Rionaldy (00000068154)
Contributors:	Wahjudi, Januar (0330017201)
Keywords:	Computer Vision, Deep Learning, Deteksi Objek, Restoran, YOLO
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	22 Jul 2026 07:59
URI:	https://kc.umn.ac.id/id/eprint/47846

Actions (login required)

View Item