Implementasi Transfer Learning pada Model YOLOv11 untuk Deteksi Manusia pada Kondisi Kerumunan Padat

Stefan Gani, Gerard (2026) Implementasi Transfer Learning pada Model YOLOv11 untuk Deteksi Manusia pada Kondisi Kerumunan Padat. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (603kB)
	PDF BAB_I.pdf Download (236kB)
	PDF BAB_II.pdf Download (5MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (4MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (9MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (216kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (228kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (581kB)
	Archive (ZIP) 00000068198_2521_LembarPengesahan.pdf Restricted to Registered users only Download (64kB)

Abstract

Deteksi manusia pada kondisi kerumunan padat merupakan tantangan signifikan dalam computer vision akibat oklusi berat, variasi skala objek, serta tumpang tindih antar individu. Model deteksi berbasis deep learning yang dilatih pada dataset umum seperti COCO cenderung mengalami penurunan performa pada kondisi ini akibat distribution shift dengan skenario kerumunan padat. Penelitian ini mengimplementasikan transfer learning pada model YOLOv11 nano untuk mendeteksi manusia pada kondisi tersebut. Tiga strategi pelatihan dibandingkan: pelatihan dari awal (scratch), full fine-tuning, dan partial fine- tuning dengan pembekuan sepuluh lapisan pertama, menggunakan bobot pralatih COCO pada dataset CrowdHuman dan WiderPerson dengan anotasi full body box. Evaluasi dilakukan pada skenario in-domain dan cross-domain menggunakan metrik mAP@50, mAP@50-95, precision, dan recall. Hasil pengujian in-domain menunjukkan bahwa full fine-tuning mencapai performa lebih tinggi dibandingkan strategi lainnya pada CrowdHuman dengan mAP@50: 0,827, mAP@50-95: 0,523, precision: 0,856, recall: 0,715, serta pada WiderPerson dengan mAP@50: 0,760, mAP@50-95: 0,490, precision: 0,813, recall: 0,648. Pada pengujian cross-domain, full fine-tuning mencatat mAP@50: 0,642 dan 0,600, precision: 0,801 dan 0,746, serta recall: 0,531 dan 0,563, mengungguli COCO-only maupun pelatihan dari awal meskipun terjadi penurunan terhadap hasil in-domain. Penelitian ini menyimpulkan bahwa full fine-tuning menghasilkan adaptasi yang lebih baik dibandingkan kedua strategi lainnya di seluruh skenario pengujian, dengan kemampuan generalisasi yang lebih stabil terhadap domain shift pada kondisi kerumunan padat.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Stefan Gani, Gerard (00000068198)
Contributors:	Gunawan, Dennis
Keywords:	CrowdHuman, Deteksi Manusia, Transfer Learning, WiderPerson, YOLOv11
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	27 Jul 2026 11:59
URI:	https://kc.umn.ac.id/id/eprint/48242

Actions (login required)

View Item