LAPORAN PENELITIAN PERBANDINGAN EFEKTIVITAS DAN KECEPATAN PELATIHAN YOLOV8, YOLOV9, DAN YOLOV11 DALAM DETEKSI SECARA VISUAL PADA BAGIAN SISTEM KEMUDI

WIBOWO, HELMI and KURNIAWAN, MOCH AZIZ and LUIS, JIHAN (2026) LAPORAN PENELITIAN PERBANDINGAN EFEKTIVITAS DAN KECEPATAN PELATIHAN YOLOV8, YOLOV9, DAN YOLOV11 DALAM DETEKSI SECARA VISUAL PADA BAGIAN SISTEM KEMUDI. Technical Report. POLITEKNIK KESELAMATAN TRANSPORTASI JALAN, TEGAL. (Submitted)

Text (LAPORAN PENELITIAN) LAPORAN PENELITIAN PERBANDINGAN EFEKTIVITAS DAN KECEPATAN PELATIHAN YOLOV8, YOLOV9, DAN YOLOV11 DALAM DETEKSI SECARA VISUAL PADA BAGIAN SISTEM KEMUDI.pdf Restricted to Registered users only Download (2MB) | Request a copy

Abstract

Deteksi bagian bawah kendaraan merupakan kebutuhan penting untuk meningkatkan efektivitas inspeksi otomatis pada proses pengujian kendaraan bermotor, khususnya pada lingkungan kolong uji yang memiliki tantangan variasi pencahayaan, kompleksitas latar, serta keragaman bentuk komponen. Penelitian ini bertujuan membandingkan performa tiga model deteksi objek berbasis deep learning, yaitu YOLOv8, YOLOv9, dan YOLOv11, dalam mendeteksi komponen sistem kemudi pada bagian bawah kendaraan. Metode penelitian meliputi penyusunan dataset kustom citra kolong kendaraan, pelatihan ketiga model dengan konfigurasi pelatihan yang ditetapkan, serta evaluasi menggunakan metrik akurasi (mAP, precision, recall, F1-score) dan metrik efisiensi komputasi (waktu preprocessing, inference, dan post-processing). Hasil menunjukkan bahwa YOLOv9 memberikan akurasi tertinggi dan paling konsisten dengan mAP50 95,9%, precision 97,6%, recall 98%, dan F1-score 94%, namun memiliki waktu inference paling lambat sebesar 24,6 ms. Sebaliknya, YOLOv11 dan YOLOv8 memiliki inference yang jauh lebih cepat (masing-masing 6,6 ms) dengan post-processing 1,9 ms, sehingga lebih sesuai untuk kebutuhan sistem deteksi real-time. Berdasarkan trade-off akurasi dan efisiensi komputasi, penelitian ini menyimpulkan bahwa YOLOv9 unggul untuk prioritas akurasi maksimum, sedangkan YOLOv11/YOLOv8 lebih direkomendasikan untuk implementasi inspeksi kolong berbasis waktu nyata dengan latensi rendah.

Item Type:	Monograph (Technical Report)
Uncontrolled Keywords:	Vision, Inspeksi Bagian Bawah Kendaraan, YOLOv8, YOLOv9, YOLOv11
Subjects:	T Technology > TA Engineering (General). Civil engineering (General)
Divisions:	Pusat Penelitian dan Pengabdian kepada Masyarakat > Pusat Penelitian dan Pengabdian kepada Masyarakat
Depositing User:	PUSAT PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT PKTJ
Date Deposited:	02 Feb 2026 08:09
Last Modified:	02 Feb 2026 08:09
URI:	http://eprints.pktj.ac.id/id/eprint/4232

Actions (login required)

View Item