ANALISIS KOMPARATIF PENGGUNAAN AUGMENTASI DATA TERHADAP PERFORMA YOLO DALAM KLASIFIKASI INDIVIDU BERDASARKAN KEBERADAAN SENJATA

Abstrak

Permintaan yang terus meningkat untuk sistem keamanan telah menyebabkan penggunaan teknologi citra dalam membantu mengenali kemungkinan aktivitas kriminal. Salah satu tanda penting dalam pemantauan keamanan adalah keberadaan orang yang membawa senjata. Dengan demikian, penelitian ini bertujuan untuk menggunakan algoritma pembelajaran mendalam YOLO11 untuk mendeteksi dan mengidentifikasi individu berdasarkan ada atau tidaknya senjata dalam citra. Data yang digunakan terdiri dari dua Class, yaitu Person dan Weapon, dan dilakukan dengan empat cara pelatihan: dataset asli, dataset hasil augmentasi MixUp, dataset hasil augmentasi CutMix, dan dataset kombinasi MixUp-CutMix. Kinerja model dinilai menggunakan ukuran precision, recall, mAP50, dan mAP50-95. Hasil penelitian menunjukkan bahwa model yang dilatih menggunakan dataset asli memperoleh nilai recall tertinggi sebesar 0,84 dan mAP50 sebesar 0,92, sedangkan model yang dilatih menggunakan dataset gabungan MixUp-CutMix memperoleh nilai precision tertinggi sebesar 0,95 dan mAP50-95 sebesar 0,62. Di antara metode augmentasi yang diterapkan, kombinasi MixUp dan CutMix memberikan performa terbaik, sementara MixUp menghasilkan performa yang relatif lebih rendah dibandingkan metode lainnya. Temuan ini menunjukkan bahwa augmentasi data dapat meningkatkan variasi dalam data pelatihan. namun tidak selalu menghasilkan performa yang lebih baik dibandingkan penggunaan dataset asli. Oleh karena itu, YOLO11 menunjukkan potensi yang besar untuk digunakan dalam sistem pengawasan yang berbasis komputer vision untuk mendukung pendeteksian otomatis individu yang membawa senjata.

Identifier

• OpenAlex: https://openalex.org/W7167887118
• DOI: https://doi.org/10.36341/rabit.v11i2.8059