%0 Thesis
%9 S2 - Magister
%A Widijanuarto, Satyo
%A Universitas AMIKOM Yogyakarta,
%B Pascasarjana Magister Informatika
%D 2025
%F universitasamikomyogyakarta:31769
%I Universitas AMIKOM Yogyakarta
%K YOLO11, parameter tunning, deteksi pesawat militer, penginderaan  jarak jauh, Global Attention Mechanism, military aircraft detection, remote sensing  images.
%T INOVASI YOLO11 UNTUK DETEKSI TARGET PESAWAT  MILITER PADA CITRA PENGINDERAAN JARAK JAUH
%U https://eprints.amikom.ac.id/id/eprint/31769/
%X Penelitian ini berfokus pada pengembangan dan evaluasi algoritma deteksi   objek yang superior untuk mengidentifikasi target pesawat militer pada citra  penginderaan jarak jauh yang memiliki latar belakang kompleks. Inovasi utama  yang diusulkan adalah integrasi empat buah modul Global Attention Mechanism  (GAM) ke dalam arsitektur YOLO11, yang bertujuan untuk meningkatkan  kemampuan ekstraksi fitur dan menekan interferensi dari latar belakang yang  kompleks. Melalui serangkaian eksperimen dan tuning parameter yang sistematis,  konfigurasi optimal berhasil dicapai dengan menggunakan optimizer NAdam dan  learning rate 0,00147, yang menghasilkan kinerja puncak pada data pengujian  dengan nilai mAP50-95 sebesar 80,6% dan mAP50 sebesar 98,6%. Hasil ini  menunjukkan peningkatan presisi lokalisasi yang signifikan dibandingkan versi  YOLO11 asli (mAP50-95 79% dan mAP50 98,4%) dan secara absolut  mengungguli sebelas metode pembanding state-of-the-art lainnya. Terlebih lagi,  model usulan menunjukkan efisiensi komputasi yang luar biasa dengan kecepatan  inferensi 159 FPS, lebih dari dua kali lipat kecepatan rata-rata metode  pembandingnya. Meskipun terdapat trade-off berupa penurunan kecepatan  dibandingkan model asli (250 FPS), analisis kualitatif dan confusion matrix  mengonfirmasi ketangguhan model, dengan tantangan utama yang tersisa pada  misidentifikasi antara sub-tipe pesawat yang visualnya sangat mirip. Secara  keseluruhan, penelitian ini membuktikan bahwa arsitektur YOLO11 yang  dimodifikasi dengan GAM merupakan solusi yang sangat efektif dan seimbang,  menawarkan presisi deteksi yang superior. Saran untuk penelitian mendatang  berfokus pada eksplorasi mekanisme atensi yang lebih ringan dan pengembangan  metode untuk meningkatkan akurasi klasifikasi fine-grained.