OPTIMASI MULTI-OBJEKTIF YOLOV8 DENGAN BAYESIAN HYPERPARAMETER TUNING UNTUK DETEKSI ALFABET BISINDO DALAM PENDIDIKAN INKLUSIFYopy TriBuanaauthorPenelitian ini bertujuan mengoptimalkan hyperparameter model YOLOv8n untuk deteksi alfabet Bahasa Isyarat Indonesia (BISINDO) secara akurat, efisien, dan stabil dalam konteks real-time guna mendukung pendidikan dan komunikasi inklusif. Penelitian dibatasi pada deteksi alfabet BISINDO berbasis citra statis dengan variabel utama meliputi akurasi deteksi (mAP50–95), kecepatan inferensi (FPS dan latency), serta stabilitas pelatihan antar-epoch. Metode yang digunakan adalah pendekatan FPS-Constrained, Epoch-Aware Multi-Objective Bayesian Optimization (FEAMO-BO) dengan algoritma Tree-structured Parzen Estimator (TPE) melalui pustaka Optuna. Dataset yang digunakan terdiri atas 11.500 citra alfabet BISINDO beresolusi 640×640 piksel yang telah melalui pre-augmentation dan dibagi menjadi 80% data latih, 10% data validasi, dan 10% data uji. Proses eksperimen dilakukan dengan melatih model YOLOv8n default sebagai pembanding awal, kemudian melakukan optimasi hyperparameter menggunakan FEAMO-BO, di mana setiap trial dievaluasi melalui composite score yang mengintegrasikan mAP50–95, FPS, latency, dan stabilitas pelatihan. Hasil penelitian menunjukkan bahwa model terbaik hasil optimasi FEAMO-BO mampu mencapai mAP50–95 sebesar 0,9350, kecepatan inferensi 133,73 FPS, dan latency 7,44 ms dengan pola konvergensi yang stabil, serta memberikan peningkatan signifikan pada efisiensi inferensi dibandingkan model YOLOv8n default dan penelitian terdahulu berbasis YOLOv5s tanpa penurunan akurasi yang berarti. Dengan demikian, pendekatan FEAMO-BO terbukti efektif sebagai kerangka optimasi multi-objektif dan layak digunakan sebagai dasar pengembangan sistem pendukung komunikasi dan pendidikan inklusif bagi penyandang Tuli di Indonesia.000 Ilmu komputer, informasi dan pekerjaan umum2026-01-05Universitas AMIKOM Yogyakarta;Pascasarjana Magister InformatikaThesis