eprintid: 31782
rev_number: 9
eprint_status: archive
userid: 12
dir: disk0/00/03/17/82
datestamp: 2026-06-29 03:42:20
lastmod: 2026-06-29 03:42:20
status_changed: 2026-06-29 03:42:20
type: thesis
metadata_visibility: show
creators_name: Megantara, Nugraha Ashtra
creators_nim: 23.51.1427
contributors_name: Utami, Ema
corp_creators: Universitas AMIKOM Yogyakarta
title: ANALISIS KOMPARATIF EMPIRIS LIMA ARSITEKTUR
DEEP LEARNING UNTUK DETEKSI DRONE:
SUPERIORITAS YOLOV8 DAN TRADE OFF AKURASI
EFISIENSI
ispublished: pub
subjects: 000.000.000A
divisions: mti
full_text_status: public
keywords: Deteksi drone, deep learning, analisis komparatif, YOLOv8, efisiensi
komputasi, drone detection, comparative analysis, computational efficiency
abstract: Penelitian ini bertujuan melakukan analisis komparatif empiris yang
komprehensif terhadap performa lima arsitektur deep learning untuk deteksi objek
drone, yaitu VGG16, ResNet50, MobileNetV2, EfficientNetB0, dan YOLOv8nano.

Fokus penelitian adalah mengukur dan membandingkan akurasi deteksi,
efisiensi komputasional, serta signifikansi statistik perbedaan performa masingmasing
model
dalam
konteks
tugas
deteksi
single
class.
Metode
penelitian
berupa

eksperimen
kuantitatif
dengan
pendekatan
benchmarking
sistematis,
menggunakan

dataset

1.359 citra drone, evaluasi multi-dimensi (metrik regresi, deteksi, dan
efisiensi), serta analisis statistik robust (ANOVA, t-test, effect size).
Hasil penelitian menunjukkan superioritas signifikan dari arsitektur
YOLOv8-nano yang secara konsisten unggul dalam semua metrik akurasi inti,
seperti F1-Score (0.922), mean Average Precision (mAP50: 0.901), dan Mean
Squared Error (0.007), dengan kecepatan inferensi 112 FPS. Analisis statistik (pvalue
<

0.001, effect size η² > 0.99) mengkonfirmasi bahwa perbedaan performa
antar model bersifat sangat signifikan dan bermakna secara praktis. Di sisi lain,
MobileNetV2 tercatat sebagai model paling efisien dengan waktu pelatihan
tercepat, sementara EfficientNetB0 menawarkan keseimbangan optimal antara
akurasi dan efisiensi. Temuan juga mengungkap ketidakcocokan arsitektural pada
model yang diadaptasi dari tugas klasifikasi (ResNet50, VGG16) untuk tugas
deteksi drone.
Kesimpulan penelitian menegaskan bahwa YOLOv8-nano merupakan
arsitektur paling optimal untuk deteksi drone, menawarkan kombinasi akurasi
tinggi, kecepatan inferensi real time, dan ukuran model ringan. Penelitian ini
memberikan bukti empiris dan panduan berbasis trade off yang terkuantifikasi
untuk seleksi model dalam berbagai skenario aplikasi praktis, mulai dari sistem
keamanan kritis hingga penerapan di perangkat edge dengan sumber daya terbatas.
date: 2026-01-02
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: Pascasarjana Magister Informatika
thesis_type: masters
thesis_name: tesis
citation:   Megantara, Nugraha Ashtra  (2026) ANALISIS KOMPARATIF EMPIRIS LIMA ARSITEKTUR DEEP LEARNING UNTUK DETEKSI DRONE: SUPERIORITAS YOLOV8 DAN TRADE OFF AKURASI EFISIENSI.  S2 - Magister thesis, Universitas AMIKOM Yogyakarta.   
document_url: https://eprints.amikom.ac.id/id/eprint/31782/1/23.51.1427%20-%20Nugraha%20Asthra%20Megantara.pdf