ANALISIS EKSPERIMENTAL PENGGANTIAN BACKBONE YOLOv5 DENGAN EFFICIENTNET-B4 PADA SISTEM DETEKSI NILAI MATA UANGAlfridaSabarauthorYOLOv5 merupakan salah satu varian algoritma You Only Look Once (YOLO) yang dikenal mampu melakukan deteksi objek secara cepat dan efisien dalam satu tahap pemrosesan. Kinerja YOLOv5 sangat dipengaruhi oleh arsitektur backbone yang berperan dalam mengekstraksi fitur visual dari citra input. Oleh karena itu, penggantian backbone menjadi salah satu pendekatan yang digunakan untuk mengevaluasi pengaruh kualitas ekstraksi fitur terhadap performa deteksi objek. Penelitian ini bertujuan untuk melakukan evaluasi eksperimental penggantian backbone YOLOv5 menggunakan arsitektur EfficientNet, khususnya EfficientNet-B4, pada sistem deteksi nilai mata uang rupiah. Dataset yang digunakan terdiri dari delapan kelas, yaitu tujuh kelas nominal uang rupiah dan satu kelas non-uang. Eksperimen dilakukan dengan membandingkan performa YOLOv5 baseline dan YOLOv5 dengan backbone EfficientNet-B4 menggunakan strategi transfer learning dan freeze–unfreeze. Evaluasi model dilakukan menggunakan metrik precision, recall, mAP@0.5, mAP@0.5:0.95, serta waktu inference. Hasil pengujian menunjukkan bahwa penggunaan EfficientNet-B4 meningkatkan nilai precision dari 74.6% menjadi 77.4%, recall dari 59.6% menjadi 84.7%, mAP@0.5 dari 69.5% menjadi 90.1%, serta mAP@0.5:0.95 dari 48.0% menjadi 74.6%. Peningkatan tersebut menunjukkan bahwa EfficientNet-B4 mampu meningkatkan kemampuan deteksi objek sekaligus kualitas lokalisasi bounding box pada berbagai threshold IoU. Dari sisi komputasi, waktu inference meningkat dari 6.3 ms menjadi 40.8 ms per gambar akibat kompleksitas model yang lebih besar. Selain itu, perbandingan EfficientNet-B0, B1, dan B4 menunjukkan bahwa peningkatan kompleksitas backbone tidak selalu menghasilkan performa deteksi yang lebih tinggi. EfficientNet-B0 memperoleh nilai mAP@0.5 sebesar 91.9% dan mAP@0.5:0.95 sebesar 77.7%, lebih tinggi dibandingkan EfficientNet-B1 dan EfficientNet-B4, serta memiliki waktu inference yang lebih cepat. Hasil penelitian ini menunjukkan bahwa penggantian backbone YOLOv5 dengan EfficientNet-B4 mampu meningkatkan kualitas deteksi nilai mata uang rupiah dibandingkan YOLOv5 baseline, khususnya pada aspek kemampuan deteksi objek dan kualitas lokalisasi bounding box.004 Pemrosesan data dan ilmu komputer2026-06-05Universitas AMIKOM Yogyakarta;PJJ Magister InformatikaThesis