<> "The repository administrator has not yet configured an RDF license."^^ . <> . . . "ANALISIS EKSPERIMENTAL PENGGANTIAN BACKBONE\r\nYOLOv5 DENGAN EFFICIENTNET-B4 PADA SISTEM\r\nDETEKSI NILAI MATA UANG"^^ . "YOLOv5 merupakan salah satu varian algoritma You Only Look Once \r\n(YOLO) yang dikenal mampu melakukan deteksi objek secara cepat dan efisien\r\ndalam satu tahap pemrosesan. Kinerja YOLOv5 sangat dipengaruhi oleh arsitektur\r\nbackbone yang berperan dalam mengekstraksi fitur visual dari citra input. Oleh\r\nkarena itu, penggantian backbone menjadi salah satu pendekatan yang digunakan\r\nuntuk mengevaluasi pengaruh kualitas ekstraksi fitur terhadap performa deteksi\r\nobjek. \r\n Penelitian ini bertujuan untuk melakukan evaluasi eksperimental\r\npenggantian backbone YOLOv5 menggunakan arsitektur EfficientNet, khususnya\r\nEfficientNet-B4, pada sistem deteksi nilai mata uang rupiah. Dataset yang\r\ndigunakan terdiri dari delapan kelas, yaitu tujuh kelas nominal uang rupiah dan satu\r\nkelas non-uang. Eksperimen dilakukan dengan membandingkan performa\r\nYOLOv5 baseline dan YOLOv5 dengan backbone EfficientNet-B4 menggunakan\r\nstrategi transfer learning dan freeze–unfreeze. Evaluasi model dilakukan\r\nmenggunakan metrik precision, recall, mAP@0.5, mAP@0.5:0.95, serta waktu\r\ninference. Hasil pengujian menunjukkan bahwa penggunaan EfficientNet-B4\r\nmeningkatkan nilai precision dari 74.6% menjadi 77.4%, recall dari 59.6% menjadi\r\n84.7%, mAP@0.5 dari 69.5% menjadi 90.1%, serta mAP@0.5:0.95 dari 48.0%\r\nmenjadi 74.6%. Peningkatan tersebut menunjukkan bahwa EfficientNet-B4 mampu\r\nmeningkatkan kemampuan deteksi objek sekaligus kualitas lokalisasi bounding box\r\npada berbagai threshold IoU. Dari sisi komputasi, waktu inference meningkat dari\r\n6.3 ms menjadi 40.8 ms per gambar akibat kompleksitas model yang lebih besar.\r\nSelain itu, perbandingan EfficientNet-B0, B1, dan B4 menunjukkan bahwa\r\npeningkatan kompleksitas backbone tidak selalu menghasilkan performa deteksi\r\nyang lebih tinggi. EfficientNet-B0 memperoleh nilai mAP@0.5 sebesar 91.9% dan\r\nmAP@0.5:0.95 sebesar 77.7%, lebih tinggi dibandingkan EfficientNet-B1 dan\r\nEfficientNet-B4, serta memiliki waktu inference yang lebih cepat. Hasil penelitian ini menunjukkan bahwa penggantian backbone YOLOv5 dengan EfficientNet-B4\r\nmampu meningkatkan kualitas deteksi nilai mata uang rupiah dibandingkan\r\nYOLOv5 baseline, khususnya pada aspek kemampuan deteksi objek dan kualitas\r\nlokalisasi bounding box."^^ . "2026-06-05" . . . "Universitas AMIKOM Yogyakarta"^^ . . . "PJJ Magister Informatika, Universitas AMIKOM Yogyakarta"^^ . . . . . . . . <> . . "Alfrida"^^ . "Sabar"^^ . "Alfrida Sabar"^^ . . "Ema"^^ . "Utami"^^ . "Ema Utami"^^ . . "Universitas AMIKOM Yogyakarta"^^ . . . . . . . "ANALISIS EKSPERIMENTAL PENGGANTIAN BACKBONE\r\nYOLOv5 DENGAN EFFICIENTNET-B4 PADA SISTEM\r\nDETEKSI NILAI MATA UANG (Text)"^^ . . . . . "23.55.2514 - Alfrida Sabar.pdf"^^ . . "HTML Summary of #32634 \n\nANALISIS EKSPERIMENTAL PENGGANTIAN BACKBONE \nYOLOv5 DENGAN EFFICIENTNET-B4 PADA SISTEM \nDETEKSI NILAI MATA UANG\n\n" . "text/html" . . . "004 Pemrosesan data dan ilmu komputer"@en . .