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.
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/text.png) |
Text (THESIS)
23.51.1427 - Nugraha Asthra Megantara.pdf - Published Version Download (4MB) |
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.
| Item Type: | Thesis (S2 - Magister) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Deteksi drone, deep learning, analisis komparatif, YOLOv8, efisiensi komputasi, drone detection, comparative analysis, computational efficiency | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum | ||
| Divisions: | Pascasarjana Magister Informatika > Magister Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 29 Jun 2026 03:42 | ||
| Last Modified: | 29 Jun 2026 03:42 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/31782 |
Actions (login required)
 |
View Item |