<![CDATA[Model deep learning YOLOv4 pre-trained menawarkan potensi besar untuk otomatisasi di bidang pertanian presisi. Namun, kinerja baseline ("out-of-the-box") dari varian-variannya (Tiny dan Full) pada domain spesifik seperti penghitungan buah belum terdokumentasi dengan baik. Penelitian ini menyajikan evaluasi kinerja baseline dari model YOLOv4-Tiny dan YOLOv4-Full pre-trained COCO. Studi ini menggunakan metode benchmark kuantitatif pada 100 test set dari dataset MinneApple, yang diimplementasikan pada platform MATLAB dengan Computer Vision Toolbox™. Parameter kinerja yang dievaluasi adalah Mean Absolute Error (MAE) untuk akurasi penghitungan dan Frames Per Second (FPS) untuk kecepatan. Hasil menunjukkan trade-off (pertukaran) kinerja yang jelas: YOLOv4-Full (MAE 21,57) terbukti 40% lebih akurat daripada YOLOv4-Tiny (MAE 36,07). Sebaliknya, YOLOv4-Tiny terbukti 24 kali lebih cepat (12,70 FPS) dibandingkan YOLOv4-Full (0,53 FPS). Temuan penting lainnya adalah tingginya nilai MAE pada kedua model, yang mengindikasikan adanya kesenjangan kinerja (performance gap) signifikan. Studi ini menyediakan data baseline krusial yang menegaskan bahwa fine-tuning adalah langkah esensial untuk aplikasi praktis di domain spesifik.]]>
Copyrights © 2025
