<![CDATA[Infrastruktur Base Transceiver Station (BTS) memiliki peran vital dalam telekomunikasi namun menghadapi risiko keamanan fisik yang tinggi, seperti pencurian dan vandalisme, yang dapat mengganggu ketersediaan jaringan. Metode pemantauan manual yang ada saat ini dinilai tidak efisien karena membutuhkan sumber daya intensif dan memiliki latensi respon yang tinggi terhadap pelanggaran keamanan. Penelitian ini mengusulkan optimalisasi sistem pengawasan otomatis real-time menggunakan algoritma Deep Learning YOLOv8 yang terintegrasi dengan notifikasi IoT berbasis Telegram. Empat varian arsitektur model (YOLOv8n, YOLOv8n-p2, YOLOv8n-p6, dan YOLOv8s) dievaluasi secara komparatif menggunakan metrik mean Average Precision (mAP), F1-score, dan kecepatan inferensi (Frames Per Second/FPS). Evaluasi dilakukan menggunakan Human Dataset yang terdiri dari 17.300 citra dengan pelatihan pada platform Google Colab dan pengujian pada perangkat edge NVIDIA Jetson Nano. Hasil eksperimen menunjukkan adanya trade-off signifikan antara akurasi dan kecepatan; YOLOv8s mencapai akurasi tertinggi dengan mAP@0.5 sebesar 61,4%, namun dengan kecepatan inferensi rendah (9,67 FPS). Sebaliknya, YOLOv8n menawarkan keseimbangan optimal dengan mAP@0.5 sebesar 59,3% dan kecepatan tertinggi mencapai 22,02 FPS. Sementara itu, varian modifikasi YOLOv8n-p2 (14,84 FPS) dan YOLOv8n-p6 (21,18 FPS) menunjukkan kemampuan kompetitif dalam menangani variasi skala objek namun tidak melampaui efisiensi YOLOv8n. Secara praktis, penelitian ini merekomendasikan implementasi YOLOv8n pada perangkat edge berdaya rendah karena kemampuannya memproses video secara real-time dan mengirimkan peringatan dini via Telegram secara instan, sehingga secara signifikan meningkatkan responsivitas sistem keamanan BTS.]]>
Copyrights © 2025
