<![CDATA[Gunung Bromo dikenal sebagai salah satu destinasi wisata alam paling diminati di Indonesia dengan penggunaan kendaraan jeep sebagai moda transportasi utama. Variasi kondisi visual seperti kabut, pencahayaan minim, serta latar belakang yang kompleks menimbulkan hambatan dalam proses deteksi dan klasifikasi objek secara otomatis. Penelitian ini bertujuan membandingkan performa algoritma YOLOv11, YOLOv11-Modified, dan Faster R-CNN dalam mendeteksi sekaligus mengklasifikasikan warna jeep di Kawasan Wisata Gunung Bromo. Metode penelitian mencakup pengumpulan data citra jeep melalui dokumentasi lapangan, penelitian terdahulu, serta sumber terbuka. Evaluasi model YOLOv11 dan Faster R-CNN dilakukan menggunakan metrik akurasi deteksi, presisi, waktu inferensi, serta ketahanan terhadap perubahan kondisi visual. Pada YOLOv11-Modified, modul attention diintegrasikan untuk memperkuat pemahaman spasial dan meningkatkan fokus pada area deteksi yang relevan. Hasil pengujian menunjukkan bahwa YOLOv11-Modified memberikan peningkatan akurasi deteksi dan klasifikasi warna dibandingkan YOLOv11. Di sisi lain, Faster R-CNN mampu menghasilkan deteksi detail dengan presisi lebih tinggi meskipun memerlukan waktu inferensi dan komputasi yang lebih besar. Temuan ini memberikan kontribusi pada pengembangan sistem deteksi objek berbasis deep learning di lingkungan wisata dan dapat menjadi referensi bagi penelitian selanjutnya terkait penerapan computer vision dalam pengelolaan transportasi wisata secara cerdas.]]>
Copyrights © 2025
