<![CDATA[Pemeriksaan kelengkapan atribut seragam siswa secara manual masih banyak dilakukan di lingkungan sekolah, khususnya pada sekolah kejuruan dengan jumlah siswa yang besar. Proses tersebut membutuhkan waktu, rentan terhadap subjektivitas, dan sulit terdokumentasi secara konsisten. Penelitian ini bertujuan membandingkan kinerja YOLOv8n dan Faster R-CNN MobileNetV3 320 FPN dalam mendeteksi atribut seragam sekolah secara otomatis. Dataset yang digunakan terdiri dari 638 citra seragam sekolah dengan lima kelas objek, yaitu epolet, name_tag, sabuk, sepatu_hitam, dan topi. Kedua model dilatih menggunakan dataset yang sama, kemudian dievaluasi berdasarkan Intersection over Union (IoU), mean Average Precision (mAP), dan Frames per Second (FPS) pada konfigurasi eksperimen yang digunakan. Hasil pengujian menunjukkan bahwa YOLOv8n memperoleh IoU sebesar 0,8713, mAP50 sebesar 0,9193, mAP50-95 sebesar 0,6695, dan kecepatan 83,5921 FPS. Sementara itu, Faster R-CNN memperoleh IoU sebesar 0,6714, mAP50 sebesar 0,6640, mAP50-95 sebesar 0,3853, dan kecepatan 9,5801 FPS. Hasil tersebut mengindikasikan bahwa, pada konfigurasi eksperimen dan subset evaluasi yang digunakan, YOLOv8n memiliki keseimbangan yang lebih baik antara akurasi lokalisasi, akurasi deteksi, dan efisiensi inferensi. Dengan demikian, YOLOv8n berpotensi lebih sesuai digunakan sebagai dasar pengembangan sistem pemantauan kelengkapan seragam sekolah secara semi-real-time.]]>
Copyrights © 2026
