<![CDATA[Sistem pengawasan video memerlukan deteksi objek bergerak yang cepat dan akurat, namun model deep learning memiliki karakteristik kinerja yang berbeda-beda. Penelitian ini bertujuan membandingkan performa YOLOv8 dan EfficientDet untuk deteksi objek bergerak di video surveillance. Metode yang digunakan meliputi preprocessing 5000 frame video dari dataset UA-DETRAC dan VisDrone, pelabelan objek (mobil, sepeda motor, dan pejalan kaki), serta pelatihan model dengan batch size 16 selama 100 epoch. Hasil utama menunjukkan YOLOv8n mencapai kecepatan inferensi 78 FPS dengan mAP 0.72, sedangkan EfficientDet-D3 mencapai 42 FPS dengan mAP 0.81. Pada deteksi objek berukuran kecil (<32×32 piksel), EfficientDet unggul dengan recall 0.68 dibandingkan YOLOv8 sebesar 0.51. Kontribusi utama penelitian ini adalah: (1) menyediakan perbandingan sistematis pertama antara YOLOv8 dan EfficientDet khusus untuk deteksi objek bergerak pada video surveillance; (2) memberikan tolok ukur kuantitatif (FPS, mAP, recall untuk objek kecil) sebagai referensi praktis bagi pengembang sistem pengawasan; serta (3) merumuskan panduan pemilihan model berdasarkan prioritas real-time atau presisi. Kesimpulannya, YOLOv8 direkomendasikan untuk aplikasi real-time (≥60 FPS), sementara EfficientDet cocok untuk skenario yang memprioritaskan presisi tinggi.]]>
Copyrights © 2026
