<![CDATA[Sandi semafor merupakan keterampilan komunikasi nonverbal dalam kegiatan kepramukaan yang menyandikan huruf alfabet melalui konfigurasi posisi kedua lengan menggunakan bendera. Evaluasi gerakan semafor yang masih dilakukan secara manual oleh instruktur menyebabkan penilaian cenderung subjektif dan tidak konsisten, terutama pada kondisi pencahayaan dan latar belakang yang bervariasi. Penelitian ini bertujuan mengembangkan sistem deteksi otomatis sandi semafor yang mampu memberikan penilaian lebih objektif serta mempertahankan konsistensi prediksi pada kondisi pencahayaan dan latar belakang yang bervariasi. Sistem dikembangkan menggunakan algoritma YOLOv11s-Pose dengan pendekatan pose estimation, mengacu pada kerangka kerja Microsoft Team Data Science Process (TDSP) yang mencakup tahapan Business Understanding, Data Understanding, Modeling, dan Deployment. Dataset terdiri dari 1.300 citra gabungan data publik dan data primer dengan variasi latar belakang dan intensitas cahaya, dianotasi menggunakan keypoints tubuh bagian atas, dan dilatih selama 150 epoch menggunakan optimizer AdamW. Hasil evaluasi menunjukkan nilai mAP@0.5 sebesar 0,984 dengan precision dan recall mendekati sempurna. Evaluasi melalui confusion matrix juga menunjukkan model mampu membedakan huruf dengan konfigurasi lengan yang mirip. Pengujian pada tiga kondisi visual berbeda membuktikan model tetap stabil dengan skor kepercayaan rata-rata 0,82, termasuk pada kondisi minim cahaya.]]>
Copyrights © 2026
