<![CDATA[Abstrak— Kualitas gambar yang diberikan memengaruhi tingkat keakuratan dan kecepatan komputasi dalam model deteksi objek yang menggunakan deep learning. Penelitian ini bertujuan untuk mengetahui bagaimana performansi model YOLOv8n pada resolusi gambar yang tidak terlalu besar, yaitu 256px dan 320px, serta menguji dua cara pemembagian data yaitu dengan rasio perbandingan 80:20 dan 90:10. Model dilatih selama 100 epoch dengan beberapa pengaturan hyperparameter, lalu diuji untuk mengukur hasilnya dalam bentuk precision, recall, F1-Score, mAP@0.5, FPS, dan Latency. Hasil pengujian menunjukkan bahwa resolusi 320px memberikan hasil yang lebih baik, dengan nilai mAP@0.5 sebesar 0,661 untuk rasio 80:20 dan 0,665 untuk rasio 90:10, dibandingkan dengan resolusi 256px yang hanya mencapai 0,613 untuk rasio 80:20 dan 0,620 untuk rasio 90:10. Meski begitu, resolusi 256px lebih unggul dalam kecepatan inferensi, dengan FPS mencapai lebih dari 960, sedangkan resolusi 320px memiliki FPS berkisar antara 774 hingga 845. Analisis kesalahan deteksi menunjukkan penurunan rata-rata false negative dari 0,33 pada resolusi 256px menjadi 0,29 pada resolusi 320px, khususnya pada kelas objek yang ukurannya kecil seperti botol, pot tanaman, dan kursi. Perbedaan antara berbagai skenario pembagian data tidak terlalu besar, sehingga dampak dari resolusi input lebih besar dibandingkan pengaruh rasio pembagian data. Hasil dari penelitian ini dapat memberikan saran nyata bagaimana YOLOv8n bisa digunakan pada perangkat yang memiliki kapasitas komputasi terbatas. Kata Kunci— YOLOv8n, resolusi input, deteksi objek, performansi, beban komputasi.]]>
Copyrights © 2026
