Evaluasi YOLOv8 Nano Untuk Deteksi Logistik Pendaki Pada Clutter Ekstrem
- Kevin Risky Abadi Universitas Nusantara PGRI Kediri, Indonesia
-
Erna Daniati
*
Universitas Nusantara PGRI Kediri,
Indonesia
- Aidina Ristyawan Universitas Nusantara PGRI Kediri, Indonesia
Abstract
Pemeriksaan logistik pendaki gunung secara manual saat ini dinilai tidak efisien dan sangat rentan terhadap kesalahan manusia (human error) akibat tingginya volume serta variasi barang bawaan yang sering menumpuk (clutter). Meskipun algoritma YOLOv8 sangat populer untuk deteksi objek, kinerjanya pada skenario kepadatan visual ekstrem belum teruji secara komprehensif. Oleh karena itu, penelitian ini bertujuan untuk mengevaluasi ketangguhan model YOLOv8 Nano dalam mengidentifikasi lima kelas logistik pendaki pada lima tingkat kepadatan, mulai dari objek tunggal hingga tumpukan ekstrem. Penelitian ini mengadopsi metodologi standar CRISP-ML(Q) dengan memanfaatkan 13.792 sampel data kustom. Fase prapemrosesan menerapkan metode Stretch to guna mereduksi artefak visual pada area tepi citra. Hasil eksperimen mendemonstrasikan performa yang sangat presisi, ditandai dengan nilai Precision sebesar 0,971, Recall 0,954, dan mean Average Precision (mAP@50) mencapai 97,8%. Arsitektur ini terbukti sanggup mendobrak limitasi penelitian terdahulu dengan keberhasilan mempertahankan stabilitas mAP@50 di angka 96,22% pada pengujian kepadatan ekstrem (lebih dari 18 objek). Implementasi sistem berbasis aplikasi web lintas perangkat juga mencatatkan waktu inferensi real-time yang responsif, yakni 61,48 milidetik pada peramban laptop dan 72,62 milidetik pada telepon seluler. Kesimpulannya, algoritma YOLOv8n terbukti sangat reliabel untuk mengotomatisasi pelaporan logistik lapangan. Namun, limitasi masih ditemukan berupa degradasi akurasi pada objek mikro akibat fenomena kemiripan fitur antar-kelas dan distorsi pantulan cahaya. Studi mendatang direkomendasikan untuk mengintegrasikan teknik Slicing Aided Hyper Inference (SAHI) guna memitigasi kegagalan tersebut.
References
[2] Z. Zou, K. Chen, Z. Shi, Y. Guo, and J. Ye, “Object Detection in 20 Years: A Survey,” Proceedings of the IEEE, vol. 111, no. 3, pp. 257–276, Mar. 2023, doi: 10.1109/JPROC.2023.3238524.
[3] Visen and N. Charibaldi, “Penerapan Object Detection Menggunakan Deep Learning Yolov8 Untuk Mengidentifikasi Sampah Anorganik (Maksimal Sepuluh Objek) Dalam Satu Citra,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 12, no. 1, pp. 195–202, Feb. 2025, doi: 10.25126/jtiik.2025129012.
[4] M. Hassan, F. Hussain, S. D. Khan, M. Ullah, M. Yamin, and H. Ullah, “CROWD COUNTING USING DEEP LEARNING BASED HEAD DETECTION,” in IS and T International Symposium on Electronic Imaging Science and Technology, Society for Imaging Science and Technology, 2023. doi: 10.2352/EI.2023.35.9.IPAS-293.
[5] L. A. Kusumawardhani, D. K. R. Yasir, I. B. I. Kusuma, S. adhi(s) Wibowo, R. Rahmania, and A. R. Hidayat, “ANALISIS KINERJA DETEKSI GERAKAN DAN PENGENALAN OBJEK PRODUK RITEL BERBASIS YOLOV8,” Jurnal Elektro dan Telekomunikasi Terapan, vol. 11, no. 1, pp. 43–53, Jun. 2024, doi: 10.25124/jett.v11i1.7482.
[6] D. Triyanto, M. Zidan, M. Wahyudi, L. Pujiastuti, U. Bina Sarana Informatika, and S. Antar Bangsa, “Pengembangan Sistem Deteksi Objek Botol Real-Time dengan YOLOv8 untuk Aplikasi Vision,” Journal Computer Science, vol. 3, no. 1, 2024.
[7] A. D. Putra and G. E. Saputra, “Implementation of YOLOv8 Algorithm for Web-Based Detection of Coffee Fruit Ripeness,” Journal of Artificial Intelligence and Software Engineering, vol. 5, no. 2, pp. 432–445, 2025, doi: 10.30811/jaise.v5i2.6730.
[8] S. Studer et al., “Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology,” Mar. 03, 2021. doi: 10.20944/preprints202103.0135.v1.
[9] E. Daniati, R. Firliana, A. Imron, and M. F. Aditiya Mufid, “ANALISIS DATA PENJUALAN PADA UMKM KONVEKSI MENGGUNAKAN METODE K-MEANS CLUSTERING DENGAN MENERAPKAN CRISP-DM,” Prosiding Seminar Nasional Teknologi dan Sistem Informasi, vol. 5, no. 1, pp. 257–265, Nov. 2025, doi: 10.33005/sitasi.v5i1.2542.
[10] Sucipto, D. Dwi Prasetya, and T. Widiyaningtyas, “An Evaluation of the Impact of Dataset Size on Classification Performance in the Cognitive Bloom’s Taxonomy,” in 2024 Beyond Technology Summit on Informatics International Conference (BTS-I2C), IEEE, Dec. 2024, pp. 131–136. doi: 10.1109/BTS-I2C63534.2024.10941910.
[11] A. Nugroho, M. A. Soeleman, R. A. Pramunendar, A. Affandy, and A. Nurhindarto, “Peningkatan Performa Ensemble Learning pada Segmentasi Semantik Gambar dengan Teknik Oversampling untuk Class Imbalance,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 10, no. 4, pp. 899–908, Aug. 2023, doi: 10.25126/jtiik.2024106831.
[12] A. Ristyawan, A. Nugroho, and T. K. Amarya, “Optimasi Preprocessing Model Random Forest Untuk Prediksi Stroke,” vol. 12, no. 1, pp. 29–44, 2025.
[13] A. H. Pradhana and E. Daniati, “BENCHMARKING VISION TRANSFORMER KLASIFIKASI VISUAL MASAKAN PADANG DENGAN ROBUSTNESS MELALUI AUGMENTASI DATA,” Prosiding Seminar Nasional Teknologi dan Sistem Informasi, vol. 5, no. 1, pp. 152–164, Nov. 2025, doi: 10.33005/sitasi.v5i1.2527.
[14] J. Terven and D. Cordova-Esparza, “A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS,” Mach. Learn. Knowl. Extr., vol. 5, no. 4, pp. 1680–1716, Feb. 2024, doi: 10.3390/make5040083.
[15] Ian. Goodfellow, Yoshua. Bengio, and Aaron. Courville, Deep learning. The MIT Press, 2017.
[16] R. Padilla, S. L. Netto, and E. A. B. da Silva, “A Survey on Performance Metrics for Object-Detection Algorithms,” in 2020 International Conference on Systems, Signals and Image Processing (IWSSIP), IEEE, Jul. 2020, pp. 237–242. doi: 10.1109/IWSSIP48289.2020.9145130.
[17] E. Daniati, R. Firliana, and A. S. Wardani, Dukungan Keputusan dengan Pendekatan Machine Learning. Penerbit Universitas Nusantara PGRI Kediri, 2024. doi: https://doi.org/10.29407/punp.vi.68.
[18] D. Kreuzberger, N. Kühl, and S. Hirschl, “Machine Learning Operations (MLOps): Overview, Definition, and Architecture,” IEEE Access, vol. 11, pp. 31866–31879, 2023, doi: 10.1109/ACCESS.2023.3262138.
[19] A. Paleyes, R.-G. Urma, and N. D. Lawrence, “Challenges in Deploying Machine Learning: A Survey of Case Studies,” ACM Comput. Surv., vol. 55, no. 6, pp. 1–29, Jul. 2023, doi: 10.1145/3533378.
Copyright (c) 2026 Kevin Risky Abadi, Erna Daniati, Aidina Ristyawan
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
.png)
.png)
