EVALUASI MODEL YOLOV7, YOLOV8, DAN YOLOV9 UNTUK DETEKSI OBJEK PADA PERTANDINGAN SEPAK BOLA

Perkasa, Mochamad Althaf Pramasetya (2024) EVALUASI MODEL YOLOV7, YOLOV8, DAN YOLOV9 UNTUK DETEKSI OBJEK PADA PERTANDINGAN SEPAK BOLA. Sarjana thesis, Universitas Siliwangi.

[img] Text
1. Cover.pdf
Download (133kB)
[img] Text
2. Lembar Pengesahan.pdf
Download (233kB)
[img] Text
3. Lembar Penguji.pdf
Download (208kB)
[img] Text
4. Lembar Pernyataan.pdf
Download (208kB)
[img] Text
5. Abstrak.pdf
Download (206kB)
[img] Text
6. Motto.pdf
Download (137kB)
[img] Text
7. Kata Pengantar.pdf
Download (169kB)
[img] Text
8. Daftar Isi, Tabel, Gambar, Persamaan, Lampiran.pdf
Download (275kB)
[img] Text
9. BAB I.pdf
Download (222kB)
[img] Text
10. BAB II.pdf
Download (579kB)
[img] Text
11. BAB III.pdf
Download (313kB)
[img] Text
12. BAB IV.pdf
Restricted to Repository staff only
Download (4MB)
[img] Text
13. BAB V.pdf
Restricted to Repository staff only
Download (208kB)
[img] Text
14. Daftar Pustaka.pdf
Download (221kB)
[img] Text
15. Lampiran.pdf
Restricted to Repository staff only
Download (1MB)

Abstract

Penelitian ini bertujuan untuk membandingkan model dari YOLOv7, YOLOv8, dan YOLOv9 dalam konteks deteksi objek pada lingkungan yang dinamis seperti pertandingan sepak bola. Algoritma YOLO dikenal dengan metode satu tahapnya yang menghasilkan probabilitas kelas dan nilai koordinat lokasi secara langsung dan telah diterapkan dalam berbagai bidang visi komputer, termasuk rumah sakit, kendaraan otonom, drone, militer, pengawasan satwa liar, dan lain-lain. Perbandingan model YOLO telah dilakukan oleh penelitian sebelumnya, yaitu dengan membandingan model dari versi YOLOv3, YOLOv4, YOLOv5, YOLOv7 dan YOLOv8. Pada perbandingan tersebut, objek yang dideteksi tidak bersifat dinamis. Penggunaan dataset yang dinamis menjadi penting karena dapat memberikan gambaran yang lebih akurat tentang kinerja masing�masing versi YOLO dalam menghadapi tantangan deteksi objek dalam lingkungan yang berubah-ubah. Hasil penelitian menunjukkan bahwa YOLOv9 memiliki performa yang lebih baik dibandingkan kedua model lainnya. YOLOv9 mencapai nilai precision, recall, dan F1-score yang lebih tinggi, terutama dalam kelas "Bola". YOLOv9 jugamencatat akurasi keseluruhan (mAP@0.5) sebesar 86%, lebih tinggi dibandingkanYOLOv8 (83.9%) dan YOLOv7 (83.8%). Kesimpulannya, YOLOv9 menunjukkan peningkatan dalam performa deteksi objek dibandingkan dengan YOLOv8 dan YOLOv7. Kata Kunci : Perbandingan, Sepak Bola, YOLO

Item Type: Thesis (Sarjana)
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik > Informatika
Depositing User: Rema Puri Irma Sri Katon
Date Deposited: 30 Aug 2024 06:01
Last Modified: 30 Aug 2024 06:01
URI: http://repositori.unsil.ac.id/id/eprint/13821

Actions (login required)

View Item View Item