RIFA'I, Rachmad (2026) Analisis Performa dan Efisiensi Model YOLOv8 Untuk Deteksi Alfabet Bahasa Isyarat Indonesia (BISINDO) dengan Hyperparameter Tuning. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Archive (FULL TEXT) 24060122120014 - Rachmad Rifa'i - Informatika 2022.zip Restricted to Repository staff only Download (4MB)
	Text 1. COVER.pdf Download (73kB)
	Text 4. HALAMAN PENGESAHAN.pdf Download (226kB)
	Text 5. KATA PENGANTAR.pdf Download (292kB)
	Text 7. ABSTRAK.pdf Download (65kB)
	Text 8. ABSTRACT.pdf Download (4kB)
	Text 9. DAFTAR ISI.pdf Download (73kB)
	Text 12. BAB I PENDAHULUAN.pdf Download (142kB)
	Text 18. DAFTAR PUSTAKA.pdf Download (81kB)

Abstract

Komunikasi bagi penyandang Tuli menghadapi tantangan akibat keterbatasan pemahaman
masyarakat umum terhadap Bahasa Isyarat Indonesia (BISINDO). Pengembangan deteksi
alfabet BISINDO menggunakan deep learning menjadi sebuah solusi. Penelitian ini
bertujuan menganalisis performa dan efisiensi model YOLOv8 dalam mendeteksi 26 kelas
alfabet BISINDO melalui hyperparameter tuning menggunakan metode grid search untuk
memperoleh konfigurasi model yang optimal. Dataset yang digunakan terdiri dari 11.468
citra BISINDO yang diperoleh dari Kaggle. Penelitian dilakukan dalam tiga tahap
eksperimen yaitu pemilihan model terbaik dari tiga varian YOLOv8 (YOLOv8n, YOLOv8s,
dan YOLOv8m), hyperparameter tuning dengan grid search yang menguji 12 kombinasi
nilai learning rate, batch size, dan optimizer, serta pelatihan berulang sebanyak tiga kali
menggunakan konfigurasi terbaik untuk mengevaluasi stabilitas model. Evaluasi dilakukan
menggunakan precision, recall, mAP50, mAP50-95, jumlah parameter, FLOPs, dan waktu
inferensi. Hasil penelitian menunjukkan YOLOv8m mencapai mAP50-95 tertinggi sebesar
94,48%, diikuti YOLOv8n sebesar 94,11% dan YOLOv8s sebesar 91,71%, dengan selisih
performa antar varian yang tidak signifikan. Mempertimbangkan efisiensi komputasi,
YOLOv8n dipilih sebagai model terbaik karena memiliki jumlah parameter dan
kompleksitas paling rendah (3,01 juta parameter, 8,1 GFLOPs) serta waktu inferensi tercepat
yaitu 5,31 ms, dengan selisih mAP50-95 hanya 0,37% terhadap YOLOv8m. Kombinasi
hyperparameter terbaik yang diperoleh adalah learning rate 0,01, batch size 32, dan
optimizer SGD. Model YOLOv8n dengan hyperparameter tuning mencapai rata-rata
mAP50-95 sebesar 92,77% dengan standar deviasi ±0,03% yang menunjukkan konsistensi
performa antar pelatihan.
Kata kunci : BISINDO, deteksi objek, grid search, hyperparameter tuning, YOLOv8

(NO. KETERSEDIAAN : 1699/F/2026)

Actions (login required)

View Item