OPTIMASI HYPERPARAMETER YOLOV8N MENGUNAKAN TREE-STRUCTURED PARZEN ESTIMATOR (TPE) UNTUK DETEKSI DAN KLASIFIKASI KERUSAKAN JALAN

SUPRAYOGI, ADAM (2025) OPTIMASI HYPERPARAMETER YOLOV8N MENGUNAKAN TREE-STRUCTURED PARZEN ESTIMATOR (TPE) UNTUK DETEKSI DAN KLASIFIKASI KERUSAKAN JALAN. Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text 2_Cover_123180132_Adam Suprayogi.pdf Download (172kB)
	Text 4_Halaman Pengesahan_123180132_Adam Suprayogi.pdf Download (307kB)
	Text 3_Abstrak_123180132_Adam Suprayogi.pdf Download (252kB)
	Text 5_Daftar Isi_123180132_Adam Suprayogi.pdf Download (289kB)
	Text 6_Daftar Pustaka__123180132_Adam Suprayogi.pdf Download (217kB)
	Text 1_Skripsi Full_123180132_Adam Suprayogi.pdf Restricted to Repository staff only Download (2MB)

Abstract

Deteksi dan Klasifikasi citra digital dapat dilakukan dengan You Only Look Once
(YOLO). Namun, performa YOLO dipengaruhi oleh pemilihan nilai hyperparameter yang
tepat. Penelitian ini bertujuan untuk mengoptimalkan nilai hyperparameter pada YOLOv8n
menggunakan algoritma Tree-structured Parzen Estimato (TPE) dalam klasifikasi kerusakan
jalan. Kerusakan jalan beraspal diklasifikasikan meliputi retak memanjang, retak melintang,
retek buaya dan lubang. Data yang digunakan dalam penelitian ini terdiri dari citra kerusakan
jalan
yang dikumpulkan dari dataset RDD2024. Pendekatan TPE diterapkan untuk
menemukan konfigurasi hyperparameter optimal yang mampu meningkatkan nilai mAP50
model YOLOv8n dalam mengklasifikasi kerusakan jalan.
Metodologi penelitian melibatkan beberapa tahapan, yaitu pengumpulan data,
preprocessing data, tuning hyperparameter menggunakan TPE, pelatihan model, serta
evaluasi model menggunakan confusion matrix. Penelitian ini membandingkan hasil nilai
mAP50 sebelum dan sesudah tuning hyperparameter. Hyperparameter YOLOv8n yang
dikonfigurasi pada penelitian ini meliputi batch size, momentum, weight decay, dan learning
rate.
Hasil penelitian menunjukkan bahwa penggunaan TPE mampu meningkatkan nilai
mAP50 sebesar 8% untuk epoch antara 25 sampai 35, sedangkan untuk epoch 60 meningkat
sekitar +1 % dibandingkan baseline tanpa optimasi pada epoch 60 dari 0,8728 ke 0,8896.
Hasil ini menunjukkan bahwa optimasi hypeparameter TPE dapat digunakan untuk
meningkatkan nilai mAP50 pada metode YOLOv8n terutama pada epoch kecil.
Kedepannaya penelitian ini diharapkan dapat menjadi referensi bagi peneliti lain yang ingin
menerapkan pendekatan serupa pada permasalahan klasifikasi atau deteksi objek lain di
bidang computer vision.
Kata Kunci: YOLOv8, TPE, Klasifikasi Kerusakan Jalan, Hyperparameter Tuning,
Pengolahan Citra Digital.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Adam Suprayogi (Penulis-123180132) ; Heriyanto (Pembimbing)
Uncontrolled Keywords:	YOLOv8, TPE, Klasifikasi Kerusakan Jalan, Hyperparameter Tuning, Pengolahan Citra Digital.
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	UPA Perpustakaan
Date Deposited:	15 Oct 2025 02:40
Last Modified:	15 Oct 2025 02:40
URI:	http://eprints.upnyk.ac.id/id/eprint/44400

Actions (login required)

View Item