STUDI PERBANDINGAN MODEL RetinaNet DENGAN YOLOv8 UNTUK DETEKSI SEPATU NIKE PADA APLIKASI E-COMMERCE

YOGA AGATHA PASARIBU, . (2025) STUDI PERBANDINGAN MODEL RetinaNet DENGAN YOLOv8 UNTUK DETEKSI SEPATU NIKE PADA APLIKASI E-COMMERCE. Tugas Akhir thesis, UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN YOGYAKARTA.

	Text 1_Cover_123210025_Yoga Agatha Pasaribu.pdf Download (160kB)
	Text 2_Abstrak_123210025_Yoga Agatha Pasaribu.pdf Download (290kB)
	Text 3_Halaman Pengesahan_123210025_Yoga Agatha Pasaribu.pdf Download (316kB)
	Text 4_Daftar Isi_123210025_Yoga Agatha Pasaribu.pdf Download (222kB)
	Text 5_Daftar Pustaka_123210025_Yoga Agatha Pasaribu.pdf Download (198kB)
	Text 6_Skripsi Full_123210025_Yoga Agatha Pasaribu.pdf Restricted to Repository staff only Download (3MB)

Abstract

Industri e-commerce menghadapi tantangan dalam pencarian produk yang masih bergantung pada input teks, sehingga menyulitkan pengguna yang hanya memiliki referensi visual. Fitur pencarian berbasis gambar (visual search) yang didukung oleh teknologi deteksi objek (object detection) muncul sebagai solusi, namun pemilihan model yang tepat menjadi krusial untuk menyeimbangkan akurasi dan kecepatan. Penelitian ini bertujuan untuk melakukan studi perbandingan komprehensif antara dua arsitektur single-stage detector populer, yaitu RetinaNet (dengan backbone ResNet-50 FPN) dan YOLOv8n, dalam konteks studi kasus deteksi empat kelas sepatu NIKE untuk aplikasi e-commerce. Proses penelitian mencakup tahap eksperimen pelatihan untuk kedua model guna menemukan konfigurasi hyperparameter optimal sebelum dievaluasi pada dataset testing yang sama. Evaluasi dilakukan berdasarkan metrik akurasi (mAP, Precision, Recall), kecepatan (latensi inferensi), dan efisiensi komputasi (jumlah parameter, GFLOPs, ukuran model). Hasil evaluasi menunjukkan keunggulan absolut dari YOLOv8n di semua aspek. YOLOv8n tidak hanya lebih akurat secara signifikan, dengan mAP@50-95 mencapai 82.6% dibandingkan RetinaNet (75.1%), tetapi juga jauh lebih andal dengan precision 96.7% berbanding 19.9%. Selain itu, YOLOv8n secara dramatis lebih efisien dengan latensi inferensi 5.03 ms (~15 kali lebih cepat) dan ukuran model yang 20 kali lebih kecil. Penelitian ini menyimpulkan bahwa YOLOv8n adalah model yang secara signifikan lebih unggul dan lebih sesuai untuk diimplementasikan pada sistem pencarian visual di e-commerce, yang tidak hanya merepresentasikan trade-off yang lebih baik, tetapi juga sebuah lompatan generasi dalam arsitektur deteksi objek.

Kata Kunci: Deteksi Objek, Pencarian Visual, E-commerce, YOLOv8, RetinaNet, Deep Learning, Studi Perbandingan.

Item Type:	Tugas Akhir (Tugas Akhir)
Additional Information:	Yoga Agatha Pasaribu (Penulis - 123210025) Bambang Yuwono (Pembimbing)
Uncontrolled Keywords:	Deteksi Objek, Pencarian Visual, E-commerce, YOLOv8, RetinaNet, Deep Learning, Studi Perbandingan
Subjek:	T Technology > T Technology (General) T Technology > TA Engineering (General). Civil engineering (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Bayu Pambudi
Date Deposited:	23 Oct 2025 01:27
Last Modified:	23 Oct 2025 01:27
URI:	http://eprints.upnyk.ac.id/id/eprint/44831

Actions (login required)

View Item