Pengaruh Model Clip Sebagai Tahap Post-Processing Terhadap Reduksi Bias Kelas Pada Hasil Deteksi Sampah Plastik Berbasis Yolo

HIKMAL HAQIQI, . (2026) Pengaruh Model Clip Sebagai Tahap Post-Processing Terhadap Reduksi Bias Kelas Pada Hasil Deteksi Sampah Plastik Berbasis Yolo. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text 123220056_Cover - Akun Skripsinya Hikmal.pdf Download (207kB)
	Text 123220056_Abstrak - Akun Skripsinya Hikmal.pdf Download (233kB)
	Text 123220056_Halaman Pengesahan - Akun Skripsinya Hikmal.pdf Download (95kB)
	Text 123220056_Daftar Isi - Akun Skripsinya Hikmal.pdf Download (222kB)
	Text 123220056_Daftar Pustaka - Akun Skripsinya Hikmal.pdf Download (188kB)
	Text 123220056_Fulltext - Akun Skripsinya Hikmal.pdf Restricted to Repository staff only Download (4MB)

Abstract

Indonesia menempati peringkat ketiga sebagai negara penyumbang polusi plastik terbesar di dunia, dengan sampah plastik mendominasi komposisi limbah perkotaan. Model YOLO telah banyak digunakan untuk deteksi sampah plastik berbasis citra, namun sebagian besar penelitian terdahulu hanya berfokus pada peningkatan akurasi rata-rata tanpa memperhatikan ketimpangan performa antar kelas (class bias) akibat distribusi data yang tidak seimbang. Penelitian ini bertujuan menganalisis pengaruh model CLIP (Contrastive Language-Image Pre-training) sebagai tahap post-processing terhadap reduksi bias kelas pada hasil deteksi sampah plastik berbasis YOLOv8n, melalui dua pendekatan integrasi, yaitu Selective Zero-Shot dan prompt learning berbasis CoOp (Context Optimization).
Penelitian menggunakan dataset ML2 WCN UKM yang terdiri atas 8.978 citra dengan 8 kelas sampah plastik setelah proses penggabungan kelas. Model YOLOv8n dilatih sebagai baseline, kemudian hasil deteksinya diproses ulang oleh CLIP ViT-B/32 secara selektif berdasarkan zona ambiguitas skor kepercayaan. Pada pendekatan CoOp, context vector dioptimasi menggunakan Class-Balanced Loss dan Logit Adjustment untuk menangani ketidakseimbangan kelas, sementara parameter utama CLIP tetap dibekukan. Kalibrasi skor kepercayaan antara YOLO dan CLIP dilakukan menggunakan Isotonic Regression agar keputusan pembaruan label bersifat adil. Evaluasi dilakukan menggunakan metrik performa deteksi (precision, recall, F1-score, mAP@50) dan metrik bias kelas (Gap AP, Standard Deviation AP, Min-Class AP).
Hasil penelitian menunjukkan bahwa model baseline YOLOv8n mencapai mAP@50 sebesar 0,5802 dengan Gap AP sebesar 0,3367, mengindikasikan adanya ketimpangan performa antar kelas yang signifikan. Integrasi CLIP melalui Selective Zero-Shot menghasilkan mAP@50 sebesar 0,5665, sedangkan pendekatan CoOp menghasilkan mAP@50 sebesar 0,5190, keduanya lebih rendah dibandingkan baseline. Kedua pendekatan CLIP juga belum berhasil menurunkan Gap AP maupun meningkatkan Min-Class AP secara konsisten. Meskipun demikian, pendekatan CoOp menunjukkan nilai Standard Deviation AP terendah (0,1056) di antara ketiga konfigurasi, mengindikasikan sebaran performa antar kelas yang relatif lebih merata. Penurunan performa ini diduga disebabkan oleh domain gap antara data pelatihan CLIP dengan karakteristik citra lapangan, hilangnya detail visual akibat resize objek berukuran kecil, serta sifat fungsi softmax CLIP yang forced-choice. Penelitian ini menyimpulkan bahwa CLIP sebagai mekanisme post-processing belum efektif mereduksi class bias pada konfigurasi dan dataset yang digunakan, sekaligus memberikan pemahaman mengenai keterbatasan penerapan model vision-language pada domain deteksi objek dengan kondisi visual kompleks.

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	CLIP, YOLOv8n, Class Bias, Post-Processing, CoOp, Deteksi Sampah Plastik
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	UPA Perpustakaan
Date Deposited:	11 Nov 2026 03:46
Last Modified:	11 Nov 2026 03:46
URI:	http://eprints.upnyk.ac.id/id/eprint/50329

Actions (login required)

View Item