ANALISIS KINERJA YOLO UNTUK DETEKSI MANUSIA MENGGUNAKAN OBJECT TRACKING PADA SISTEM KEAMANAN GARASI BERBASIS MONITORING VIDEO

Keamanan garasi sebagai area privat sangat krusial untuk mencegah tindak kriminalitas. Namun, sistem pemantauan konvensional saat ini masih bersifat pasif, dan menemukan keseimbangan algoritma deteksi objek yang cepat sekaligus akurat untuk sistem cerdas masih menjadi tantangan utama. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja model YOLOv8s, YOLOv11s, dan YOLOv26s yang diintegrasikan dengan object tracking berbasis garis Region of Interest (ROI) guna mendeteksi intrusi manusia secara efisien. Metode yang digunakan adalah eksperimen kuantitatif melalui pelatihan ketiga model menggunakan dataset citra publik pada platform Google Colab ber-GPU T4. Evaluasi kinerja diukur secara komprehensif berdasarkan parameter Precision, Recall, mAP, FPS, dan Latency. Hasil penelitian menunjukkan bahwa YOLOv8s merupakan model paling optimal untuk monitoring real-time dengan kecepatan 54,48 FPS dan latensi 18,35 ms. Di sisi lain, YOLOv26s memberikan tingkat presisi deteksi tertinggi sebesar 0,8710 meskipun mencatatkan kecepatan proses yang lebih rendah, yaitu 14,29 FPS.