ANALISIS PERBANDINGAN MODEL DETEKSI OBJEK MANUSIA MENGGUNAKAN METODE YOLOV10 DAN FASTER R-CNN

Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma deteksi objek, yaitu YOLOv10 dan Faster R-CNN, dalam mendeteksi manusia pada lingkungan ruang publik. Deteksi manusia sangat krusial untuk berbagai kebutuhan, seperti sistem pengawasan, analisis kerumunan, serta pengendalian kepadatan di area seperti pusat perbelanjaan, stasiun, dan stadion. Namun, proses deteksi seringkali terkendala oleh kondisi pencahayaan yang tidak stabil, latar belakang kompleks, dan jumlah objek yang padat.
Metode yang digunakan dalam penelitian ini mencakup beberapa tahapan, yaitu pengumpulan data citra dari kamera pengawas, anotasi objek menggunakan platform Roboflow, pra-pemrosesan data, pelatihan model deteksi dengan arsitektur YOLOv10 dan Faster R-CNN, serta evaluasi performa masing-masing model. Dataset yang digunakan bersifat seragam dan mencakup berbagai kondisi pencahayaan dan latar belakang untuk memastikan evaluasi yang adil.
Hasil evaluasi menunjukkan bahwa YOLOv10 menghasilkan performa lebih baik dengan nilai mAP50 sebesar 0,75, sedangkan Faster R-CNN hanya mencapai AP50 sebesar 0,67. Dengan akurasi dan kecepatan inferensi yang lebih tinggi, YOLOv10 direkomendasikan untuk implementasi pada sistem deteksi manusia secara real-time, terutama pada lingkungan dengan dinamika tinggi.

link publikasi: https://ojs.stmik-banjarbaru.ac.id/index.php/progresif/article/view/2890