PERBANDINGAN BACKBONE CSPDARKNET53, CSPRESNEXT-50, DAN EFFICIENTNET-B0 PADA YOLO V4 SEBAGAI OBJECT DETECTOR
Backbone merupakan salah satu bagian dari struktur YOLO v4. Backbone berfungsi untuk mengekstrak fitur yang terdapat pada citra sehingga backbone akan sangat berpengaruh kepada hasil dari deteksi objek. Setiap jenis backbone yang dapat digunakan pada YOLO v4 menghasilkan kemampuan deteksi yang berbeda sehingga perlu diteliti untuk mengetahui kemampuan model YOLO v4 dengan backbone berbeda. Salah satu objek penelitian yang dapat digunakan adalah citra mikrofosil. Penelitian mengenai deteksi mikrofosil sangat penting untuk membantu para peneliti dalam mengetahui spesies dari mikrofosil sebagai penentu umur batuan. Sehingga pada penelitian ini, 3 buah backbone yang terdiri dari CSPDarkNet53, CSPResNeXt-50, dan EfficientNet-B0 digunakan untuk melatih dan mendeteksi kumpulan citra yang terdiri dari 5 spesies mikrofosil foraminifera dan hasilnya dievaluasi untuk mengetahui kelebihan dan kekurangan dari setiap backbone. Hasilnya, mean average precision (mAP) model CSPDarkNet53 mencapai 83,41%, tertinggi dibandingkan backbone lainnya. Lalu model CSPDarkNet53 mendapat nilai FPS tertinggi sebesar 33,4FPS. Model CSPResNeXt-50 memiliki precision sebesar 75,60%, recall sebesar 81,10%, serta f1-score sebesar 78% dan merupakan yang tertinggi ketimbang backbone lainnya.
APA Style
. (2022).PERBANDINGAN BACKBONE CSPDARKNET53, CSPRESNEXT-50, DAN EFFICIENTNET-B0 PADA YOLO V4 SEBAGAI OBJECT DETECTOR ().Teknik Informatika:FTI
Chicago Style
.PERBANDINGAN BACKBONE CSPDARKNET53, CSPRESNEXT-50, DAN EFFICIENTNET-B0 PADA YOLO V4 SEBAGAI OBJECT DETECTOR ().Teknik Informatika:FTI,2022.Text
MLA Style
.PERBANDINGAN BACKBONE CSPDARKNET53, CSPRESNEXT-50, DAN EFFICIENTNET-B0 PADA YOLO V4 SEBAGAI OBJECT DETECTOR ().Teknik Informatika:FTI,2022.Text
Turabian Style
.PERBANDINGAN BACKBONE CSPDARKNET53, CSPRESNEXT-50, DAN EFFICIENTNET-B0 PADA YOLO V4 SEBAGAI OBJECT DETECTOR ().Teknik Informatika:FTI,2022.Text
