Yohana, Laura (2026) MODIFIKASI RTMDET UNTUK MENINGKATKAN PERFORMA DETEKSI SAMPAH OUTDOOR PADA DATASET YANG TIDAK SEIMBANG. Masters thesis, UNIVERSITAS ATMA JAYA YOGYAKARTA.

Text (COVER)
235312170_Bab 0.pdf

File Pdf (305kB)
Text (BAB I)
235312170_Bab 1.pdf

File Pdf (378kB)
Text (BAB II)
235312170_Bab 2.pdf

File Pdf (385kB)
Text (BAB III)
235312170_Bab 3.pdf
Restricted to Registered users only

File Pdf (3MB)
Text (BAB IV)
235312170_Bab 4.pdf
Restricted to Registered users only

File Pdf (2MB)
Text (BAB V)
235312170_Bab 5.pdf
Restricted to Registered users only

File Pdf (4MB)
Text (BAB VI)
235312170_Bab 6.pdf
Restricted to Registered users only

File Pdf (323kB)
Text (BAB VII)
235312170_Bab 7.pdf

File Pdf (316kB)

Abstract

Computer vision sebagai salah satu bentuk perkembangan teknologi dapat
berperan dalam mendukung pengelolaan sampah secara otomatis seperti deteksi
sampah outdoor. Namun, performa deteksi masih menghadapi beberapa tantangan,
seperti distribusi data yang tidak seimbang, karakteristik objek sampah yang
beragam, serta representasi fitur yang belum optimal. Penelitian ini bertujuan untuk
meningkatkan performa deteksi objek sampah outdoor pada model RTMDet
melalui integrasi Repeat Factor Sampling (RFS), DySample, Efficient Multi-scale
Attention (EMA), dan Ghost Module pada CSPNeXt (GCSPNeXt).
Penelitian menggunakan dataset TACO yang telah di-filter menjadi dataset
objek sampah outdoor dengan 27 superkategori. RFS diterapkan untuk mengatasi
ketidaksimbangan distribusi data, DySample untuk mempertahankan informasi
spasial selama proses upsampling, EMA diletakkan di feature map level P4
sebelum convolution head untuk memperkuat fitur multiskala melalui mekanisme
feature grouping dan attention, sedangkan GCSPNeXt digunakan tepat sebelum
feature map dari backbone CSPNeXt diteruskan ke CSPNeXt-PAFPN untuk
mengurangi informasi redundan pada feature map yang diperoleh dari proses
konvolusi, sehingga menjadi lebih efisien.
Evaluasi dilakukan menggunakan metrik mAP, dan AP berdasarkan ukuran
objek, distribusi kategori, jumlah parameter, FPS, dan latency. Skenario dilatih
sebanyak lima kali menggunakan random seed yang berbeda dengan konfigurasi
dan pembagian data yang sama. Hasil penelitian menunjukkan metode usulan mengungguli performa RTMDet dari nilai mAP mean ± std sebesar 0,123 ± 0,018
menjadi 0,148 ± 0,017, dan sebanyak 527,792 params berkurang disertai dengan penurunan FPS dan peningkatan latency yang masih dapat diterima. Hasil tersebut
menunjukkan bahwa integrasi RFS, DySample, EMA, dan GCSPNeXt pada RTMDet mampu meningkatkan performa deteksi objek sampah outdoor pada dataset dengan karakteristik tidak seimbang.

Item Type: Thesis (Masters)
Uncontrolled Keywords: deteksi sampah outdoor, RTMDet, dataset tidak seimbang, Repeat Factor Sampling, DySample, Efficient Multi-scale Attention, GCSPNeXt
Subjects: Magister Teknik Informatika > Soft Computing
Divisions: Pasca Sarjana > Magister Teknik Informatika
Date Deposited: 02 Nov 2026 03:26
Last Modified: 02 Nov 2026 03:26
URI: https://repository.uajy.ac.id/id/eprint/38075

Actions (login required)

View Item
View Item