Evaluasi Pengaruh Variasi Tingkat Anotasi Terhadap Performa dan Efisiensi Model YOLOv11 pada Deteksi Multi-objek Buah

Abstract

Perkembangan teknologi computer vision telah mendorong pemanfaatan model deteksi objek di berbagai bidang, termasuk pada sektor pertanian digital. Salah satu algoritma deteksi objek yang banyak digunakan adalah YOLO (You Only Look Once), yang dikenal karena kecepatan inferensi tinggi dan akurasi yang kompetitif. Kinerja model ini sangat dipengaruhi oleh kualitas serta kelengkapan anotasi pada data pelatihan. Namun, proses anotasi penuh pada dataset berukuran besar sering kali menjadi tantangan karena sifatnya yang repetitif, memakan waktu, dan membutuhkan sumber daya manusia yang signifikan. Penelitian ini bertujuan untuk mengevaluasi pengaruh variasi tingkat anotasi terhadap kinerja dan efisiensi komputasi model deteksi objek berbasis YOLOv11. Eksperimen dilakukan dengan melatih model pada lima variasi tingkat anotasi, yaitu 100%, 90%, 80%, 70%, dan 60%, menggunakan dataset enam kelas buah (anggur, apel, jeruk, rambutan, salak, dan stroberi) yang dikembangkan secara mandiri. Dua skenario pengurangan anotasi diterapkan, yaitu: (a) penghapusan anotasi pada objek yang jelas dan utuh (Skenario A), serta (b) penghapusan anotasi pada objek yang tertumpuk atau terpotong (Skenario B). Evaluasi dilakukan menggunakan metrik precision, recall, [email protected], dan [email protected]:0.95, disertai analisis hasil deteksi visual dengan aplikasi berbasis Streamlit. Selain itu, waktu pelatihan (training time) juga dianalisis untuk menilai aspek efisiensi komputasi. Hasil pengujian menunjukkan bahwa penurunan tingkat anotasi berdampak langsung pada penurunan performa model, baik dari sisi metrik maupun hasil deteksi visual. Model dengan WLQJNDWDQRWDVL PDVLKPHPSHUWDKDQNDQ SHUIRUPD \DQJVWDELOGHQJDQSHQXUXQDQ 0% dari baseline, sedangkan model dengan anotasi 60% menunjukkan degradasi signifikan pada jumlah deteksi dan tingkat kepercayaan. Dari segi efisiensi komputasi, model dengan tingkat anotasi 80% pada Skenario B terbukti mampu menghemat waktu pelatihan sekitar 9% dibanding baseline, sekaligus menjaga performa metrik yang tetap berada di atas ambang batas WROHUDQVL 7HPXDQ LQL PHQHJDVNDQ EDKZD VWUDWHJL DQRWDVL SDUVLDO VHEHVDU NKXVXVQ\D dengan pendekatan Skenario B, dapat dipertimbangkan sebagai alternatif efisien dalam mengurangi beban kerja anotasi tanpa mengorbankan akurasi secara signifikan.