Pengaruh Kompresi DCT Terhadap Performa Deteksi Objek Menggunakan YOLOv5
Abstract
Abstrak - Seiring berjalannya waktu, kebutuhan ruang penyimpanan data semakin meningkat. Sehingga kompresi data seperti kompresi Discrete Cosine Transform (DCT) diperlukan untuk menghemat ruang. Di waktu yang bersamaan, kecerdasan buatan mulai berkembang pesat termasuk pada bidang komputer visi. YOLO (You Only Look Once) menjadi algoritma yang populer pada sistem deteksi objek, karena kecepatan dan efisiensi dalam mendeteksi objek. Namun performa deteksi objek sendiri sangat bergantung pada kualitas gambar yang diinput. Sehingga perlu ada penelitian untuk mengetahui seberapa besar performa YOLOv5 pada gambar jika mengalami dikompresi, termasuk secara kompresi dengan ekstrim. Penelitian ini dilakukan dengan mengompreskan gambar pada dataset COCO menggunakan metode DCT dengan koefisien frekuensi tinggi DCT mulai dari 1.00, 0.95, 0.90, hingga 0.05. Kemudian gambar yang telah dikompresi akan dideteksi di sistem YOLOv5 untuk kemudian menghasilkan gambar dengan bounding box dan label. Setelah dideteksi, kemudian dihitung rata-rata nilai keyakinan (confidence score), Intersection over Union (IoU), dan mean Average Precition (mAP) pada setiap faktor koefisien frekuensi tinggi DCT dengan menggunakan koefisien frekuensi tinggi DCT 100% sebagai ground truth. Dari penelitian ini, untuk mengetahui performa deteksi objek YOLOv5 terhadap gambar yang dikompres dengan metode DCT, dilakukan dengan menggunakan nilai rata rata dari confidence score, mean Average Precision (mAP) dan IoU. dan ditemukan bahwa pada koefisien frekuensi tinggi DCT 30% ke bawah, terjadi penurunan signifikan Kata kunci: deteksi objek, kompresi data, DCT, YOLOv5, COCO
References
[1] U. Suwardoyo and D. Dwiyanti, “Implementasi Algoritma Discrete Cosine Transform Pada Kompresi Citra,” Jurnal Sintaks Logika, vol. 3, no. 2, pp. 28–36, Aug. 2023, doi: 10.31850/JSILOG.V3I2.2522.
[2] I. Sutrisman, N. Widiyasono, and H. Sulastri, “Implementasi Algoritma Discrete Cosine Transform Untuk Kompresi Citra Pada Marker-Based Tracking Augmented Reality,” Computatio : Journal of Computer Science and Information Systems, vol. 4, no. 1, pp. 45–54, Jul. 2020, doi: 10.24912/COMPUTATIO.V4I1.5628.
[3] Y. S. Pongtambing et al., “Peluang dan Tantangan Kecerdasan Buatan Bagi Generasi Muda,” Bakti Sekawan : Jurnal Pengabdian Masyarakat, vol. 3, no. 1, pp. 23–28, Jun. 2023, doi: 10.35746/BAKWAN.V3I1.362.
[4] M. F. Nuryasin, C. Machbub, and L. Yulianti, “Kombinasi Deteksi Objek, Pengenalan Wajah dan Perilaku Anomali menggunakan State Machine untuk Kamera Pengawas,” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 11, no. 1, p. 86, Jan. 2023, doi: 10.26760/elkomika.v11i1.86.
[5] G. V. Agustin, M. Ayub, and S. L. Liliawati, “Acne Severity Detection and Classification: Comparing You Only Look Once Methods,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 10, no. 3, pp. 468–481, Dec. 2024, doi: 10.28932/JUTISI.V10I3.9414.
[6] N. M. Muriyah, J. H. Sim, and A. Yulianto, “Evaluating YOLOv5 and YOLOv8: Advancements in Human Detection,” Journal of Information Systems and Informatics, vol. 6, no. 4, pp. 2999–3015, Dec. 2024, doi: 10.51519/JOURNALISI.V6I4.944.
[7] Moch. Lazuardi Imani, Rani Rotul Muhima, and Siti Agustini, “PENERAPAN METODE HUFFMAN DALAM KOMPRESI DATA,” Prosiding Seminar Nasional Sains dan Teknologi Terapan, vol. 9, no. 1, pp. 457–462, Oct. 2021, Accessed: Oct. 16, 2024. [Online]. Available: https://ejurnal.itats.ac.id/sntekpan/article/view/2253
[8] B. Dwi Raharja, H. WIjayanto, and D. Remawati, “PENERAPAN DISCRETE COSINE TRANSFORM (DCT) TERHADAP KOMPRESI CITRA DIGITAL,” Indonesian Journal of Business Intelligence (IJUBI), vol. 4, no. 1, pp. 31–36, Jun. 2021, doi: 10.21927/ijubi.v4i1.1790.
[9] D. N. Alfarizi, R. A. Pangestu, D. Aditya, M. A. Setiawan, and P. Rosyani, “View of Penggunaan Metode YOLO Pada Deteksi Objek: Sebuah Tinjauan Literatur Sistematis,” Dzaki Nafis|https://jurnalmahasiswa.com/index.php/aidanspk| Page 54Jurnal AI dan SPK : Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan, vol. Volume 1, no. No. 1, pp. 54–63, 2023, Accessed: Oct. 22, 2024. [Online]. Available: http://jurnalmahasiswa.com/index.php/aidanspk/article/view/144/116
[10] C. Ariya and Lina, “PERANCANGAN DETEKSI OBJEK PADA RAK TOKO MENGGUNAKAN METODE MASK RCNN,” JURNAL SISTEM INFORMASI DAN TEKNIK KOMPUTER , vol. 8, no. 2, pp. 295–299, Oct. 2023, Accessed: Oct. 23, 2024. [Online]. Available: https://ejournal.catursakti.ac.id/index.php/simtek/article/view/213/231
[11] seekFire, “Overview of model structure about YOLOv5,” GitHub. Accessed: Aug. 01, 2025. [Online]. Available: https://github.com/ultralytics/yolov5/issues/280
[12] F. Ramasari, Firdaus, S. Nita, and dan Kartika, “Penggunaan Metode You Only Look Once dalam Penentu Pindah Tanaman Cabai Besar Ternotifikasi Telegram,” Elektron : Jurnal Ilmiah, vol. 13, no. 2, pp. 45–52, Nov. 2021, doi: 10.30630/EJI.13.2.229.
[13] “intersection-over-union-for-object-detection,” Superannotate. Accessed: Aug. 01, 2025. [Online]. Available: https://www.superannotate.com/blog/intersection-over-union-for-object-detection
[14] S. Yuliyanto, N. F. Amani, F. Akhyar, and K. Usman, “SISTEM INSPEKSI PERMUKAAN BAJA BERBASIS DEEP LEARNING MENGGUNAKAN METODE ANCHOR-FREE,” Jurnal Ilmiah Teknik Mesin, Elektro dan Komputer, vol. 2, no. 3, pp. 184–190, Nov. 2022, doi: 10.51903/JURITEK.V2I3.364.
[15] R. F. Putra and D. I. Mulyana, “Optimasi Deteksi Objek Dengan Segmentasi dan Data Augmentasi Pada Hewan Siput Beracun Menggunakan Algoritma You Only Look Once (YOLO),” Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi), vol. 8, no. 1, pp. 93–103, Jan. 2024, doi: 10.35870/JTIK.V8I1.1391
