PENGARUH AUGMENTASI PADA DETEKSI IMAGE MAKANAN KHAS KALIMANTAN BARAT MENGGUNAKAN METODE YOU ONLY LOOK ONCE (YOLO)

Abstract

Kalimantan Barat memiliki beragam makanan khas yang mencerminkan kekayaan budaya dan tradisi masyarakatnya. Namun, dokumentasi visual mengenai makanan khas tersebut masih terbatas, sehingga diperlukan suatu sistem yang mampu mengenali dan mengklasifikasikan citra makanan secara otomatis. Penelitian ini bertujuan untuk mendeteksi gambar makanan khas Kalimantan Barat menggunakan metode YOLOv8n serta menganalisis pengaruh augmentasi data terhadap performa model deteksi objek. Dataset yang digunakan terdiri dari 15 kelas makanan khas Kalimantan Barat, dengan total ribuan gambar yang diperoleh melalui pengumpulan data melalui internet dan menggunakan ponsel. Penelitian dilakukan melalui enam skenario pelatihan berbeda dengan variasi teknik augmentasi, seperti flipping, rotasi, dan perubahan kecerahan. Model dilatih menggunakan Google Colab dengan konfigurasi 100 epoch, batch size 16, image size 640×640, dan mekanisme early stopping untuk mencegah overfitting. Hasil pengujian menunjukkan bahwa augmentasi data berpengaruh positif terhadap peningkatan performa model. Performa terbaik diperoleh pada skenario 6 dengan nilai F1-score sebesar 0.847, Precision 0.868, Recall 0.828, mAP50 0.89, dan mAP50–95 0.587 dengan jumlah dataset sebanyak 2.520 gambar. Skenario ini menunjukkan keseimbangan terbaik antara precision, recall, dan accuracy, sehingga dapat dikategorikan sebagai performa optimal dari keseluruhan pengujian. Dengan demikan, penelitian menunjukkan bahwa jumlah data yang lebih banyak menghasilkan performa model yang lebih baik. Semakin banyak jumlah dataset terutama jika dikombinasikan dengan augmentasi yang tepat, maka semakin tinggi pula potensi performa model deteksi objek. Namun, peningkatan performa tersebut bergantung pada kualitas data, keberagaman sampel, serta kesesuaian teknik augmentasi yang digunakan.