Analisis Pengaruh Backbone EfficientNetB4 Terhadap Performa YOLOv7 dalam Deteksi dan Klasifikasi Uang Kertas

Abstract

Penelitian ini mengkaji modifikasi arsitektur YOLOv7 dengan mengganti backbone bawaan CSPDarkNet53 menggunakan EfficientNetB4 untuk menganalisis pengaruhnya terhadap performa deteksi uang kertas Bangladesh. Perkembangan teknologi computer vision, khususnya dalam deteksi objek secara real-time, memerlukan sistem yang mampu mencapai akurasi tinggi dalam membedakan objek yang memiliki kemiripan visual. Uang kertas memiliki kesamaan pada warna, tekstur, dan pola desain sehingga membutuhkan ekstraksi fitur yang kuat agar setiap denominasi dapat diklasifikasikan secara akurat. Tujuan penelitian ini adalah mengevaluasi pengaruh penggunaan EfficientNetB4 sebagai backbone pada YOLOv7 serta membandingkan performanya dengan model dasar YOLOv5 dalam hal akurasi deteksi dan efisiensi komputasi. Modifikasi hanya diterapkan pada komponen backbone dengan tetap mempertahankan struktur neck dan head asli dari YOLOv7. Dataset yang digunakan terdiri dari sembilan denominasi uang kertas Bangladesh yang telah diberi anotasi bounding box, serta diterapkan teknik augmentasi data untuk meningkatkan kemampuan generalisasi model. Seluruh model dilatih menggunakan parameter yang sama untuk memastikan perbandingan yang adil. Evaluasi performa dilakukan menggunakan Precision, Recall, F1-Score, Accuracy, dan mean Average Precision (mAP) pada ambang IoU 0.5 dan 0.5:0.95, serta analisis confusion matrix. Hasil penelitian menunjukkan bahwa penggantian backbone memberikan pengaruh signifikan terhadap karakteristik deteksi. YOLOv5 menunjukkan performa yang lebih stabil dan seimbang antara precision dan recall. Sementara itu, YOLOv7 dengan EfficientNetB4 memperoleh precision yang relatif tinggi, namun mengalami penurunan pada recall dan mAP akibat meningkatnya false negative. Temuan ini menunjukkan bahwa kompleksitas arsitektur yang lebih tinggi tidak selalu meningkatkan performa deteksi objek. Pemilihan backbone perlu mempertimbangkan kesesuaian antara desain arsitektur dan karakteristik dataset.