ABSTRAK

MUHAMMAD RAIHAN MUYASSAR. Perbandingan Klasifikasi Metode CNN (ResNet-50) dan YOLOv8 pada Objek Kapal Laut (dibimbing oleh Muhammad Arafah dan Ramlah P.)
Penelitian ini membahas perbandingan performa dua arsitektur deep learning, yaitu Convolutional Neural Network (CNN) dengan ResNet-50 dan YOLOv8, dalam klasifikasi citra kapal laut. Permasalahan utama adalah kesulitan membedakan jenis kapal karena kemiripan visual yang tinggi serta variasi kondisi citra, sehingga dibutuhkan model klasifikasi yang akurat dan efisien. Tujuan penelitian ini adalah untuk menganalisis kinerja CNN (ResNet-50) dalam klasifikasi citra kapal laut, menganalisis kinerja YOLOv8 pada tugas yang sama, serta membandingkan kedua metode tersebut berdasarkan metrik evaluasi guna menentukan model yang lebih unggul dan efisien dalam pengklasifikasian kapal laut. . Data penelitian diperoleh melalui studi pustaka dan dataset yang digunakan terdiri dari enam kelas kapal (Bulkers, Car Carrier, Container Ship, Recreational, Sailboat, dan Tugboat) yang melalui proses preprocessing, augmentasi, serta penerapan transfer learning Hasil penelitian menunjukkan bahwa ResNet-50 mencapai akurasi 85%, sedangkan YOLOv8 memperoleh akurasi lebih tinggi, yaitu 91%. Keunggulan YOLOv8 ditunjang oleh efisiensi arsitekturnya dalam mengekstraksi fitur visual dan optimalisasi bobot pra-latih. Dengan demikian, YOLOv8 direkomendasikan sebagai metode yang lebih unggul untuk klasifikasi citra kapal laut dibandingkan ResNet-50.
Kata kunci : Klasifikasi Kapal Laut, CNN, Resnet-50, Yolov8, Computer Vision