Optimasi Arsitektur YOLOv8n Menggunakan MobileNetV3-Small dan CBAM untuk Deteksi Objek Pada Perilaku Kunci Sapi Ternak

Oleh :
M. Bagas Abidawaqli - L0122090 - Fak. Teknologi Informasi dan Sains Data

Pemantauan perilaku sapi secara otomatis menjadi salah satu kebutuhan dalam pengembangan Precision Livestock Farming karena perubahan perilaku dapat menjadi indikator awal kondisi kesehatan dan kesejahteraan ternak. Penelitian ini bertujuan untuk merancang dan mengevaluasi modifikasi arsitektur YOLOv8n menggunakan MobileNetV3-Small sebagai backbone dan Convolutional Block Attention Module (CBAM) pada bagian neck untuk deteksi objek pada perilaku sapi ternak[MA1] . Dataset yang digunakan adalah Cow Behavior Video Dataset (CBVD-5) yang mencakup lima kelas perilaku, yaitu stand, lying down, foraging, drinking water, dan rumination. Dataset dikonversi ke format YOLO dan dibagi menjadi training set, validation set, dan testing set dengan proporsi 70%:20%:10%. Evaluasi dilakukan terhadap empat skenario model, yaitu YOLOv8n Baseline, YOLOv8n + CBAM, YOLOv8n + MobileNetV3-Small, dan YOLOv8n + MobileNetV3-Small + CBAM. Metrik evaluasi meliputi Precision, Recall, mAP50, mAP50-95, jumlah parameter, GFLOPs, serta analisis tambahan berupa confusion matrix, analisis multi-label-aware, dan analisis overlap/occlusion subset. Hasil pengujian pada Dataset Original menunjukkan bahwa YOLOv8n Baseline memperoleh performa deteksi absolut tertinggi dengan mAP50 sebesar 0,7227 dan mAP50-95 sebesar 0,3488. Model usulan YOLOv8n + MobileNetV3-Small + CBAM memperoleh mAP50 sebesar 0,6720 dan mAP50-95 sebesar 0,3217, dengan penurunan jumlah parameter dari 3,0118M menjadi 2,8354M dan GFLOPs dari 8,1985 menjadi 6,5168. Berdasarkan skor trade-off performa-kompleksitas, model usulan memperoleh skor terendah sebesar 4,2676, sehingga menunjukkan keseimbangan terbaik antara mAP50, jumlah parameter, dan GFLOPs berdasarkan formulasi yang digunakan. Selain itu, analisis multi-label-aware menunjukkan bahwa karakteristik multi-label pada dataset memengaruhi interpretasi hasil evaluasi, terutama pada pasangan label stand + foraging dan lying down + rumination. Secara keseluruhan, penelitian ini menunjukkan bahwa penggunaan MobileNetV3-Small dan CBAM dapat menghasilkan model yang lebih ringan secara struktural, meskipun disertai penurunan performa deteksi dibandingkan baseline.