ANALISIS KINERJA YOLOV11 VS YOLOV8 PADA DATASET DEEPFASHION2: PENERAPAN MODEL TERBARU UNTUK DETEKSI KEPATUHAN PAKAIAN PADA APLIKASI WEB

Abstract

Pemantauan kepatuhan aturan busana (dress code) di lingkungan institusi sering kali terkendala oleh proses verifikasi manual yang subjektif dan tidak efisien. Penelitian ini bertujuan untuk merancang sistem deteksi otomatis berbasis web serta melakukan analisis komparatif antara model YOLOv8 dan model terbaru YOLOv11 dalam mengenali atribut panjang lengan pakaian. Sistem dikembangkan menggunakan arsitektur frontend React dan backend Flask, dengan model deteksi yang dilatih pada subset dataset DeepFashion2 yang terdiri dari empat kelas yang merepresentasikan variasi lengan panjang dan pendek pada kemeja serta luaran. Hasil pengujian kuantitatif menunjukkan bahwa YOLOv11 mengungguli YOLOv8 pada deteksi bounding box dengan mAP@0.5 mencapai 0,57 dan peningkatan Precision yang signifikan hingga 0,809, meskipun YOLOv8 menunjukkan stabilitas yang sedikit lebih baik pada segmentasi mask. Kinerja terendah tercatat pada kelas outwear akibat ketidakseimbangan data yang ekstrem. Secara keseluruhan, sistem terbukti mampu menyajikan status kepatuhan secara optimal, menempatkan YOLOv11 sebagai opsi model yang lebih efisien dan akurat untuk skenario pemantauan dress code otomatis