Jurnal Algoritma, Logika dan Komputasi

Perkembangan pesat teknologi Unmanned Aerial Vehicle (UAV) telah meningkatkan kebutuhan akan sistem deteksi objek yang mampu mengidentifikasi target udara secara akurat dan real-time. Salah satu pendekatan yang banyak digunakan adalah algoritma deteksi objek berbasis deep learning dari keluarga You Only Look Once (YOLO). Penelitian ini bertujuan untuk membandingkan performa dua arsitektur deteksi objek terkini, yaitu YOLOv8 dan YOLOv11, dalam mendeteksi UAV menggunakan dataset kustom. Kedua model dilatih menggunakan dataset yang sama selama 100 epoch untuk memastikan perbandingan yang objektif. Evaluasi dilakukan menggunakan metrik mean Average Precision ([email protected]), Precision, Recall, F1-score, Precision-Recall Curve, serta Confusion Matrix.Hasil penelitian menunjukkan bahwa YOLOv8 memperoleh performa deteksi yang lebih baik dibandingkan YOLOv11 pada sebagian besar metrik evaluasi. YOLOv8 mencapai nilai [email protected] sebesar 88,1% dengan F1-score maksimum sebesar 0,86 pada confidence threshold 0,373, sedangkan YOLOv11 memperoleh [email protected] sebesar 85,5% dan F1-score maksimum sebesar 0,83 pada confidence threshold 0,359. Analisis Confusion Matrix menunjukkan tingkat True Positive sebesar 89% pada YOLOv8 dan 88% pada YOLOv11. Selain itu, kurva Precision-Recall mengindikasikan bahwa kedua model memiliki kemampuan generalisasi yang baik dalam mendeteksi target UAV berukuran kecil pada berbagai kondisi citra.Berdasarkan hasil evaluasi, dapat disimpulkan bahwa YOLOv8 memberikan akurasi deteksi yang sedikit lebih unggul dibandingkan YOLOv11 pada dataset UAV yang digunakan. Temuan ini menunjukkan bahwa YOLOv8 masih menjadi pilihan yang kompetitif untuk aplikasi deteksi UAV secara real-time yang membutuhkan tingkat akurasi tinggi.

Unmanned Aerial Vehicle (UAV);Deteksi Drone;YOLOv8;YOLOv11; Computer Vision.

P. Zhu, L. Wen, X. Bian, H. Ling, and Q. Hu, “Vision Meets Drones: A Challenge,” Apr. 2018, [Online]. Available: http://arxiv.org/abs/1804.07437

L. Lanča, M. Mališa, K. Jakac, and S. Ivić, “Optimal Flight Speed and Height Parameters for Computer Vision Detection in UAV Search,” Drones, vol. 9, no. 9, Sep. 2025, doi: 10.3390/drones9090595.

S. Bumbaca and E. Borgogno-Mondino, “On the Minimum Dataset Requirements for Fine-Tuning an Object Detector for Arable Crop Plant Counting: A Case Study on Maize Seedlings,” Remote Sens. (Basel)., vol. 17, no. 13, Jul. 2025, doi: 10.3390/rs17132190.

C. Chen et al., “YOLO-Based UAV Technology: A Review of the Research and Its Applications,” Mar. 01, 2023, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/drones7030190.

L. Liu, L. Meng, X. Li, J. Liu, and J. Bi, “WCD-YOLOv11: A lightweight YOLOv11 model for the real-time image processing in UAV,” Alexandria Engineering Journal, vol. 133, pp. 73–88, Dec. 2025, doi: 10.1016/j.aej.2025.10.045.

P. Gao, H. T. Li, and F. Wang, “Enhanced YOLO11 for tiny object detection based on multi-scale information interaction and fusion in UAV aerial images,” J. Comput. Des. Eng., vol. 13, no. 4, pp. 97–113, Apr. 2026, doi: 10.1093/jcde/qwag028.

Z. Sun, G. Zhang, Y. Xing, and Y. Liu, “A Scale-Adaptive Aggregation and Multi-Domain Feature Fusion Architecture for Small-Target Detection in UAV Aerial Imagery,” Sensors, vol. 26, no. 5, Mar. 2026, doi: 10.3390/s26051610.

X. Zhai, Z. Huang, T. Li, H. Liu, and S. Wang, “YOLO-Drone: An Optimized YOLOv8 Network for Tiny UAV Object Detection,” Electronics (Switzerland), vol. 12, no. 17, Sep. 2023, doi: 10.3390/electronics12173664.

R. Khanam and M. Hussain, “YOLOv11: An Overview of the Key Architectural Enhancements,” Oct. 2024, [Online]. Available: http://arxiv.org/abs/2410.17725

Z. Sun, G. Zhang, Y. Xing, and Y. Liu, “A Scale-Adaptive Aggregation and Multi-Domain Feature Fusion Architecture for Small-Target Detection in UAV Aerial Imagery,” Sensors, vol. 26, no. 5, Mar. 2026, doi: 10.3390/s26051610.

H. Yan, X. Kong, T. Shimada, and H. Tomiyama, “TOE-YOLO: accurate and efficient detection of tiny objects in UAV imagery,” J. Real. Time. Image Process., vol. 22, no. 6, Dec. 2025, doi: 10.1007/s11554-025-01770-3.

N. Fadillah, Y. Putra, A. Kurniawardhani, S. Si, and M. Kom, “Evaluasi Dampak Keterbatasan Anotasi terhadap Kinerja YOLOv11 dalam Deteksi Multi-Objek Buah,” Yogyakarta, 2025.