EVALUASI KINERJA MODEL YOLOV8 UNTUK DETEKSI OBJEK KECIL PADA ALAT BEDAH DENGAN DUKUNGAN AUGMENTASI ROBOFLOW

Abstract

Deteksi alat bedah secara otomatis di ruang operasi berpotensi meningkatkan keselamatan pasien dan efisiensi kerja tim medis, namun deteksi alat berukuran kecil masih menantang karena ukuran objek yang hanya mencakup sedikit piksel, occlusion, pantulan alat, serta ketidakseimbangan kelas pada dataset publik. Penelitian ini bertujuan merancang, mengimplementasikan, dan mengevaluasi model deteksi alat bedah kecil berbasis YOLOv8 dengan dukungan preprocessing dari platform Roboflow. Dataset yang digunakan adalah Surgical Tools Detection dari Roboflow, kemudian diverifikasi anotasinya dan diproses melalui augmentasi seperti resizing ke 640×640 piksel, flipping, serta penyesuaian exposure untuk memperkaya variasi data. Dataset dibagi menjadi train (70%), validasi (20%), dan test (10%) agar evaluasi objektif. Pelatihan dilakukan menggunakan Ultralytics YOLOv8 pada lingkungan komputasi GPU, dengan pemilihan bobot terbaik berdasarkan performa validasi. Evaluasi akhir pada data uji memakai metrik precision, recall, dan mean Average Precision (mAP). Hasil menunjukkan model mencapai precision 89,3%, recall 86,7%, dan mAP50 91,5%, menandakan YOLOv8 yang dipadukan dengan preprocessing Roboflow mampu mendeteksi alat bedah kecil secara akurat dan cukup stabil untuk skenario real-time simulatif. Temuan ini menegaskan pentingnya pipeline end-to-end yang terstruktur dan augmentasi berbasis domain untuk meningkatkan kinerja small object detection pada citra bedah.