Comparative Analysis of YOLO and Faster R-CNN for Helmet Detection in Video Surveillance System

Karen Prakasiwi Sujadi, Triyogatama Wahyu Widodo, M.Kom.

2025 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI

Meningkatnya jumlah pelanggaran lalu lintas oleh pengendara sepeda motor yang tidak mengenakan helm menunjukkan perlunya sistem deteksi helm otomatis. Penelitian ini bertujuan untuk membandingkan performa dua model deteksi objek berbasis deep learning, yaitu YOLOv8 dan Faster R-CNN, dalam mengidentifikasi penggunaan helm pada lingkungan pengawasan video. Dataset diperoleh dari Roboflow dan dianotasi menjadi lima kelas objek. Kedua model dilatih dan diuji menggunakan Google Colab dengan GPU NVIDIA Tesla T4. Evaluasi dilakukan menggunakan metrik Precision, Recall, F1-Score, mean Average Precision (mAP), Matthews Correlation Coefficient (MCC), serta analisis confidence. YOLOv8 menghasilkan nilai mAP dan kecepatan inferensi yang lebih tinggi, yaitu 74,1% untuk mAP@0.5 dan 21,80 FPS. Sebaliknya, Faster R-CNN menunjukkan konsistensi klasifikasi yang lebih baik, dengan Precision sebesar 73,3?n MCC sebesar 0,6537. Pengujian robustnes menunjukkan bahwa kedua model sensitif terhadap variasi pencahayaan dan distorsi visual. Dalam pengujian video secara real-time, YOLOv8 menunjukkan performa lebih baik dengan latensi lebih rendah dan skor confidence yang lebih stabil. Temuan ini menunjukkan bahwa YOLOv8 lebih cocok untuk implementasi real-time, sedangkan Faster R-CNN lebih andal dalam kondisi pengawasan yang terkendali.

The increasing number of traffic violations involving motorcyclists not wearing helmets highlights the need for an automated helmet detection system. This research aims to compare the performance of two deep learning-based object detection models, YOLOv8 and Faster R-CNN, for identifying helmet use in video surveillance environments. The dataset was collected from Roboflow and annotated into five object classes. Both models were trained and tested using Google Colab with NVIDIA Tesla T4 GPU. Evaluation was conducted using Precision, Recall, F1-Score, mean Average Precision (mAP), Matthews Correlation Coefficient (MCC), and confidence metrics. YOLOv8 achieved higher mAP and inference speed, with 74.1% mAP@0.5 and 21.80 FPS. In contrast, Faster R-CNN demonstrated better classification consistency, achieving 73.3% precision and an MCC of 0.6537. Robustness tests showed that both models were sensitive to lighting and distortion variations. In real-time video inference, YOLOv8 delivered better performance with faster latency and more stable confidence scores. The findings suggest that YOLOv8 is more suitable for real-time deployment, while Faster R-CNN offers more reliable classification under controlled conditions.

Kata Kunci : Helmet Detection, YOLOv8, Faster R-CNN, Object Detection, Surveillance