Analisis Dinamika Fungsi Loss dalam Pelatihan Model Deteksi Objek Berbasis YOLO: Studi Konvergensi, Generalisasi, dan Anomali Data pada Log Pelatihan 100 Epoch

Abstract

Penelitian ini menyajikan kajian kuantitatif atas catatan (log) proses pelatihan sebuah model deteksi objek berbasis arsitektur YOLO (You Only Look Once) sepanjang 100 epoch, dengan fokus kajian pada tiga komponen fungsi loss, yaitu box loss, classification loss, dan distribution focal loss, pada masing-masing partisi data latih dan data validasi. Metode analisis yang digunakan meliputi statistik deskriptif, visualisasi tren, deteksi outlier berbasis metode Interquartile Range (IQR), serta analisis korelasi antarvariabel. Hasil kajian menunjukkan bahwa classification loss dan distribution focal loss menunjukkan pola konvergensi yang baik pada kedua partisi data, sementara box loss pada data validasi cenderung stagnan pada nilai yang relatif tinggi, sebuah indikasi yang mengarah pada kemungkinan terjadinya kesenjangan generalisasi pada model. Selain itu, teridentifikasi pula sejumlah titik data yang menyimpang secara signifikan dari pola tren lokalnya, yang secara lebih kuat diduga merupakan kesalahan pemformatan angka dibandingkan representasi fenomena pelatihan yang aktual. Berdasarkan temuan tersebut, penelitian ini merekomendasikan perlunya audit kualitas data log secara sistematis serta penerapan ukuran statistik yang tahan terhadap outlier (outlier-robust) dalam praktik pemantauan pelatihan model ke depannya.