Deteksi cacat tekstil secara otomatis masih menghadapi tantangan dalam hal

akurasi dan efisiensi, terutama pada objek kecil dan area dengan kepadatan cacat

yang tinggi. Dalam konteks teknologi informasi, permasalahan utama terletak pada

bagaimana merancang sistem deteksi objek yang tidak hanya akurat dan cepat,

tetapi juga dapat diimplementasikan secara efisien pada perangkat dengan sumber

daya terbatas. Model YOLOv8 dan SSD dipilih karena populer, mudah

diimplementasikan, dan memiliki keseimbangan antara akurasi dan efisiensi.

Namun, keduanya memiliki keterbatasan dalam mendeteksi objek kecil secara

presisi. Oleh karena itu, penelitian ini mengkaji penambahan attention mechanism

berupa Convolutional Block Attention Module (CBAM) ke dalam masing-masing

arsitektur. Eksperimen awal dilakukan dengan variasi batch size dan epoch untuk

mengukur performa baseline menggunakan dataset ZJU-Leaper. Hasil

menunjukkan bahwa YOLOv8 secara konsisten memiliki performa lebih tinggi

dengan mAP tertinggi sebesar 74.7%, sementara SSD hanya mencapai 44.8%.

Penerapan CBAM menyebabkan penurunan drastis pada SSD hingga mAP 2.7%,

sedangkan YOLOv8 mengalami penurunan moderat menjadi 65.8%. Evaluasi

lanjutan dengan metode 5-Fold Cross Validation menunjukkan YOLOv8 tetap

unggul dengan rata-rata mAP sebesar 79.1%, sedangkan SSD mengalami sedikit

peningkatan menjadi 44.6% dengan CBAM, namun membutuhkan waktu pelatihan

lebih lama. Temuan ini menunjukkan bahwa YOLOv8 lebih andal dan akurat dalam

mendeteksi cacat tekstil dibandingkan SSD. Penerapan attention mechanism

(CBAM) tidak selalu meningkatkan performa. Pemilihan model, konfigurasi yang

tepat, serta sumber daya komputasi menjadi faktor penting dalam membangun

sistem deteksi cacat berbasis deep learning yang efektif.

Kata kunci: Attention Mechanism, Deep Learning, Deteksi Cacat Tekstil, SSD,

YOLOv8