Seiring berjalannya waktu, kebutuhan ruang penyimpanan data semakin meningkat. Sehingga kompresi data seperti kompresi Discrete Cosine Transform (DCT) diperlukan untuk menghemat ruang. Di waktu yang bersamaan, kecerdasan buatan mulai berkembang pesat termasuk pada bidang komputer visi. YOLO (You Only Look Once) menjadi algoritma yang populer pada sistem deteksi objek, karena kecepatan dan efisiensi dalam mendeteksi objek.
Namun performa deteksi objek sendiri sangat bergantung pada kualitas gambar yang diinput. Sehingga perlu ada penelitian untuk mengetahui seberapa besar performa YOLOv5 pada gambar jika mengalami dikompresi, termasuk secara kompresi dengan ekstrim.
Penelitian ini dilakukan dengan mengompreskan gambar pada dataset COCO menggunakan metode DCT dengan koefisien frekuensi tinggi DCT mulai dari 1.00, 0.95, 0.90, hingga 0.05. Kemudian gambar yang telah dikompresi akan dideteksi di sistem YOLOv5 untuk kemudian menghasilkan gambar dengan bounding box dan label. Setelah dideteksi, kemudian dihitung rata-rata nilai keyakinan (confidence score), Intersection over Union (IoU), dan mean Average Precition (mAP) pada setiap faktor koefisien frekuensi tinggi DCT dengan menggunakan koefisien frekuensi tinggi DCT 100% sebagai ground truth.
Dari penelitian ini, untuk mengetahui performa deteksi objek YOLOv5 terhadap gambar yang dikompres dengan metode DCT, dilakukan dengan menggunakan nilai rata rata dari confidence score, mean Average Precision (mAP) dan IoU. dan ditemukan bahwa pada koefisien frekuensi tinggi DCT 30% ke bawah, terjadi penurunan signifikan