P Penilitian ini dilatarbelakangi untuk menunjukan efektivitas sistem deteksi objek pada citra pakaian dalam lingkungan nyata sering kali terkendala oleh faktor gangguan background noise yang kompleks. gangguan visual tersebut dapat mengaburkan detail fitur penting dari objek yang dideteksi, sehingga berdampak pada penurunan tingkat akurasi deteksi secara signifikan. penelitian ini bertujuan untuk menganalisis dan membandingkan performa lima varian yolov11 yaitu yolov11n (nano), yolov11s (small), yolov11m (medium), yolov11l (large), dan yolov11x (extra-large) dalam mendeteksi pakaian olahraga pada kondisi citra dengan tingkat gangguan background noise yang tinggi. untuk memitigasi penurunan akurasi akibat gangguan tersebut, penelitian ini mengintegrasikan backbone efficientnet-b5 sebagai komponen pendukung ekstraksi fitur, yang dipilih berdasarkan kemampuannya dalam menangkap representasi fitur yang lebih mendalam dan detail guna memperkuat fitur input bagi detektor yolov11. dataset yang digunakan merupakan citra pakaian olahraga yang telah melalui proses pelabelan, preprocessing, serta augmentasi yang dirancang khusus untuk mensimulasikan berbagai skenario gangguan background noise yang ekstrem. kinerja setiap varian model dievaluasi secara objektif menggunakan metrik mean average precision (map@50), precision, recall, serta f1-score. hasil pengujian menunjukkan bahwa yolov11n secara konsisten mencapai performa tertinggi pada seluruh kondisi pengujian, dengan map@50 sebesar 92,05%, precision sebesar 92,12%, recall sebesar 83,90%, dan f1-score sebesar 87,82% pada kondisi baseline, serta menunjukkan ketahanan terbaik terhadap gangguan background noise dengan penurunan map@50 relatif hanya 5,17% dari kondisi baseline ke gaussian noise 0,3. sebaliknya, yolov11x menunjukkan performa dan ketahanan terendah di antara seluruh varian, yang mengindikasikan pola diminishing returns seiring peningkatan ukuran model. yolov11n juga unggul dari segi efisiensi komputasi dengan ukuran model terkecil (5,44 mb) dan waktu inferensi tercepat (52,30 ms), sehingga direkomendasikan sebagai konfigurasi paling optimal untuk sistem deteksi keaslian pakaian olahraga pada kondisi background noise.