Text

SKRIPSI STUDI KOMPARASI PERFORMA ALGORITMA DETEKSI OBJEK PADA RASPBERRY PI

---

Kemajuan teknologi dan komunikasi yang semakin pesat mendorong perkembangan di berbagai bidang salah satunya Artificial Intelligence (AI). Deteksi objek mempelajari bagaimana komputer mengenali objek di dalam gambar atau video dengan mendeteksi kotak batas objek. Ini memerlukan GPU untuk kinerja maksimal dan tantangan perangkat komputasi terbatas. Raspberry pi digunakan karena harga terjangkau dan dukungan komunitas kuat. Algoritma single detector, SSD dan YOLO memiliki kecepatan deteksi yang cepat dan efisien tetapi akurasi lebih rendah. Implementasi dilakukan pada raspberry pi 4 dengan mengkomparasi YOLOv5 dan MobileNet-SSDv2 untuk mendapatkan model dengan trade-off paling optimal dari akurasi, inferensi, frame rate (fps), CPU, dan suhu. Selain itu, LED digunakan untuk menunjukkan kelas objek yang terdeteksi. Jumlah dataset adalah 2526 dengan pembagian 70% training, 20% validasi, dan 10% testing. terdapat 5 kelas yaitu mobil, motor, orang, bus, dan truk. pengujian dilakukan pada input 320, 416, dan 640px. nilai akurasi (mAP) didapat dari pengujian 254. framework yang digunakan adalah tflite. Pengujian inferensi video dilakukan untuk mendapatkan rata-rata CPU, suhu, dan waktu inferensi. Yolov5n memilki trade-off yang paling optimal dibandingkan model lain. Model Yolov5n 416px (FP32) memiliki mAP @0.5 sebesar 89% dan mAP @0.5:0.05:0.95 sebesar 66,3%. Selain itu, model memiliki rata-rata fps 3,7 dan penggunaan CPU rata-rata 77,8% dengan suhu 65,7%. Pada Yolov5n 416px (INT-8) memiliki mAP @0.5 88,7% dan mAP @0.5:0.05:0.95 63,2%. Model ini memiliki rata-rata fps 4,5 dan penggunaan CPU rata-rata sebesar 85,2% dan suhu 64,5°C. Yolov5n 416px memberikan trade-off yang optimal antara akurasi, kecepatan, dan efisiensi penggunaan sumber daya dalam implementasi aplikasi praktis pada raspberry pi.
Kata kunci : Deteksi Objek, Mobilenet-SSDv2, Raspberry Pi 4, tflite, YOLOv5

---

Ketersediaan

Informasi Detail

Judul Seri

-

No. Panggil

ELEKTRO NAR S 2023

Penerbit

MAGELANG : UNIVERSITAS TIDAR., 2023

Deskripsi Fisik

XIV;63HAL;29.5CM

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

621.38

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

PRODI_S1_TEKNIK_ELEKTRO
FAKULTAS_FT

Info Detail Spesifik

-

Pernyataan Tanggungjawab

-

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar