Efisiensi Custom Trained Model YOLOv8 untuk Deteksi  Truk Sebagai Bagian Dari Sistem Pengawasan Kesehatan  Struktur Jembatan - Dalam bentuk buku karya ilmiah

M.RIKO TRISAPUTRA

Informasi Umum

Kode

24.04.5074

Klasifikasi

006.37 - Computer Vision

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Computer Vision

Dilihat

182 kali

Informasi Lainnya

Abstraksi

Structural Health Monitoring (SHM) merupakan hal yang penting untuk dilakukan guna mencegah penurunan efisiensi, kerusakan, bahkan hancurnya suatu infrastruktur seperti jembatan. SHM menggunakan Wireless Sensor Network (WSN) mampu menjadi solusi salah satu permasalahan yang dialami oleh pengaplikasian SHM konvensional, yaitu biaya yang mahal. Namun, penggunaan WSN memiliki konsekuensi, yaitu membutuhkan sumber daya yang besar. Penerapan sistem yang mampu mendeteksi kendaraan berdasarkan kriteria tertentu sehingga WSN hanya akan melakukan sensing ketika dibutuhkan mampu menjadi solusi untuk permasalahan sumber daya yang dialami. Penelitian ini menawarkan pemanfaatan YOLOv8 sebagai sistem objek deteksi yang mampu mendeteksi objek berdasarkan kriteria tertentu. Penelitian ini menerapkan transfer learning dalam membangun custom trained model yang mampu mendeteksi kendaraan yang memiliki dampak signifikan terhadap struktur jembatan. Selain itu, penelitian ini juga menerapkan model compression sebagai metode yang digunakan untuk mengefisiensikan model sehingga lebih ringan dari segi ukuran dan kebutuhan komputasi. Berdasarkan pengujian yang telah dilakukan, custom trained model yang telah dibangun mendapat angka precision sebesar 0,949, recall sebesar 0,952, mAP50 sebesar 0,978, dan mAP50-95 sebesar 0,822. Angka-angka ini mengindikasikan bahwa penerapan transfer learning mampu menghasilkan model dengan performa yang baik dalam melakukan tugas objek deteksi khususnya kendaraan yang berdampak terhadap struktur jembatan. Selain itu, penerapan model compression dengan teknik quantization dan pruning sebagai pembanding, mampu mengefisiensikan ukuran model dan kebutuhan komputasi. Berdasarkan pengujian yang telah dilakukan, teknik quantization mampu memangkas ukuran model sebesar 50,93%. Sedangkan teknik pruning dengan prune-rate 0.7, mampu memangkas hingga 68,44%. Selain itu, pemangkasan inference time yang dilakukan oleh teknik pruning dengan prune-rate 0.7 juga mampu memangkas kebutuhan komputasi yang awalnya membutuhkan waktu 213,1ms untuk melakukan deteksi pada satu gambar, menjadi hanya membutuhkan waktu 67,32ms, yang mana hal ini lebih baik jika dibandingkan dengan pemangkasan yang dilakukan oleh teknik quantization. Namun, penurunan performa yang dialami model yang diefisiensi menggunakan teknik pruning lebih signifikan jika dibandingkan dengan teknik quantization. Hal ini ditunjukkan dengan penurunan angka mAP50-95 hingga 8,64%, lebih besar jika dibanding teknik quantization yang hanya mengalami penurunan sebesar 1,46%. Berdasarkan pengujian tersebut, efisiensi model menggunakan model compression dengan teknik quantization mampu mengungguli pruning karena mampu memangkas ukuran model dengan baik tanpa mengalami penurunan akurasi secara signifikan.