Perancangan dan Implementasi Subsistem Inferensi pada Sistem Deteksi Motif Kain Tapis Portable Berbasis Raspberry Pi 4
Kain tapis merupakan salah satu warisan budaya khas Provinsi Lampung yang memiliki beragam motif dengan karakteristik visual dan nilai filosofis yang berbeda. Proses identifikasi motif kain tapis umumnya masih dilakukan secara manual melalui pengamatan visual, sehingga memerlukan ketelitian, pengalaman, dan waktu yang relatif lama. Perkembangan teknologi Computer Vision dan Deep Learning memberikan peluang untuk mengotomatisasi proses identifikasi motif menggunakan algoritma You Only Look Once (YOLO). Namun, implementasi model Deep Learning pada perangkat keras dengan sumber daya komputasi terbatas, seperti Raspberry Pi, masih menghadapi tantangan terkait efisiensi proses inferensi. Oleh karena itu, penelitian ini bertujuan mengimplementasikan dan mengevaluasi inferensi beberapa varian model YOLO pada Raspberry Pi menggunakan framework NCNN untuk memperoleh model yang paling sesuai dalam mendeteksi motif kain tapis. Metode penelitian meliputi konversi model YOLO ke format NCNN, implementasi model pada Raspberry Pi, serta pengujian inferensi menggunakan citra motif kain tapis. Evaluasi dilakukan berdasarkan waktu inferensi, nilai Confidence Score, dan keberhasilan deteksi pada setiap varian model yang diuji. Hasil penelitian menunjukkan setiap varian model YOLO memiliki karakteristik performa yang berbeda ketika dijalankan pada Raspberry Pi. Model dengan kompleksitas yang lebih rendah menghasilkan waktu inferensi yang lebih cepat, sedangkan model yang lebih kompleks memerlukan waktu pemrosesan lebih lama meskipun memiliki kemampuan deteksi yang baik. Berdasarkan hasil evaluasi tersebut, diperoleh model yang memberikan keseimbangan terbaik antara kecepatan inferensi, efisiensi penggunaan sumber daya perangkat, dan performa deteksi, sehingga layak diterapkan pada sistem pendeteksi motif kain tapis berbasis Raspberry Pi.
URI
https://repo.itera.ac.id/depan/submission/SB2609120010
Keyword
Lampung Tapis Inferensi model Raspberry Pi YOLO NCNN Computer Vision