ECO-FRIENDLY MOBILENET ARCHITECTURE DENGAN CONVOLUTIONAL NEURAL NETWORKS SEBAGAI PENGENAL CITRA PADA PERANGKAT MOBILE DAN PERANGKAT TERTANAM
Daftar Isi:
- Proses pengenalan citra menggunakan jutaan parameter dan data latih yang banyak serta komputasi tinggi dengan daya yang besar. Machine Learning telah mengubah paradigma komputasi, dari perhitungan kompleks dengan daya komputasi tinggi hingga teknologi ramah lingkungan yang efisien dan dapat memenuhi kebutuhan sehari-hari. Untuk mendapatkan model pelatihan yang baik, banyak studi menggunakan dataset dalam jumlah besar. Kompleksitas pada dataset yang besar membutuhkan perangkat yang besar dan membutuhkan daya komputasi yang tinggi. Oleh karena itu sumber daya komputasi yang besar tidak memiliki fleksibilitas yang tinggi terhadap kecenderungan interaksi manusia yang lebih mengedepankan efisiensi dan efektifitas dari computer vision. Penelitian ini menggunakan metode Convolutional Neural Networks (CNN) dengan arsitektur MobileNet untuk pengenalan citra pada perangkat mobile dan perangkat tertanam. Dilakukan pelatihan model dengan sumber daya yang terbatas dengan CPU berbasis ARM dan bekerja dengan jumlah data latih yang moderat (ribuan citra berlabel). Hasil penelitian ini menunjukkan bahwa arsitektur MobileNet v1 dapat melakukan klasifikasi citra dataset caltech101 dengan tingkat akurasi 92.4% menggunakan perangkat ms8pro. Dengan tingkat akurasi dan efisiensi sumber daya yang digunakan, diharapkan arsitektur MobileNet dapat mengubah paradigma machine learning sehingga memiliki tingkat fleksibilitas yang tinggi terhadap interaksi manusia yang lebih mengedepankan efisiensi dan efektifitas dari computer vision.