IMPLEMENTASI PRUNING PADA YOLOv8-CE UNTUK PENGENALAN JENIS RAMBU LALU LINTAS DI RASPBERRY PI 5

RACHMAWAN, MUHAMMAD HANDI (2025) IMPLEMENTASI PRUNING PADA YOLOv8-CE UNTUK PENGENALAN JENIS RAMBU LALU LINTAS DI RASPBERRY PI 5. Tugas Akhir thesis, UPN "VETERAN" YOGYAKARTA.

	Text 2. COVER_123200125_MUHAMMAD HANDI RACHMAWAN.pdf Download (321kB)
	Text 3. ABSTRAK_123200125_MUHAMMAD HANDI RACHMAWAN.pdf Download (91kB)
	Text 4. LEMBAR PENGESAHAN_123200125_MUHAMMAD HANDI RACHMAWAN.pdf Download (449kB)
	Text 5. DAFTAR ISI_123200125_MUHAMMAD HANDI RACHMAWAN.pdf Download (59kB)
	Text 6. DAFTAR PUSTAKA_123200125_MUHAMMAD HANDI RACHMAWAN.pdf Download (110kB)
	Text 1. FULLTEXT_123200125_MUHAMMAD HANDI RACHMAWAN.pdf Restricted to Repository staff only Download (13MB)

Abstract

Pengenalan rambu lalu lintas secara otomatis memerlukan model deteksi objek yang
akurat dan efisien agar dapat diterapkan secara optimal pada perangkat dengan sumber daya
terbatas seperti Raspberry Pi 5. YOLOv8-CE merupakan model deteksi objek dengan
akurasi tinggi, namun memiliki kompleksitas komputasi yang tinggi sehingga kurang ideal
untuk perangkat edge. Untuk mengatasi hal ini, penelitian ini menerapkan teknik structured
channel pruning guna menyederhanakan model tanpa mengorbankan kinerja deteksi.
Model dilatih menggunakan dataset CCTSDB 2021 yang telah teranotasi. Proses
pruning dilakukan dengan beberapa variasi rasio pemangkasan. Evaluasi dilakukan dalam
dua tahap, tahap pertama merupakan evaluasi akurasi menggunakan metrik mAP50,
precision, dan recall. Tahap selanjutnya dilakukan evaluasi performa di Raspberry Pi 5
melalui kecepatan inferensi dan konsumsi memori.
Hasil menunjukkan bahwa pruning dapat menyederhanakan struktur YOLOv8-CE
secara signifikan tanpa penurunan kinerja yang berarti. Model dengan pruning rate 41%
memberikan hasil terbaik, dengan penurunan mAP50 sebesar 3,6% (dari 0,726 menjadi
0,700), pengurangan parameter sebesar 57%, dan penurunan kompleksitas komputasi
sebesar 51%. Pengujian di Raspberry Pi 5 juga menunjukkan peningkatan kecepatan
inferensi sebesar 47,3% dan penurunan konsumsi memori sebesar 5,5%. Temuan ini
membuktikan bahwa teknik pruning efektif untuk mengoptimalkan model deteksi objek agar
lebih efisien pada perangkat edge seperti Raspberry Pi 5.
Kata kunci: YOLOv8-CE, pruning, LAMP, rambu lalu lintas

Item Type:	Tugas Akhir (Tugas Akhir)
Additional Information:	MUHAMMAD HANDI RACHMAWAN (penulis) - 123200125 ; Dhimas Arief Dharmawan (pembimbing)
Uncontrolled Keywords:	YOLOv8-CE, pruning, LAMP, rambu lalu lintas
Subjek:	Q Science > QA Mathematics > QA76 Computer software
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	A.Md Eko Suprapti
Date Deposited:	23 Oct 2025 01:48
Last Modified:	23 Oct 2025 01:48
URI:	http://eprints.upnyk.ac.id/id/eprint/44838

Actions (login required)

View Item