Article Per Year (5 Year)
p-Index From 2021 - 2026
1.971
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Kitektro ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika JMM (Jurnal Masyarakat Mandiri) Jurnal Nasional Teknik Elektro dan Teknologi Informasi eProceedings of Engineering Telkatika: Jurnal Telekomunikasi Elektro Komputasi & Informatika
Fityanul Akhyar
Universitas Telkom
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Other

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Perbandingan Performa Jetson Nano, Jetson Xavier NX dan Lenovo Legion 5 terhadap Penggunaan YOLOv7 Ilman, Mukhamad Zidni; Novamizanti, Ledya; Akhyar, Fityanul
eProceedings of Engineering Vol. 11 No. 2 (2024): April 2024
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Akurasi tinggi dan performa merupakan hal yang penting dalam penerapan deep learning. Untukmendapatkan hal tersebut, memerlukan adanyahardware yang mumpuni dalam bidang deep learning. GPU merupakan hardware yang paling berpengaruhpada hasil akurasi deep learning. Namun, GPUmemerlukan biaya dan konsumsi daya yang tidak sedikituntuk menjalankan sebuah platform dengan performatinggi. Dalam penelitian ini ada tiga perangkat komputeryang diuji performanya melalui algoritma YOLOv7yaitu, Jetson Xavier NX, Jetson Nano, dan laptop Legiondengan GPU Nvidia Geforce GTX1650TI. Perangkatkomputer ini, sudah pernah digunakan dalam pengujianobject detection dibeberapa penelitian yang sudahdilakukan. Pengujian ini menggunakan dataset gambaryang sebelumnya berupa video lobster penangkaranAruna Indonesia di Pantai Amed, Bali. Hasilpendeteksian lobster dapat lebih maksimal lagi apabilavideo dataset yang tersedia tidak bergerak ataukameranya tetap di tempat. Sementara ini, YOLOv7merupakan pendeteksi objek yang paling unggul darisemua pendeteksi objek yang dikenal. Kualitas kecepatandan akurasi yang dimiliki YOLOv7 bisa mencapai 5 FPShingga 120 FPS dan memiliki akurasi tertinggi 56,8% APpada mAP.5-.95 diantara semua pendeteksi objek realtime yang ada dengan sekitar 30 FPS lebih tinggi padaGPU V100. Kata kunci— Akurasi tinggi, performa, FPS, AP, YOLOv7, GPU
Co-Authors Aditya, Ghanes Mahesa Alif, Menara Aulia, Agniya Tazkiya Fenty Alia Fredigo, Agno Gelar Budiman Hakim, Farhan Nur Ilman, Mukhamad Zidni Koredianto Usman Ledya Novamizanti Muhammad Hablul Barri Nasaruddin Nasaruddin Nasaruddin Nasaruddin Nasaruddin Nurinda Fadhilah Amani Nurinda Fadhilah Amani Pasaribu, Novalanza Grecea Putu Harry Gunawan RIANTIARNI, TITA Rita Purnamasari Rusdha Muharar Rusdha Muharar Rusdha Muharar, Rusdha Satria Mandala Singgih Yuliyanto Suryo Adhi Wibowo Thomhert Suprapto Siadari Tora Fahrudin Yuliyanto, Singgih Zhafar, Mochamad Noverian