Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Ngulandoro, Mochammad Giri Wiwaha
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Performa TensorFlow Lite untuk IoT dengan ESP32 DEVKIT-C (Studi Kasus: Pengenalan Gambar Sampah di Sungai) Ngulandoro, Mochammad Giri Wiwaha; Akbar, Sabriansyah Rizqika; Prasetio, Barlian Henryranu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 7 No 7 (2023): Juli 2023
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penggunaan AI dalam IoT sangat bergantung pada keberadaan server untuk menjalankan program AI, seringkali hal ini menimbulkan beberapa masalah terutama latensi, keamanan dan biaya. Untuk mengatasi masalah-masalah tersebut, AI harus dijalankan tanpa menggunakan Cloud. Salah satu caranya adalah dengan menjalankan AI pada perangkat yang lebih dekat dengan sumber data (edge node). Teknologi yang memungkinkan hal ini adalah Tensorflow Lite. Tujuan dari penelitian ini adalah untuk menganalisis performa dari Tensorflow Lite Micro yang dijalankan di ESP32 DevKit C dengan mengujinya menggunakan input gambar dengan ukuran yang berbeda-beda dan arsitektur yang berbeda- beda. Temuan-temuan utama pada penelitian ini adalah: (1) Kuantisasi dengan metode Full integer quantization Integer Only adalah metode terbaik untuk digunakan dalam implementasi AI di ESP32 DevKit C; (2) total parameter dan ukuran input model memiliki pengaruh yang cukup signifikan terhadap performa dan Deployability pada ESP32 DevKit-C; (3) Model-model yang diuji menunjukkan Deployability yang baik pada ESP32 DevKit-C. Ini menandakan bahwa model AI yang diimplementasikan menggunakan TensorFlow Lite dapat dengan mudah diterapkan dan dijalankan pada perangkat terbatas.
Co-Authors Barlian Henryranu Prasetio Sabriansyah Rizqika Akbar