<![CDATA[Penyandang tunanetra menghadapi tantangan dalam mobilitas mandiri akibat terbatasnya persepsi spasial terhadap lingkungan sekitar. Teknologi Monocular Depth Estimation (MDE) berbasis Deep Learning, khususnya model DepthAnythingV2, menawarkan solusi persepsi kedalaman yang akurat dan berpotensi melengkapi alat bantu konvensional. Penelitian ini berfokus pada implementasi dan optimisasi model DepthAnythingV2 menggunakan format ONNX (Open Neural Network Exchange) agar dapat beroperasi secara efisien pada smartphone Android. Metode optimisasi yang diterapkan meliputi konversi model ke format ONNX FP32 dan Dynamic INT8 Quantization untuk efisiensi komputasi pada perangkat dengan sumber daya terbatas. Evaluasi kinerja dilakukan menggunakan dataset standar KITTI dan NYU Depth V2, serta pengujian langsung pada perangkat Infinix Hot 20S. Hasil pengujian menunjukkan model Quantized INT8 mampu memberikan peningkatan kecepatan inferensi signifikan hingga 10,70x dibandingkan model asli PyTorch pada lingkungan CPU. Pada implementasi aplikasi mobile, sistem berhasil mengintegrasikan model untuk memberikan umpan balik navigasi berupa suara dan getaran adaptif secara fungsional. Kinerja aplikasi pada perangkat uji tercatat mencapai rata-rata 1 FPS dengan waktu inferensi sekitar 515 ms. Berdasarkan validasi jarak, sistem menunjukkan akurasi yang baik pada rentang 0-3 meter, dengan error 0.1 meter pada jarak dekat dan jauh, menjadikan aplikasi ini berfungsi efektif sebagai sistem pendeteksi rintangan dini untuk meningkatkan kewaspadaan pengguna terhadap lingkungan sekitar.]]>
Copyrights © 2026
