<![CDATA[Deteksi kendaraan real-time pada perangkat edge merupakan komponen penting dalam Sistem Transportasi Cerdas (ITS). Performa deteksi di perangkat edge sangat dipengaruhi oleh konfigurasi pelatihan seperti batch size dan resolusi input, namun pengaruh keduanya terhadap YOLO12n untuk klasifikasi kendaraan berbasis PKJI belum banyak dikaji secara sistematis. Penelitian ini mengevaluasi 16 konfigurasi pelatihan yang berasal dari kombinasi empat batch size (8, 16, 32, dan 64) dan empat resolusi input (320, 480, 640, dan 720 piksel) untuk deteksi kendaraan pada NVIDIA Jetson Orin Nano. Model yang dihasilkan kemudian diuji menggunakan dataset 9.381 citra pada tiga format inferensi, yaitu PyTorch, TensorRT FP32, dan TensorRT FP16. Hasil menunjukkan bahwa interaksi batch size dan resolusi input bersifat non-linier. Tiga konfigurasi mengalami ketidakstabilan selama pelatihan, sedangkan resolusi tinggi tidak menjamin performa real-time yang lebih baik pada perangkat edge. Konfigurasi terbaik dalam eksperimen ini adalah TensorRT FP16 pada resolusi 480 piksel (FPS = 35,01, mAP@50 = 0,9109) dengan konsumsi memori GPU setengah dari konsumsi format FP32. Temuan ini menunjukkan bahwa konfigurasi pelatihan dan strategi optimasi inferensi berperan penting dalam menentukan kelayakan deployment deteksi kendaraan pada perangkat edge.]]>
Copyrights © 2026
