<![CDATA[Penerapan deteksi jenis awan berbasis deep learning pada perangkat edge menghadapi keterbatasan sumber daya komputasi yang dapat menurunkan efisiensi inferensi. Penelitian ini menganalisis optimasi model YOLOv8 untuk deteksi 10 jenis awan pada NVIDIA Jetson Nano melalui konversi model ke format TorchScript, ONNX, NCNN, dan MNN dengan presisi FP32 dan FP16. Dataset yang digunakan terdiri atas 4.916 citra, kemudian melalui augmentasi menghasilkan 11.791 citra pelatihan. Model YOLOv8s dilatih selama 100 epoch menggunakan batch size 16, learning rate 0,001, optimizer AdamW, dan pre-trained weight YOLOv8s. Model menghasilkan precision 0,86557, recall 0,90721, F1-score 0,887, mAP50 0,92518, dan mAP50-95 0,73288, dengan bobot terbaik diperoleh pada epoch ke-42. Pengujian pada Jetson Nano menunjukkan NCNN FP16 memberikan performa komputasi terbaik dengan processing time 761,99 ms dan FPS 1,31, meningkat sekitar 6,9 kali dibandingkan baseline PyTorch sebesar 5.238,57 ms dan 0,19 FPS. Nilai mAP50 tetap 0,9927, sedangkan mAP50-95 sebesar 0,8683. Hasil tersebut menunjukkan bahwa NCNN FP16 merupakan format yang paling optimal untuk implementasi YOLOv8 pada Jetson Nano karena mampu meningkatkan efisiensi inferensi dengan penurunan akurasi yang relatif kecil.]]>
Copyrights © 2026
