<![CDATA[Pertumbuhan aplikasi kebugaran berbasis kecerdasan buatan pada perangkat mobile meningkatkan kebutuhan sistem pose estimation yang efisien pada perangkat Android dengan sumber daya terbatas. Penelitian ini menganalisis pengaruh konfigurasi delegate TensorFlow Lite terhadap kinerja inferensi pose estimation serta menentukan konfigurasi model dan delegate dengan keseimbangan terbaik antara kecepatan, efisiensi sumber daya, dan ketepatan penghitungan repetisi. Penelitian menggunakan desain eksperimen faktorial penuh 3×2×2 dengan faktor delegate, model, dan jenis latihan. Konfigurasi yang diuji meliputi CPU Baseline, XNNPACK, dan GPU Delegate pada model MoveNet Lightning FP16 dan BlazePose Lite FP16. Pengujian dilakukan pada Samsung Galaxy A06 dan Samsung Galaxy A33 5G menggunakan pendekatan controlled video replay untuk gerakan squat dan push-up, dengan total 240 sesi pengujian. Metrik yang dianalisis meliputi latensi inferensi, FPS pipeline aplikasi, utilisasi CPU, penggunaan memori, dan akurasi repetisi. Hasil menunjukkan bahwa delegate menjadi faktor utama yang memengaruhi performa inferensi. GPU Delegate menghasilkan latensi terendah dan menurunkan utilisasi CPU pada kedua perangkat. Namun, konfigurasi optimal tidak bersifat universal. XNNPACK menunjukkan anomali pada Galaxy A06, tetapi menjadi alternatif kompetitif pada Galaxy A33 5G. Sistem mencapai akurasi repetisi rata-rata 99,4% pada A06 dan 98,3% pada A33. Temuan ini menunjukkan bahwa pemilihan delegate perlu dievaluasi secara empiris pada perangkat target.]]>
Copyrights © 2026
