Analisis Dampak Post-Training Quantization Terhadap Efisiensi dan Performa Model Lightweight CNN Pada Klasifikasi Sampah Berbasis Raspberry Pi 4

Ramadhan, Ghiyas Akhtar Razi
Putri, Rekyan Regasari Mardi

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Vol 10 No 08 (2026): Agustus 2026

Penerapan model lightweight Convolutional Neural Network (CNN) pada Raspberry Pi 4 masih menghadapi keterbatasan sumber daya, sehingga diperlukan optimasi yang tetap menjaga performa klasifikasi. Penelitian ini menganalisis dampak post-training quantization (PTQ) dengan skema static full-integer dari FP32 ke INT8 pada MobileNetV2, ShuffleNetV2, dan EfficientNet-Lite0 untuk klasifikasi empat kelas sampah. Ketiga model dikonversi ke TensorFlow Lite FP32 dan INT8, kemudian diuji menggunakan 540 citra pada Raspberry Pi 4. Setiap citra dievaluasi melalui 30 pengulangan dengan lima warm-up runs, empat thread, dan laju input 10 FPS. Ukuran model dianalisis secara deskriptif, sedangkan perubahan latency, penggunaan CPU, dan memori diuji menggunakan Wilcoxon signed-rank berdasarkan 540 pasangan rata-rata per citra. Perubahan correctness diuji menggunakan McNemar eksak. PTQ menurunkan ukuran model sebesar 69,42–70,59%, sedangkan penurunan latency, penggunaan CPU, dan memori signifikan pada seluruh arsitektur. F1-macro menurun sebesar 0,7325 poin persentase pada MobileNetV2, 1,7094 pada ShuffleNetV2, dan 0,9237 pada EfficientNet-Lite0. McNemar menunjukkan perubahan correctness signifikan hanya pada ShuffleNetV2 (p=0,0352). Ketiga arsitektur berada pada Pareto frontier, sehingga pemilihan model bergantung pada prioritas deployment, yaitu MobileNetV2 untuk stabilitas performa, ShuffleNetV2 untuk efisiensi maksimum, dan EfficientNet-Lite0 untuk keseimbangan.