EFISIENSI KINERJA YOLOV5 MENGGUNAKAN TEKNIK KUANTISASI UNTUK DETEKSI OBJEK REAL-TIME PADA KONDISI PENCAHAYAAN MINIM

Deteksi objek secara real-time pada perangkat seperti CCTV menghadapi dua tantangan utama: penurunan akurasi yang signifikan dalam kondisi pencahayaan minim dan keterbatasan sumber daya komputasi perangkat keras. Model deep learning seperti YOLOv5, yang umumnya beroperasi pada presisi floating-point 32-bit (FP32) , memiliki ukuran file yang besar dan latensi inferensi yang tinggi, sehingga tidak efisien untuk implementasi on-device. Kondisi minim cahaya, yang dipenuhi noise dan kontras rendah, semakin menurunkan kinerja deteksi model-model ini. Penelitian ini bertujuan mengevaluasi efisiensi kinerja YOLOv5 menggunakan teknik Post-Training Quantization (PTQ) INT8 untuk deteksi objek secara real-time pada kondisi pencahayaan minim. Eksperimen dilakukan menggunakan aliran video CCTV secara langsung selama 60 menit pada perangkat laptop berbasis prosesor AMD tanpa GPU khusus. Model YOLOv5 FP32 dibandingkan dengan model YOLOv5 yang dikonversi ke ONNX dan dikuantisasi menjadi INT8 dengan preprocessing CLAHE yang sama. Hasil pengujian menunjukkan bahwa model YOLOv5 FP32 memperoleh akurasi rata-rata 44,89% dengan 5,65 FPS, penggunaan CPU 60,95%, dan RAM 89,85%, sedangkan model ONNX INT8 memperoleh akurasi 55,27% dengan 8,60 FPS, penggunaan CPU 52,05%, dan RAM 85,35%. Hasil tersebut menunjukkan bahwa pada skenario pengujian penelitian ini, penerapan PTQ INT8 meningkatkan kecepatan inferensi dan menurunkan penggunaan sumber daya komputasi, serta menghasilkan nilai akurasi yang lebih tinggi dibandingkan model FP32.