Pemodelan dan Simulasi Kinerja Algoritma Deteksi Objek pada Lingkungan dengan Sumber Daya Komputasi Terbatas
Keywords:
object detection; edge computing; YOLOv8; SSD MobileNet; EfficientDet; real-time inferenceAbstract
Penerapan algoritma deteksi objek berbasis deep learning pada perangkat dengan sumber daya komputasi terbatas (edge device) menghadirkan tantangan nyata berupa trade-off antara akurasi dan kecepatan inferensi. Pemilihan algoritma yang tidak tepat dapat mengakibatkan latensi tinggi atau akurasi rendah yang tidak memenuhi kebutuhan aplikasi. Penelitian ini bertujuan menganalisis dan membandingkan kinerja beberapa algoritma deteksi objek utama YOLOv8 (varian Nano, Small, Medium), SSD MobileNet V1, dan EfficientDet Lite (Lite0, Lite2) pada berbagai kelas perangkat edge melalui tinjauan dan pemodelan berbasis data benchmark yang dipublikasikan. Metode yang digunakan adalah studi komparatif-analitik berbasis literatur dengan menyintesis data metrik inferensi, mAP COCO, dan konsumsi energi dari studi 2022–2026. Hasil analisis menunjukkan bahwa SSD MobileNet V1 mencapai waktu inferensi tercepat (22 ms pada Jetson Orin Nano) namun dengan mAP terendah (23,0%), sedangkan YOLOv8m memberikan akurasi tertinggi (mAP 50,2%) dengan konsumsi sumber daya lebih besar. YOLOv8n dan EfficientDet Lite0 muncul sebagai kandidat seimbang dengan inferensi di bawah 50 ms pada Jetson Orin Nano dan mAP di atas 33%. Penelitian ini menyimpulkan bahwa pemilihan algoritma harus mempertimbangkan kombinasi perangkat, kebutuhan latensi, dan toleransi akurasi secara terintegrasi.
References
1. Alqahtani, D., Anagnostopoulos, I., & Hadžić, A. (2024). A comprehensive evaluation of deep learning object detection models on heterogeneous edge devices. arXiv preprint arXiv:2409.16808.
2. Jocher, G., Chaurasia, A., & Qiu, J. (2023). Ultralytics YOLOv8. Ultralytics. Retrieved from https://docs.ultralytics.com/models/yolov8
3. Chiam, H. M., Wong, Y. C., Singh, R. S. S., & Anand, T. J. S. (2025). Energy optimized YOLO: Quantized inference for real-time edge AI object detection. Journal of Telecommunication, Electronic and Computer Engineering (JTEC), 17(1), 19–28.
4. Cantero, D., Esnaola-Gonzalez, I., Miguel-Alonso, J., & Jauregi, E. (2022). Benchmarking object detection deep learning models in embedded devices. Sensors, 22(11), 4205. https://doi.org/10.3390/s22114205
5. Tan, M., Pang, R., & Le, Q. V. (2020). EfficientDet: Scalable and efficient object detection. In Proceedings of CVPR (pp. 10778–10787). (Cited in studies 2022–2024.)
6. Kang, S., & Somtham, T. (2023). Performance comparison of YOLOv4-Tiny and SSD MobileNet V2 on embedded devices for real-time object detection. International Journal of Advanced Computer Science and Applications.
7. Najarantoosi, A. (2024). Benchmarking object detection deep learning models on the Jetson Orin Nano. Proceedings of ICSOC 2024. Retrieved from https://adelnadjarantoosi.info/pdf/ICSOC2024.pdf
8. Ulhaq, M. R. D., Zaidan, M. A., & Firdaus, D. (2023). Comparative performance of YOLOv8 and SSD-MobileNet algorithms for road damage detection in mobile applications. ResearchGate.
9. Lokhande, H., & Ganorkar, S. R. (2025). Object detection in video surveillance using MobileNetV2 on resource-constrained low-power edge devices. Bulletin of Electrical Engineering and Informatics, 14(1).
10. Bulut, A., Ozdemir, F., Bostanci, Y. S., & Soyturk, M. (2023). Performance evaluation of recent object detection models for traffic safety applications on edge. Proceedings of the 2023 5th International Conference on Image Processing and Machine Vision.
11. Redmon, J., & Farhadi, A. (2018). YOLOv3: An incremental improvement. arXiv preprint arXiv:1804.02767. (Cited as the foundational work of the YOLO family in 2022+ studies.)
12. Liu, W., et al. (2016). SSD: Single shot multibox detector. In ECCV. (Cited as the foundational work of SSD in 2022+ studies.)
13. Chaudhari, J. N., Galiyawala, H., Sharma, P., Shukla, P., & Raval, M. S. (2024). Onboard person retrieval system with model compression: A case study on edge AI. International Journal of Computer Vision.
Published
Issue
Section
License
Copyright (c) 2026 Rifky Septiari Wibowo, Okta Veza, Sherly Agustini (Penulis)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
