Implementasi Dan Optimasi Sistem Parkir Terintegrasi Menggunakan Yolo Dan Cnn Pada Lingkungan Edge Computing Berbasis Raspberry Pi

Abstract

Pertumbuhan jumlah kendaraan di lingkungan universitas seperti Universitas PGRI Semarang (UPGRIS) memerlukan sistem parkir otomatis yang efisien. Implementasi deep learning pada perangkat edge seperti Raspberry Pi menghadapi kendala latensi dan keterbatasan sumber daya. Penelitian ini bertujuan mengoptimalkan model YOLOv8n untuk deteksi plat nomor dan MobileNetV2 untuk deteksi lahan parkir melalui dua skema optimasi: konversi TensorFlow Lite (float32) dan gabungan structured pruning 20% dengan Post-Training Quantization (INT8). Hasil penelitian menunjukkan bahwa optimasi gabungan (Pruning+INT8) berhasil memangkas ukuran model YOLOv8n dari 11,71 MB menjadi 3,19 MB dan MobileNetV2 dari 10,84 MB menjadi 2,74 MB. Pada Raspberry Pi 4B, model YOLOv8n INT8 mencapai kecepatan stabil 2,72 FPS dengan efisiensi RAM sebesar 27,4%. Sementara pada MobileNetV2, optimasi mempercepat waktu inferensi hingga empat kali lipat dan menekan konsumsi RAM sebesar 35,6% (dari 940 MB ke 605 MB). Meskipun terjadi kompromi akurasi sebesar 2%-8% pada kondisi cahaya redup, model tetap mempertahankan performa deteksi yang reliabel. Penelitian ini menyimpulkan bahwa skema gabungan pruning dan kuantisasi INT8 merupakan solusi paling efisien untuk menyeimbangkan kecepatan inferensi dan keterbatasan memori pada perangkat edge guna mendukung sistem parkir cerdas secara real-time.