ABSTRAK :
Perkembangan teknologi drone yang pesat menuntut ketersediaan sistem deteksi
cerdas berbasis deep learning yang efisien dan responsif, khususnya ketika dijalankan di
lingkungan komputasi terbatas seperti Google Colab. Penelitian ini bertujuan untuk
membandingkan performa waktu pelatihan model deteksi drone menggunakan kombinasi
tiga runtime pemrograman, yaitu Python 3, Julia, dan R, serta berbagai akselerator
hardware yang tersedia di Google Colab, meliputi CPU, GPU T4, GPU A100, GPU L4,
dan TPU V2-8, TPU V5e-1, serta TPU V6e1. Model deteksi yang digunakan berbasis
YOLOv5 dan dilatih pada variasi epoch sebanyak 10, 50, 100, dan 250. Waktu pelatihan
dari setiap kombinasi dicatat dan dianalisis secara kuantitatif. Hasil menunjukkan bahwa
kombinasi Julia dengan GPU A100 menghasilkan waktu pelatihan tercepat pada hampir
semua skenario, diikuti oleh Python 3. Sementara itu, runtime R menunjukkan waktu
pelatihan yang jauh lebih lama dibandingkan dua runtime lainnya di seluruh jenis
akselerator. GPU A100 secara konsisten menjadi akselerator paling efisien, sedangkan
CPU menunjukkan performa paling lambat. Sebagai bentuk implementasi hasil,
dikembangkan sebuah aplikasi Web interaktif berbasis Chart.js untuk menampilkan
visualisasi hasil pengujian dalam bentuk tabel dan grafik perbandingan. Penelitian ini
memberikan kontribusi teoritis dan praktis berupa panduan konfigurasi optimal kombinasi
runtime dan akselerator dalam pelatihan model deteksi drone berbasis deep learning, serta
menyediakan alat bantu visual yang mempermudah proses analisis performa komputasi di
lingkungan cloud. Temuan ini diharapkan dapat dimanfaatkan oleh peneliti, akademisi, dan
praktisi dalam memilih strategi pelatihan model yang efisien dan tepat guna.
Kata Kunci: Deteksi Drone, Google Colab, YOLOv5, Runtime Paralel, Visualisasi Web
|