Analisis kelayakan implementasi model EfficientNet-B0 untuk gaze estimation pada Edge Computing

Fathurohman, Diman (2026) Analisis kelayakan implementasi model EfficientNet-B0 untuk gaze estimation pada Edge Computing. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (54kB) | Preview
Preview	Text 2_abstrak.pdf Download (160kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (571kB) | Preview
Preview	Text 4_daftar isi.pdf Download (116kB) | Preview
Preview	Text 5_bab 1.pdf Download (144kB) | Preview
	Text 6_bab 2.pdf Restricted to Registered users only Download (365kB) | Request a copy
	Text 7_bab 3.pdf Restricted to Registered users only Download (259kB) | Request a copy
	Text 8_bab 4.pdf Restricted to Registered users only Download (814kB) | Request a copy
	Text 9_bab 5.pdf Restricted to Registered users only Download (88kB) | Request a copy
	Text 10_daftar pustaka.pdf Restricted to Registered users only Download (106kB) | Request a copy

Abstract

Perkembangan teknologi deep learning telah mendorong pemanfaatan gaze estimation sebagai komponen penting dalam sistem human–computer interaction (HCI). Namun, penerapan model gaze estimation berbasis deep learning pada lingkungan nyata masih menghadapi tantangan besar, khususnya ketika dijalankan pada platform edge computing yang memiliki keterbatasan sumber daya komputasi. Oleh karena itu, penelitian ini bertujuan untuk menerapkan model EfficientNet-B0 sebagai backbone gaze estimation pada platform edge computing dengan tetap mempertahankan akurasi prediksi dan efisiensi inferensi. Penelitian ini menggunakan dataset MPIIGaze normalized subset yang terdiri darilebih dari 213.000 pasangan citra mata atau sekitar 427.316 citra mata setelahpenggabungan data mata kanan dan kiri, sebagai data pelatihan dan pengujian. Metodologi yang digunakan mengacu pada kerangka kerja CRISP-DM, dengantahapan meliputi business understanding, data understanding, data preparation,modeling, dan Evaluation. Proses preprocessing mencakup resize citra ke ukuran36×60 piksel, normalisasi piksel, serta augmentasi data berupa rotasi ringan danbrightness adjustment. Model dilatih menggunakan tiga skenario jumlah epoch (30,50, dan 70 epoch) dengan optimizer Adam dan fungsi loss Mean Squared Error(MSE) untuk menentukan konfigurasi pelatihan terbaik. Hasil penelitian menunjukkan bahwa model EfficientNet-B0 dengan pelatihan 70 epoch menghasilkan performa terbaik dengan Mean Angular Error sebesar 1,46°, Validation loss sebesar 0,000493, Average Inference Time sebesar 0,000093 detik, dan kecepatan pemrosesan mencapai 10.803,74 FPS. Hasil tersebut menunjukkan bahwa model EfficientNet-B0 mampu memberikan keseimbangan yang baik antara akurasi prediksi arah pandangan dan efisiensi komputasi, sehingga layak diterapkan pada platform edge computing untuk mendukung aplikasi HCI berbasis real-time.

Actions (login required)

View Item