Tesis Fatih Seida ini berfokus pada optimalisasi deteksi kontaminasi mikroba dalam kultur jaringan kelapa sawit yang vital. Meskipun model visi komputer YOLO-Seg mampu mendeteksi kontaminasi secara otomatis dengan presisi tinggi, kebutuhan komputasinya yang besar menjadi kendala di laboratorium dengan sumber daya terbatas. Penelitian ini mengimplementasikan teknik *structured pruning* pada arsitektur YOLO-Seg untuk meningkatkan efisiensi tanpa mengorbankan akurasi.
Melalui perbandingan tiga metode *pruning*, ditemukan bahwa DepGraphHSIC, yang memadukan analisis *dependency graph* dengan seleksi filter HSICLasso, merupakan yang paling efektif. Metode ini berhasil mengurangi FLOPS model hingga 74% dan ukurannya menjadi sekitar 4.7 MB sambil mempertahankan akurasi. Dengan demikian, DepGraphHSIC secara signifikan menurunkan konsumsi VRAM dan daya GPU, menjadikannya solusi yang sangat efisien untuk penerapan AI berkelanjutan di lingkungan dengan keterbatasan sumber daya.
