digilib@itb.ac.id +62 812 2508 8800

Dokumen Asli
PUBLIC Open In Flip Book Dessy Rondang Monaomi

Peningkatan jumlah kendaraan bermotor, khususnya mobil, menciptakan masalah terkait keterbatasan lahan parkir yang tersedia yang menyebabkan pengendara kesulitan untuk mencari lahan parkir yang kosong. Situasi ini tidak hanya memperburuk kemacetan lalu lintas tetapi juga meningkatkan emisi polusi udara, karena pengendara harus terus bergerak mencari lahan parkir. Salah satu solusi untuk menangani masalah ini adalah dengan menyediakan informasi terkait lahan parkir kosong secara real-time untuk membantu pengendara mencari lahan parkir kosong dengan cepat. Banyak studi telah mengadopsi sensor IoT sebagai teknologi untuk mendeteksi okupansi parkir. Namun, pendekatan teknologi sensor IoT memiliki kendala dalam hal biaya yang tinggi untuk pemasangan dan pemeliharaan, terutama jika lahan parkir diperluas. Teknologi computer vision berbasis deep learning menjadi solusi alternatif untuk deteksi okupansi parkir yang lebih skalabel dan efisien dari segi biaya. Penggunaan deep learning dapat melakukan deteksi okupansi parkir dengan akurat dan fleksibel sesuai kebutuhan area lahan parkir. Namun, implementasi computer vision berbasis deep learning memerlukan sumber daya komputasi yang tinggi. Konsumsi energi yang besar dalam penggunaan metode deep learning untuk deteksi okupansi parkir juga menjadi salah satu kekurangan lainnya, mengingat sistem ini perlu berjalan terus menerus selama 24 jam setiap hari. Beberapa studi telah mengadopsi penggunaan komputasi cloud sebagai solusi untuk permasalahan ini, tetapi pendekatan tersebut memiliki kekurangan dari segi latensi pengiriman data. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem berbasis edge-cloud collaboration untuk deteksi okupansi parkir. Sistem berbasis edge-cloud collaboration dikembangkan dengan membagi beban kerja antara komputasi edge dan komputasi cloud. Komputasi edge bertugas untuk melakukan proses deteksi okupansi parkir secara langsung dari sumber data sehingga dapat mengurangi latensi. Sedangkan komputasi cloud bertugas untuk mengumpulkan sampel, mengelola dataset, melatih model deep learning, dan menampilkan hasil deteksi okupansi parkir ke para pengguna. Metode kombinasi motion detection dan object detection untuk proses deteksi okupansi parkir juga dirancang pada penelitian ini untuk menghemat penggunaan energi pada komputasi edge. Motion detection berperan dalam mendeteksi aktivitas di area lahan parkir dan meminimalisir penggunaan object detection yang membutuhkan deep learning dan mengkonsumsi banyak energi. Sistem yang dikembangkan dalam penelitian ini berhasil mengurangi latensi dalam proses deteksi okupansi parkir secara keseluruhan. Dengan memanfaatkan model YOLOv5nu dan protokol MQTT untuk pengiriman data yang lebih cepat, sistem ini mencatat peningkatan kecepatan sebesar 29,45% dibandingkan dengan penggunaan komputasi cloud saja. Selain itu, dengan mengkombinasikan proses motion detection dan object detection pada proses deteksi okupansi parkir keseluruhan, rancangan metode ini berhasil menghemat energi hingga 37,93% pada komputasi edge dibandingkan dengan penggunaan deteksi objek deep learning secara eksklusif. Sehingga, sistem yang dikembangkan pada penelitian ini dengan membagi beban kerja antara komputasi edge dan komputasi cloud menjadi edge- cloud collaboration dapat mengurangi latensi proses deteksi okupansi parkir dan sekaligus menghemat energi pada pelaksanaan prosesnya.