Perpustakaan Digital ITB

Perbanyakan kelapa sawit (Elaeis guineensis) secara in vitro melalui kultur jaringan sangat penting untuk menghasilkan bibit unggul dalam jumlah besar. Namun, kontaminasi mikroba menjadi tantangan utama karena dapat menurunkan kualitas dan produktivitas kultur. Deteksi kontaminasi secara manual membutuhkan waktu dan tenaga, serta rawan kesalahan. Teknologi visi komputer seperti YOLO-Seg mulai digunakan untuk mendeteksi kontaminasi secara otomatis dengan presisi tinggi hingga tingkat piksel. Namun, model seperti ini memerlukan daya komputasi besar, yang tidak selalu tersedia di laboratorium dengan sumber daya terbatas. Penelitian ini bertujuan mengoptimalkan YOLO-Seg menggunakan teknik structured pruning agar lebih efisien tanpa kehilangan akurasi. Penelitian ini membandingkan tiga metode structured pruning, yaitu HSIC-Lasso, Isomorphic Pruning, dan Weighted Hybrid Criterion (WHC), untuk meningkatkan efisiensi model. Evaluasi dilakukan berdasarkan kecepatan pelatihan, waktu inferensi, penggunaan memori, konsumsi energi, serta akurasi dalam mendeteksi koloni mikroba. DepGraph-HSIC memadukan analisis dependency-graph dengan seleksi filter HSIC-Lasso, sehingga mampu memangkas filter, FLOPs, parameter, dan ukuran model lebih agresif daripada metode lain tanpa mengorbankan akurasi. Proses pruning progresif yang layer-aware menjaga stabilitas kinerja sambil mencapai penurunan FLOPs hingga 74 % pada rasio prune 0,7, merampingkan model menjadi ± 4,7 MB. Dampaknya, jejak VRAM dan konsumsi daya GPU turun sekitar 0.2, menjadikan DepGraph-HSIC sangat efisien untuk implementasi pada perangkat dengan keterbatasan sumber daya.