EVALUASI KINERJA KOMPUTER MIKRO RASPBERRY PI DENGAN PEMBELAJARAN MESIN UNTUK PENGENALAN WAJAH

Implementasi sistem pengenalan wajah pada perangkat tertanam seringkali dibatasi oleh sumber daya komputasi yang terbatas dan biaya hardware yang tinggi. Studi ini bertujuan untuk mengevaluasi dan membandingkan kinerja algoritma Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) pada mikrokomputer Raspberry Pi 4B. Metode penelitian melibatkan pengujian arsitektur CNN dan kernel SVM pada dataset Kaggle yang terdiri dari 2.000 gambar wajah dari lima kelas identitas. Parameter evaluasi yang digunakan meliputi akurasi, presisi, recall, F-Score, penggunaan sumber daya (CPU/RAM), dan kecepatan inferensi. Hasil pengujian menunjukkan bahwa algoritma CNN mencapai akurasi tertinggi sebesar 93%, namun memerlukan waktu inferensi yang lebih lama, yaitu rata-rata 268.52 ms per citra. Di sisi lain, SVM mencapai akurasi 87% dengan waktu inferensi yang jauh lebih cepat, yaitu rata-rata 8.02 ms per citra. Berdasarkan hasil uji, studi ini menyimpulkan bahwa meskipun CNN unggul dalam akurasi, SVM lebih direkomendasikan untuk aplikasi sistem biometrik real-time pada mikrokomputer karena efisiensi waktu komputasi dan penggunaan sumber daya yang lebih rendah.