Modifikasi Motor Lamaku Bikin Tetangga Penasaran

Modifikasi Motor Lamaku Bikin Tetangga Penasaran — konteks

Pagi itu tetangga berhenti sejenak, memandangi motor tua saya yang tampak lebih rapi dan “berotak” dibanding biasanya. Ceritanya sederhana: saya memperbaiki motor tua, mengganti karburator, dan menambahkan beberapa aksesori kecil. Sebagai seorang engineer machine learning, saya melihat paralel langsung antara meremajakan motor tua dan memodifikasi model ML legacy agar pas untuk deployment di edge. Artikel ini adalah review mendalam pengalaman saya memodifikasi “model lama” — bukan hanya mengganti suku cadang, tapi memaksa model berat menjadi ringan, cepat, dan masih andal.

Ulasan mendalam: langkah modifikasi dan hasil pengujian

Skenario uji: saya mulai dari ResNet50 pretrained (120MB) yang dipakai untuk klasifikasi gambar sepeda motor pada dataset internal ~3.000 gambar (10 kelas). Tujuan: turunkan ukuran model, tingkatkan latensi inferensi pada perangkat edge (Raspberry Pi 4 dan Jetson Nano), dengan penurunan akurasi seminimal mungkin. Langkah yang saya coba: pruning terstruktur 60%, quantization int8, knowledge distillation ke student network (MobileNetV2), serta transfer learning singkat (10 epoch, LR 1e-4).

Hasil ringkas yang saya amati setelah pipeline modifikasi: model akhir (distilled + pruned + quantized) berukuran ~12MB, latency inferensi pada Raspberry Pi 4 turun dari ~450 ms ke ~65 ms per gambar, dan pada Jetson Nano dari ~120 ms ke ~28 ms. Akurasi top-1 turun dari 92.1% menjadi 88.3% — trade-off yang masih bisa diterima untuk banyak kasus edge. Saya juga menguji throughput batch kecil (batch=8) dan melihat peningkatan ~6x pada Pi setelah optimisasi.

Detail teknis: pruning dilakukan menggunakan structured-channel pruning (menghapus filter berdasarkan L1 norm) sehingga kompatibel dengan konversi ke TFLite/ONNX. Quantization int8 memakai post-training quantization dengan kalibrasi 500 sampel; hasilnya stabil tanpa kalibrasi ulang yang rumit. Distillation memakai MobileNetV2 sebagai student, temperature 4, loss gabungan (cross-entropy + KL divergence) dengan alpha 0.7. Toolchain: PyTorch untuk training/distillation, ONNX + TensorRT untuk Jetson, dan TFLite untuk Raspberry Pi.

Kelebihan & kekurangan pendekatan ini

Kelebihan jelas. Pertama, efisiensi runtime: latency turun drastis sehingga model bisa dipakai real-time pada perangkat murah. Kedua, ukuran model turun signifikan — penting untuk storage terbatas dan update OTA. Ketiga, fleksibilitas: pendekatan kombinasi (pruning + quantize + distill) bisa diaplikasikan ke berbagai arsitektur legacy yang ingin dihemat sumber dayanya.

Tetapi tidak tanpa kompromi. Akurasi memang turun — meski tidak selalu kritis, untuk aplikasi safety-critical (mis. deteksi pengendara pejalan kaki) penurunan 3–4% bisa berarti banyak. Teknik pruning terstruktur kadang mengurangi representasi fitur halus; distillation membantu tapi tidak sepenuhnya menghapus gap. Selain itu, pipeline ini memerlukan eksperimen hyperparameter cukup banyak (pruning ratio, temperature, kalibrasi), yang menghabiskan waktu dan compute.

Saya membandingkan secara langsung dengan pendekatan alternatif: dibandingkan membangun model ringan dari nol (MobileNetV3 / EfficientNet-Lite), memodifikasi ResNet50 lebih cepat jika Anda ingin memanfaatkan pretrained weights pada dataset kecil. Namun, jika Anda memulai dari nol dan memiliki akses dataset besar, merancang model kecil dari awal sering memberikan trade-off akurasi/latensi yang lebih baik. Dalam pengujian saya, MobileNetV3 training-from-scratch (untuk dataset ini) mencapai 86.9% akurasi dengan latensi 40 ms di Jetson — lebih lambat dari model distilled tapi dengan footprint yang mirip.

Kesimpulan dan rekomendasi

Jika analogi motor tua saya membantu: ada dua pilihan ketika ingin performa lebih baik — rebuild total dengan mesin baru (desain model kecil dari awal) atau retrofit mesin lama dengan komponen efisien (pruning, quantize, distill). Untuk tim yang punya model besar dan dataset terbatas, pendekatan retrofit yang saya review di sini adalah pragmatic dan ampuh. Anda bisa memangkas ukuran model hingga ~90% dengan hit akurasi yang terukur (3–5%). Untuk deployment di edge perangkat murah, ini sering menjadi pilihan terbaik.

Praktikalitas juga penting: saat memperbaiki motor saya harus belanja suku cadang, hal serupa berlaku pada proyek ML — Anda butuh tooling yang tepat dan sumber daya (contoh: akses ke hardware akseleasi atau knowledge distillation scripts). Untuk suku cadang motor, tetangga saya merekomendasikan toko online lokal; saya sendiri sempat pakai refaccionariacentralcelaya untuk beberapa komponen—analoginya, cari “parts” ML yang tepat (pretrained weights, quantization tools, ONNX runtimes) untuk mempercepat pekerjaan.

Rekomendasi akhir: mulailah dengan benchmark baseline, tetapkan target latency dan akurasi yang masih bisa diterima, lalu iterasikan pruning+quantize+distill. Catat setiap eksperimen. Dengan pendekatan sistematis, “motor lama” Anda bisa menarik perhatian tetangga — dan model lama Anda bisa lari kencang di perangkat edge.