Analisis Dampak Pengurangan Presisi dari FP32 ke FP16 dan INT8 terhadap Akurasi, Ukuran Model, dan Latensi Inferensi pada ResNet-18 dan MobileNetV2

⭐ William, Dylan (2026) Analisis Dampak Pengurangan Presisi dari FP32 ke FP16 dan INT8 terhadap Akurasi, Ukuran Model, dan Latensi Inferensi pada ResNet-18 dan MobileNetV2. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (439kB)
	PDF BAB_I.pdf Download (216kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (820kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (219kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (218kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (801kB)
	Archive (ZIP) 00000067644_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Kuantisasi merupakan teknik optimasi yang digunakan untuk mengurangi ukuran model dan meningkatkan efisiensi inferensi neural network pada skenario deployment dengan sumber daya terbatas, namun manfaatnya sangat bergantung pada arsitektur model dan dukungan perangkat keras. Penelitian ini mengevaluasi dampak post-training quantization terhadap kinerja convolutional neural network pada lingkungan CPU melalui konversi presisi FP32 ke FP16 dan INT8, dengan menggunakan ResNet-18 sebagai representasi model berorientasi akurasi dan MobileNetV2 sebagai representasi model berorientasi efisiensi. Evaluasi dilakukan pada dataset CIFAR-10 dengan pengujian tambahan menggunakan CIFAR-100, serta mencakup pengukuran akurasi klasifikasi, ukuran model, dan latensi inferensi pada skenario single- batch CPU inference. Hasil eksperimen menunjukkan bahwa FP16 mampu mempertahankan akurasi mendekati FP32 namun tidak memberikan percepatan inferensi dan justru meningkatkan latensi pada CPU, sedangkan kuantisasi INT8 menghasilkan percepatan inferensi yang signifikan dengan penurunan akurasi yang relatif kecil, meskipun pengurangan ukuran model terbatas. Temuan ini menegaskan bahwa kuantisasi bukan solusi universal, dan pemilihan format presisi harus disesuaikan dengan prioritas deployment, karakteristik arsitektur model, serta dukungan perangkat keras yang tersedia.

Item Type:	Thesis (Bachelor Thesis)
Creators:	William, Dylan (00000067644)
Contributors:	Wahjudi, Januar (0330017201)
Keywords:	CIFAR-10, inferensi CPU, kuantisasi, MobileNetV2, ResNet-18
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	23 Jul 2026 07:58
URI:	https://kc.umn.ac.id/id/eprint/47926

Actions (login required)

View Item