Analisis Karakteristik Runtime Inferensi Model Convolutional Neural Network Secara on-Device Menggunakan Core ML

Fazariz Basya, Teuku (2026) Analisis Karakteristik Runtime Inferensi Model Convolutional Neural Network Secara on-Device Menggunakan Core ML. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (270kB)
	PDF BAB_II.pdf Download (326kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (466kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (247kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (255kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (2MB)
	Archive (ZIP) 00000076122_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Penerapan edge AI mendorong eksekusi inferensi machine learning secara on- device, namun perilaku runtime-nya pada beban kerja berkelanjutan sulit diprediksi karena Core ML mendistribusikan beban ke unit komputasi melalui mekanisme scheduling yang tidak terdokumentasi. Penelitian ini menganalisis karakteristik runtime inferensi model Convolutional Neural Network (CNN) MobileNetV2 secara on-device menggunakan Core ML, serta mengkaji bagaimana perbedaan konfigurasi compute unit memengaruhi kinerja runtime. Pengukuran dilakukan secara empiris atas lima belas sesi (tiga konfigurasi MLComputeUnits, yaitu .cpuOnly, .cpuAndGPU, dan .all, dikali lima pengulangan) pada satu perangkat iPhone 17 (Apple A19, iOS 26.6) di bawah inferensi berkelanjutan selama lima menit, dengan empat metrik yang diamati: latensi, stabilitas kinerja, konsumsi energi, dan perilaku termal. Hasil menunjukkan konfigurasi .all mencatat latensi median terendah (sekitar 1,56 ms, 5,6 kali lebih cepat dari .cpuOnly) dan energi per inferensi paling hemat (sekitar 6,85 kali), sejalan dengan keterlibatan Apple Neural Engine selama sekitar 195 detik. Namun urutan tersebut tidak seragam, .cpuAndGPU paling tidak stabil sekaligus menarik daya total paling besar dan paling cepat mencapai status termal serious, sehingga hemat per inferensi tidak berarti hemat daya per satuan waktu. Tidak ada satu konfigurasi yang unggul pada keempat metrik sekaligus; .all merupakan pilihan baku paling sesuai untuk inferensi CNN berkelanjutan pada kelas perangkat ini, dengan catatan perilaku termal yang lebih berat kemungkinan muncul di luar jendela pengukuran lima menit.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Fazariz Basya, Teuku (00000076122)
Contributors:	Suryadibrata, Alethea (0322099201)
Keywords:	Apple Neural Engine, Convolutional Neural Network, Core ML, MobileNetV2, karakterisasi runtime
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	30 Jul 2026 12:00
URI:	https://kc.umn.ac.id/id/eprint/48871

Actions (login required)

View Item