Analisis Perbandingan Performa Integrasi Model Deep Learning Berbasis TensorFlow Lite dan REST API untuk Klasifikasi Sampah pada Aplikasi Mobile Flutter
Keywords:
Flutter, Klasifikasi Sampah, Machine Learning, REST API, Tensorflow LiteAbstract
Pengelolaan sampah secara efisien memerlukan sistem klasifikasi citra otomatis yang dapat diimplementasikan pada perangkat mobile. Penelitian ini membandingkan performa dua pendekatan integrasi model deep learning pada aplikasi Flutter bernama GreenShift: on-device inference menggunakan TensorFlow Lite (TFLite) dan server-side inference melalui REST API. Pengujian dilakukan terhadap 51 citra yang mencakup tiga kategori sampah (anorganik, organik, dan B3) menggunakan arsitektur model yang sama. Parameter yang diukur meliputi inference time, preprocessing time, response time, total processing time, success rate, dan konsistensi prediksi. Hasil pengujian menunjukkan bahwa TFLite mencapai rata-rata total processing time sebesar 217,26 ms, sedangkan REST API memerlukan rata-rata 1.002,53 ms. Success rate kedua pendekatan mencapai 100% dengan konsistensi prediksi 100% (51/51 citra), yang membuktikan bahwa proses kuantisasi TFLite tidak mengubah hasil klasifikasi. Rata-rata inference time TFLite sebesar 126,60 ms, lebih rendah 41,65% dibandingkan inference pada sisi server (216,98 ms). Secara keseluruhan, TFLite bekerja 4,6 kali lebih cepat dibandingkan REST API dalam total processing time karena eliminasi latensi jaringan yang mencapai rata-rata 774,94 ms pada jalur API. Penelitian menyimpulkan bahwa TFLite lebih unggul untuk skenario yang membutuhkan respons cepat dan kemampuan offline, sementara REST API lebih sesuai untuk fleksibilitas pembaruan model tanpa pembaruan aplikasi klien.
References
H. E. Kim, M. E. Maros, F. Siegel, and T. Ganslandt, “Rapid Convolutional Neural Networks for Gram-Stained Image Classification at Inference Time on Mobile Devices : Empirical Study from Transfer Learning to Optimization,” no. Dl, 2022.
L. Yong, L. Ma, D. Sun, and L. Du Id, “Application of MobileNetV2 to waste classification,” pp. 1–16, 2023, doi: 10.1371/journal.pone.0282336.
M. Córdova et al., “Litter Detection with Deep Learning : A Comparative Study,” pp. 1–19, 2022.
T. Handhayani and J. Hendryli, “Leboh: An Android Mobile Application for Waste Classification Using TensorFlow Lite,” in Intelligent Systems and Applications, K. Arai, Ed., Cham: Springer International Publishing, 2023, pp. 53–67.
A. Ehsan, M. A. M. E. Abuhaliqa, and C. Catal, “applied sciences RESTful API Testing Methodologies : Rationale , Challenges , and Solution Directions,” 2022.
A. Golmohammadi, M. A. N. Zhang, and A. Arcuri, “Testing RESTful APIs : A Survey,” vol. 33, no. 1, pp. 1–41, 2023.
S. S. Ogden and T. Guo, “Characterizing the Deep Neural Networks Inference Performance of Mobile Applications,” 2019.
I. L. Orăşan, C. Seiculescu, and C. D. Caleanu, “Benchmarking TensorFlow Lite Quantization Algorithms for Deep Neural Networks,” in 2022 IEEE 16th International Symposium on Applied Computational Intelligence and Informatics (SACI), 2022, pp. 221–226. doi: 10.1109/SACI55618.2022.9919465.
B. Moraes, F. Castor, and J. P. Fernandes, Analyzing the Resource Usage Overhead of Mobile App Development Frameworks, vol. 1, no. 1. Association for Computing Machinery. doi: 10.1145/3593434.3593487.
K. He and J. Sun, “Deep Residual Learning for Image Recognition,” pp. 1–9.
M. Sandler, A. Howard, M. Zhu, and A. Zhmoginov, “MobileNetV2 : Inverted Residuals and Linear Bottlenecks,” pp. 4510–4520.
