Data Stream Mining pada Gambar dengan Modul Kamera Menggunakan Algorithm Granularity Settings

Yogatama, Edo Dwi (2023) Data Stream Mining pada Gambar dengan Modul Kamera Menggunakan Algorithm Granularity Settings. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111840000060-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2025. Download (1MB) | Request a copy

Abstract

Data stream mining memerlukan resource yang cukup besar untuk dapat mengamati terjadinya perubahan dari data yang berasal dari data generator. Data stream mining sering digunakan pada edge device. Sementara edge device memiliki resource yang sangat terbatas. Terlebih data stream mining akan terjadi dengan waktu yang panjang sehingga tidak menutup kemungkinan resource akan penuh yang menyebabkan jalannya sistem terganggu. Sementara resource yang besar memerlukan biaya yang lebih mahal.
Penelitian akan menguji data stream mining pada gambar yang diambil dari video stream menggunakan Algoritma Granularity Settings untuk adaptasi terhadap keterbatasan resource yang digunakan. AGS merupakan kerangka kerja resource-aware programming yang menyesuaikan input, output dan proses pada sistem. Menggunakan Raspberry Pi sebagai perangkat data mining akan mengambil data gambar melalui sebuah IP camera pada sebuah ruangan. Gambar diproses menggunakan model deep learning dan output yang dihasilkan akan mengatur relay. Penghitungan AGS digunakan pada sistem untuk melihat ketersediaan resource Raspberry Pi seperti CPU, RAM, dan juga disk storage yang terbatas. CPU berkaitan dengan proses deteksi objek gambar, sedangkan RAM dan disk storage berkaitan dengan rentang waktu pengambilan gambar. Jika penggunaan CPU tinggi, maka waktu pemrosesan dihentikan sementara hingga penggunaan CPU turun ke nilai yang sudah ditetapkan. Pada penggunaan RAM dan disk storage, jika penggunaan sudah tinggi maka rentang waktu pengambilan gambar diperlambat.
Hasil penelitian menunjukkan jika pengaplikasian AGS pada sebuah resource terbatas akan berpengaruh untuk menjaga ketersediaan resource sehingga sistem berjalan lancar dengan output yang maksimal. Dalam penggunaan 9 jam, rata – rata penggunaan CPU pada pengaplikasian AGS sekitar 47.9%, lebih rendah 36.6% jika tanpa menggunakan AGS. Meskipun rata – rata penggunaan RAM menggunakan AGS lebih rendah 5.7%, namun tren dari grafik berhasil turun akibat adaptasi. Disk storage juga lebih lama habis penggunaannya jika menggunakan AGS dengan selisih 32.7% daripada tanpa menggunakan adaptasi AGS. Sistem yang dibuat berhasil mengatur relay berdasarkan output deteksi objek dengan waktu lama dan menjaga ketersediaan resource sehingga sistem tetap berjalan lancar. Hal ini juga akan berdampak pada biaya untuk perangkat yang digunakan sehingga tida perlu membutuhkan resource yang terlalu besar, dengan keterbatasan resource sistem dapat diadaptasi dengan ketersediaan.
==================================================================================================================================
Data stream mining requires resources that are large enough to be able to observe changes in data from the data generator. Data stream mining is often used on edge devices. Meanwhile, edge devices have very limited resources. Moreover, data stream mining will occur for a long time so it is possible that the resource will be full which causes the system to be disrupted. Meanwhile, large resources require more expensive costs.
This research will test data stream mining on images taken from video streams using the Granularity Settings Algorithm to adapt to the limited resource. AGS is a resource-aware programming framework that adapts inputs, outputs and processes to a system. Using the Raspberry Pi as a data mining device will retrieve image data via an IP camera in a room. Images are processed using deep learning models and the resulting output will set the relay. The AGS calculation is used on the system to see the availability of Raspberry Pi resources such as limited CPU, RAM, and disk storage. CPU is related to the process of detecting image objects, while RAM and disk storage are related to the time frame for taking pictures. If the CPU usage is high, the processing time is paused until the CPU usage drops to a preset value. In the use of RAM and disk storage, if the usage is high then the capture time range is slowed down.
The results of the study shows that the application of AGS to a limited resource will have an effect on maintaining resource availability so that the system runs smoothly with maximum output. In 9 hours of use, the average CPU usage in AGS applications is around 47.9%, 36.6% lower without using AGS. Even though the average RAM usage using AGS is lower by 5.7%, but the trend from the graph has managed to go down due to adaptation. Disk storage also takes longer to use up if using AGS with a difference of 32.7% than without using AGS adaptation. The system created successfully manages relays based on the output of object detection with a long time and maintains resource availability so that the system continues to run smoothly. This will also have an impact on costs for the devices used so that there is no need to require resources that are too large, with limited system resources can adapt to availability.

Item Type:	Thesis (Other)
Additional Information:	RSIf 006.312 Yog d-1 2023
Uncontrolled Keywords:	Data Stream Mining, Algorithm Granularity Settings, Keterbatasan Resource, Deep Learning, deteksi objek
Subjects:	Q Science > QA Mathematics > QA76.9.D343 Data mining. Querying (Computer science) T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Edo Dwi Yogatama
Date Deposited:	03 Feb 2023 02:24
Last Modified:	28 Aug 2023 03:06
URI:	http://repository.its.ac.id/id/eprint/96068

Actions (login required)

View Item