Implementasi Pengenalan Objek Real-Time dengan Framework YOLOv5 pada Platform Cloud Computing Kubernetes Kubeflow Berbasis Deep Learning = Implementation of Real-Time Object Recognition Using YOLOv5 Framework on a Kubernetes Kubeflow Cloud Computing Platform Based on Deep Learning

Latar belakang. Pengenalan objek secara real-time merupakan salah satu tantangan utama dalam bidang computer vision dan deep learning, terutama ketika diterapkan pada infrastruktur cloud computing. Tujuan. Penelitian ini berfokus dalam mengimplementasikan framework YOLOv5 dengan memanfaatkan layanan infrastruktur Kubernetes Kubeflow dan Amazon Web Services. Metode. Model dilatih menggunakan dataset COCO 2017 dan diintegrasikan dengan protokol RTSP untuk menerima masukan video stream dari perangkat mobile, yang kemudian diproses oleh model untuk mendeteksi objek secara real-time pada lingkungan cloud. Hasil. Model YOLOv5 dapat diimplementasikan pada infrastruktur cloud computing dan menunjukkan keberhasilan dalam mendeteksi objek dengan skor mAP sebesar 68,4% dan juga menunjukkan bahwa penggunaan GPU saat model dijalankan secara signifikan meningkatkan performa pendeteksian dibandingkan menggunakan CPU, terutama ketika model dijalankan pada resolusi stream yang rendah. Kesimpulan. Penelitian ini menunjukkan bahwa kombinasi framework YOLOv5, infrastruktur cloud computing, dan protokol RTSP dapat menghasilkan sistem deteksi objek yang efisien dan mempunyai skalabilitas sistem yang tinggi untuk berbagai aplikasi pendeteksian real-time.

Kata Kunci : computer vision, YOLOv5, framework deep learning, infrastruktur cloud, COCO 2017, pemrosesan real-time