Implementasi MLOps Pipeline Automation pada Deployment Model Visi Komputer = Implementation of MLOps Pipeline Automation in Computer Vision Deployment Models

Latar belakang. Tahapan deployment model masih sering dilakukan secara manual yang menyebabkan inefisiensi, sulitnya pembaruan model, serta keterbatasan dalam pemantauan performa. Oleh karena itu, diperlukan penerapan MLOps Pipeline Automation untuk mengotomatiskan proses deployment, retraining, dan monitoring model agar sistem tetap adaptif dan andal di lingkungan produksi. Tujuan. Penelitian ini bertujuan untuk mengimplementasikan MLOps Pipeline Automation pada deployment model visi komputer guna meningkatkan efisiensi integrasi dan pembaruan model, mengurangi intervensi manual, serta memastikan sistem dapat beroperasi secara berkelanjutan. Metode. Penelitian dilakukan dengan merancang pipeline otomatis berbasis MLOps yang mencakup proses model training, model registry, model serving, dan monitoring menggunakan cloud provider. Pipeline ini memungkinkan pelatihan ulang otomatis saat dataset diperbarui, serta pemantauan performa model setelah deployment. Hasil. Pipeline MLOps yang dibangun berhasil menjalankan proses retraining dan deployment model visi komputer secara otomatis. Penggunaan transfer learning terbukti efektif dalam melakukan retraining meskipun jumlah data meningkat, dengan durasi hanya 1 jam 21 menit untuk 811 gambar pada model object detection dan 5 menit 2 detik untuk 22 individu pada model face recognition. Resource utilization menunjukkan efisiensi pemanfaatan komputasi, dengan CPU dan GPU masing-masing digunakan hingga 52.6% dan 79.4% pada model object detection, serta 15.4% dan 32.8% pada model face recognition. Pada tahap inferensi, response time sistem cenderung stabil pada pengujian variasi durasi video dan saat layanan training berjalan paralel, namun meningkat saat jumlah request simultan bertambah. Sementara itu, throughput tetap stabil pada kisaran 10,8–11,6 fps untuk variasi durasi dan layanan training berjalan paralel, tetapi menurun dari 9,8 fps menjadi sekitar 6,2 fps ketika jumlah request simultan meningkat hingga 15 request. Kesimpulan. Implementasi MLOps Pipeline Automation terbukti meningkatkan efisiensi, stabilitas, dan keberlanjutan deployment model visi komputer. Pipeline mampu memperbarui model secara otomatis tanpa intervensi manual serta menjaga performa inferensi yang konsisten. Sistem ini dapat digunakan sebagai dasar untuk pengembangan solusi monitoring berbasis visi komputer yang lebih adaptif.