VIO-CW: ARSITEKTUR HYBRID CONTENT MODERATION BERBASIS CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN KNOWLEDGE DISTILLATION PADA PERANGKAT MOBILE=VIO-CW: HYBRID CONTENT MODERATION ARCHITECTURE BASED ON CONVOLUTIONAL NEURAL NETWORKS USING KNOWLEDGE DISTILLATION ON MOBILE DEVICES

Latar belakang. Distribusi konten visual di platform digital meningkatkan kebutuhan moderasi yang cepat, sementara inferensi model CNN berukuran besar sulit dijalankan sepenuhnya di perangkat mobile karena keterbatasan komputasi dan energi. Tujuan. Penelitian ini mengembangkan VIO-CW, arsitektur dua tingkat yang menggabungkan inferensi cepat di perangkat mobile dan verifikasi di server untuk kasus dengan tingkat keyakinan yang rendah di sisi client. Metode. Model teacher ditempatkan pada server dan model student ringan untuk Android diperoleh melalui knowledge distillation, sementara keputusan eskalasi ditentukan oleh ambang probabilitas tunggal T = 0,8. Implementasi mencakup aplikasi Android untuk pre-processing, inferensi lokal, serta pencatatan latensi, dan layanan API untuk inferensi teacher serta logging. Hasil. Pada data uji, teacher menghasilkan loss 0,1551, F1-score 0,930, dan AUC 0,998, student terpilih (MobileNetV3 Large ra_in1k dengan distilasi) mencapai F1 0,909 dan AUC 0,986 dengan loss 0,123. Pengujian end-to-end menunjukkan latensi inferensi lokal konsisten pada kisaran 40–50 ms per citra, sedangkan pada jalur eskalasi latensi total meningkat menjadi sekitar 145–600 ms karena komputasi dan komunikasi ke server. Kesimpulan. VIO-CW mampu memberikan keputusan cepat untuk sebagian besar kasus di perangkat serta meningkatkan reliabilitas keputusan pada area abu-abu melalui verifikasi server, sehingga sesuai untuk moderasi konten visual berbasis mobile.