IMPLEMENTASI ALGORITMA YOLOV8 DAN PENGGUNAAN ESP32-CAM UNTUK DETEKSI KUALITAS OLI MOTOR BERBASIS WEB

Peredaran pelumas motor non-standar secara masif menuntut adanya metodologi identifikasi yang efisien dan aksesibel. Penelitian ini bertujuan untuk merancang, mengimplementasikan, dan mengevaluasi performa sebuah sistem deteksi kualitas oli motor berbasis computer vision. Sistem ini mengintegrasikan algoritma deep learning YOLOv8 dengan perangkat keras ESP32-CAM melalui sebuah aplikasi web interaktif. Mengadopsi metodologi Research and Development (R&D) dengan pendekatan prototyping, sistem ini diimplementasikan pada arsitektur client-server yang menggabungkan purwarupa perangkat akuisisi citra, server backend berbasis Python Flask, dan basis data MySQL. Proses pelatihan model deteksi objek YOLOv8 dilaksanakan menggunakan dataset kustom yang terdiri atas 875 citra sampel oli yang telah dianotasi ke dalam lima kategori. Hasil validasi empiris menunjukkan bahwa sistem yang dikembangkan telah mencapai fungsionalitas penuh. Pada pengujian akurasi, model kecerdasan buatan yang dihasilkan menunjukkan kapabilitas fundamental dalam melakukan diskriminasi visual, yang ditandai dengan pencapaian nilai mean Average Precision (mAP50) sebesar 60.7%. Evaluasi kinerja sistem secara holistik menunjukkan bahwa total waktu respons dari input pengguna hingga penyajian hasil berkisar antara 10 hingga 16 detik, dengan latensi rata-rata 12.83 detik. Analisis dekomposisi latensi berhasil mengidentifikasi dua faktor penghambat (bottleneck) utama yang memberikan kontribusi hampir ekuivalen: durasi proses inferensi lokal oleh model YOLOv8 (rata-rata 6.67 detik), yang performanya sangat dipengaruhi oleh variasi kondisi pencahayaan citra, dan latensi jaringan saat berinteraksi dengan API eksternal (rata-rata 6.17 detik). Dengan demikian, penelitian ini berhasil mewujudkan sebuah bukti konsep (proof of concept) yang fungsional, di mana evaluasi kinerjanya secara jelas memetakan tantangan operasional signifikan yang menjadi landasan krusial bagi optimisasi di masa mendatang.