Monitoring Task dengan Threshold Berbasis Visual (YOLO)

Dalam tugas monitoring ini, saya menggunakan pendekatan visual dengan mendeteksi perubahan berdasarkan bar status, warna, atau objek lain yang relevan. Pendekatan ini memanfaatkan model deteksi objek YOLO, yang menawarkan kelebihan berupa kemudahan implementasi dan kemampuan deteksi yang cukup dinamis.

Labeling dan Training

Proses pelabelan dilakukan menggunakan Roboflow, yang sangat membantu dalam menyiapkan dataset. Saya menggunakan sekitar 80 gambar sebagai dataset pelatihan. Dari hasil uji coba, model mencapai estimasi akurasi sekitar 60–70%, yang sudah cukup baik untuk kebutuhan monitoring kondisi SD-WAN.

Alur Kerja Sistem

Berikut adalah alur kerja sistem yang saya bangun:

1. Selenium:

   • Login ke dashboard

   • Mengunjungi halaman monitoring

   • Mengambil screenshot dari masing-masing edge

2. Model YOLO:

   • Memproses screenshot

   • Mendeteksi objek/bar menggunakan bounding box

3. Logika Threshold:

   • Jika objek/bar menunjukkan status "degraded" atau "offline"

   • Sistem akan mengirim notifikasi via Telegram

Spesifikasi Lab Training

Model dilatih di PC pribadi dengan spesifikasi berikut:

• CPU: 4 vCPU

• RAM: 8GB DDR4

• GPU: Nvidia Quadro P400 (2GB VRAM)

• Storage: 124GB SSD SATA

Dengan spesifikasi terbatas ini, saya masih bisa melatih model dengan hasil yang usable untuk tahap eksperimen.

Deploy ke Mini PC (Intel NUC)

Langkah selanjutnya adalah men-deploy model ke perangkat mini PC agar sistem bisa berjalan lebih ringan dan hemat daya. Mini PC yang digunakan:

• Perangkat: Intel NUC

• RAM: 4GB

• OS: Ubuntu Desktop

Model yang sudah dilatih saya konversi ke format TorchScript, agar bisa dijalankan langsung di perangkat dengan resource terbatas.

Meskipun hardware tidak didukung sepenuhnya (terjadi beberapa warning saat runtime), model tetap berhasil dijalankan dan melakukan prediksi dengan baik di mini PC.