Penelitian ini mengimplementasikan Tiny Machine Learning (TinyML)
untuk sistem deteksi kendaraan menggunakan algoritma Faster Objects,
More Objects (FOMO) yang dijalankan pada perangkat Arduino Nano
BLE 33 Sense dengan kamera OV7675. Dataset yang digunakan terdiri
dari 538 sampel gambar mobil dan 501 sampel gambar motor, dengan
pengujian menggunakan platform Edge Impulse. Rasio data latih dan uji
yang digunakan adalah 80:20. Hasil pelatihan menunjukkan performa
model dengan F1 Score sebesar 60.6%, precision 57%, dan recall 65%.
Confusion matrix menunjukkan bahwa sebagian besar kesalahan
klasifikasi berupa false negative, yaitu objek mobil dan motor tidak
terdeteksi dan diklasifikasikan sebagai latar belakang. Dari sisi
performa, sistem memiliki waktu inferensi sebesar 192 ms, dengan
penggunaan RAM sebesar 52.1 KB dan flash memory sebesar 69.8 KB.
Pengujian dilakukan dengan mencoba 3 ukuran input resolusi yang
berbeda yaitu 96 x 96, 64 x 64, dan 48 x 48. Terbukti bahwa input
resolusi 48 x 48 memberikan hasil paling stabil untuk proses deteksi.
Sistem diuji menggunakan tiga perbandingan jenis kamera yaitu kamera
telefon, webcam laptop, dan kamera modul OV7675. Meskipun
OV7675 memiliki resolusi paling rendah (640x480), sistem tetap
mampu melakukan deteksi kendaraan dengan akurasi 71%, mendekati
performa webcam (82%) dan kamera telefon (92%). Hal ini
menunjukkan bahwa kamera dengan spesifikasi rendah masih dapat
digunakan mendeteksi objek kendaraan jika dikombinasikan dengan
model yang tepat. Hasil penelitian menunjukkan bahwa sistem ini
mampu mendeteksi kendaraan secara akurat dan efisien, serta dapat
diterapkan di berbagai lokasi yang memerlukan pemantauan kendaraan
menggunakan perangkat hemat daya dan berbiaya rendah.