Spesifikasi Hardware untuk Kamera AI: Cara Sizing PC, GPU, dan Jaringan

Pertanyaan yang Muncul Setelah Demo Berhasil

Model sudah akurat di laptop engineer, lalu tim IT bertanya: komputer seperti apa yang harus dibeli? Di titik inilah banyak proyek kamera AI tersendat — hardware-nya ditebak, bukan dihitung. Padahal angkanya bisa diturunkan dari tiga hal yang sudah Anda ketahui: kecepatan lini, jumlah kamera, dan lama penyimpanan gambar.

Mulai dari Throughput, Bukan Katalog GPU

Contoh lini sederhana: konveyor berjalan 30 meter per menit (0,5 m/detik) dengan produk berjarak tiap 20 cm — artinya 2,5 produk lewat setiap detik. Dengan margin aman dua kali lipat, targetnya sekitar 5 inferensi per detik per kamera, bukan 30 FPS seperti asumsi banyak orang.

Bedanya besar di ongkos: 5 inferensi/detik sering cukup dilayani prosesor kelas menengah, sementara mengejar 30 FPS tanpa alasan bisa melipatgandakan anggaran.

Tiga Kelas Beban dan Perkiraan Hardware

Angka di atas titik awal, bukan janji: uji beban dengan model dan gambar asli Anda sebelum menandatangani pembelian.

GPU: Kapan Perlu, Kapan Mubazir

GPU sungguh dibutuhkan bila banyak kamera berjalan serentak, modelnya berat, atau latensi ketat karena aktuator penolak hanya beberapa sentimeter setelah kamera.

Sebaliknya, GPU sering mubazir pada stasiun manual dengan satu kamera dan pemicu tombol. Di situ uangnya lebih berdampak bila dialihkan ke pencahayaan yang benar, yang pengaruhnya ke akurasi jauh lebih besar daripada tambahan VRAM.

Jaringan: Leher Botol yang Paling Sering Terlupa

Ini penyebab klasik sistem "lemot" yang disalahartikan sebagai kurang GPU. Kamera IP ber-H.264 hanya menuntut beberapa Mbps per kanal, tetapi kamera industri GigE Vision mengirim frame mentah tanpa kompresi — satu kamera 2 MP monokrom pada 30 FPS bisa memakan hampir seluruh kapasitas satu port Gigabit.

Aturan praktisnya: beri kamera industri jalur dan network card sendiri, pisahkan trafiknya dari jaringan kantor lewat VLAN, dan hitung anggaran daya PoE switch — bukan cuma jumlah portnya. Untuk kamera CCTV yang sudah terpasang, pertimbangannya ada di retrofit CCTV lama jadi kamera AI.

Storage: Retensi Menentukan Kapasitas

Yang membengkak biasanya bukan model, melainkan bukti gambar. Pola hemat yang tetap layak audit: simpan seluruh gambar NG beberapa bulan, ambil sampel kecil produk OK harian sebagai bahan pelatihan ulang, dan pertahankan log hasil — waktu, keputusan, skor — jauh lebih lama karena ukurannya kecil. Datanya tetap bisa dirujuk sistem produksi lewat integrasi ke PLC, MES, dan ERP, sekaligus jadi bahan pelatihan ulang saat model mulai melenceng.

Checklist Sebelum Membeli

1. Berapa produk per detik yang lewat, dan berapa kamera per stasiun?
2. Tipe model apa yang dipakai — klasifikasi, deteksi, atau segmentasi?
3. Berapa milidetik waktu tersedia antara kamera dan aktuator penolak?
4. Berapa lama gambar disimpan, dan gambar mana saja?
5. Panelnya sanggup? Ruang tertutup yang panas memaksa prosesor menurunkan kecepatan sendiri — gejalanya mirip hardware kurang kuat.
6. Sisakan ~30% kapasitas untuk kamera atau model tambahan tahun depan.

Sizing adalah bagian dari perhitungan investasi — lihat biaya dan ROI QC inspection AI serta pertimbangan on-premise vs cloud sebelum menetapkan anggaran.

Ingin memastikan spesifikasi hardware untuk lini Anda sebelum belanja? Lihat paket & edisi Nirmana VisionAI.