Publisher

UNIPOLUNIPOL

Journal Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI)Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI) Abstract

Penelitian ini bertujuan untuk mengimplementasikan TinyML berbasis Edge AI guna mendeteksi anomali pada perangkat IoT resource-constrained di lingkungan tropis Indonesia. Lingkungan tropis dengan suhu tinggi dan kelembaban ekstrem sering menyebabkan drift data sensor dan anomali lainnya, sehingga mengganggu keandalan sistem monitoring. Penelitian ini dilakukan secara simulasi tanpa hardware fisik untuk mengatasi keterbatasan biaya dan infrastruktur. Metode yang digunakan meliputi pengumpulan dataset time-series dari sumber terbuka, augmentasi noise tropis menggunakan Gaussian (K-means dan Autoencoder) pada platform Edge Impulse, quantization INT8, serta simulasi inferensi menggunakan TensorFlow Lite Runtime di Python. Evaluasi dilakukan terhadap akurasi, latensi inferensi, ukuran model, dan robustness model terhadap kondisi tropis. Hasil simulasi menunjukkan model TinyML mencapai akurasi deteksi anomali sebesar 89,4%, ukuran model 142 KB, dan latensi inferensi rata-rata 28 ms. Model juga menunjukkan ketahanan yang baik terhadap noise tropis dengan penurunan akurasi hanya 6,2%. Simpulan penelitian ini membuktikan bahwa TinyML berbasis Edge AI sangat potensial diterapkan pada perangkat IoT berdaya rendah di lingkungan tropis. Penelitian ini diharapkan dapat menjadi referensi bagi pengembangan sistem monitoring cerdas di daerah tropis Indonesia seperti Sulawesi Selatan.

Conclusion

Penelitian ini berhasil merancang dan mensimulasikan model TinyML berbasis Edge AI untuk deteksi anomali pada perangkat IoT dengan sumber daya terbatas di lingkungan tropis Indonesia, dimana model Autoencoder mencapai akurasi 91,7%, ukuran 142 KB, dan latensi inferensi rata-rata 28 ms.Selain itu, model menunjukkan ketahanan yang baik terhadap kondisi tropis dengan penurunan akurasi hanya 6,2% setelah augmentasi noise suhu dan kelembaban ekstrem.Secara keseluruhan, hasil ini membuktikan bahwa pendekatan TinyML berbasis Edge AI sangat potensial untuk diterapkan pada perangkat IoT berdaya rendah di iklim tropis.

Future Research

Penelitian selanjutnya dapat menguji apakah penerapan model TinyML pada perangkat ESP32 yang dipasang di lingkungan nyata, seperti kebun kelapa sawit di Sulawesi Selatan, dapat mempertahankan akurasi deteksi anomali di atas 85 % selama periode operasional tiga bulan, sekaligus mengukur konsumsi energi dan keandalan jaringan. Selanjutnya, dapat dikaji bagaimana integrasi teknik Federated Learning dengan model Autoencoder pada jaringan sensor IoT dapat meningkatkan privasi data serta memperbaiki akurasi deteksi anomali hingga minimal 5 % dibandingkan pendekatan terpusat, khususnya pada skenario data yang sangat tidak seimbang. Terakhir, penelitian dapat mengeksplorasi penggunaan model hybrid yang menggabungkan algoritma K-means dan Autoencoder dengan mekanisme adaptasi dinamis berbasis reinforcement learning untuk secara otomatis menyesuaikan parameter model ketika terjadi perubahan suhu dan kelembaban ekstrim, serta menilai dampaknya terhadap latensi inferensi dan ukuran model pada perangkat berdaya rendah. Hasil dari ketiga studi tersebut diharapkan dapat memberikan panduan komprehensif bagi pengembang sistem IoT tropis dalam memilih arsitektur model yang optimal, mengoptimalkan penggunaan daya, serta memastikan keberlanjutan operasional di kondisi iklim yang menantang.

References

1.  . 0 mdpi.com/2413-4155/8/1/10A 0 mdpi 2413 4155 8 1 10
2. From Tiny Machine Learning to Tiny Deep Learning: A Survey | ACM Computing Surveys. tiny machine learning... dl.acm.org/doi/10.1145/3776588From Tiny Machine Learning to Tiny Deep Learning A Survey ACM Computing Surveys tiny machine learning dl acm doi 10 1145 3776588
3.  . 0 doi.org/10.3390/s23042344A 0 doi 10 3390 s23042344

Metadata

File size	485.81 KB
Pages	7
DMCA	Report