Implementasi TinyML dengan Edge AI untuk Deteksi Anomali Sensor IoT pada Kondisi Lingkungan Tropis

Abstrak

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 filter, pelatihan model anomaly detection (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.