Unsupervised Autoencoder untuk Deteksi Anomali Cerdas pada Perangkat Edge Computing Berbasis TinyML

Abstract

Penelitian ini membandingkan performa sistem monitoring lingkungan berbasis Edge Computing menggunakan Autoencoder Unsupervised Neural Network (TinyML) dengan metode Heuristic pada perangkat ESP32. Kebaruan penelitian ini terletak pada evaluasi komprehensif yang menyandingkan akurasi deteksi anomali dengan efisiensi sumber daya fisik (termal dan memori) yang belum banyak dibahas secara simultan dalam studi sebelumnya. Hasil analisis menunjukkan bahwa model TinyML memiliki superioritas kinerja dengan capaian F1-Score sempurna (1,0), melampaui sistem Heuristic yang gagal memvalidasi data transisi. Dari sisi operasional, TinyML menunjukkan efisiensi tinggi dengan stabilitas suhu kerja yang terjaga dan latensi pengiriman data 24% lebih cepat. Meskipun terdapat penggunaan memori tambahan untuk model, manajemen RAM terbukti tetap bersifat deterministik. Penelitian ini membuktikan bahwa implementasi Unsupervised Learning di tingkat edge menghasilkan sistem deteksi yang lebih cerdas dan responsif tanpa membebani kinerja fisik perangkat