<![CDATA[Perkembangan Tiny Machine Learning (TinyML) memungkinkan implementasi model machine learning pada perangkat embedded dengan sumber daya yang terbatas. Namun, peningkatan kompleksitas model dapat memengaruhi kebutuhan memori, kapasitas penyimpanan, dan waktu inferensi sehingga diperlukan analisis untuk menentukan konfigurasi model yang sesuai pada implementasi klasifikasi real-time. Penelitian ini bertujuan untuk menganalisis pengaruh kompleksitas arsitektur model terhadap waktu inferensi, penggunaan memori, dan akurasi implementasi pada mikrokontroler ESP32-S3. Data penelitian diperoleh menggunakan sensor MPU6050 dengan empat kelas gerakan, yaitu diam, ayunan, getaran, dan gerakan acak. Tiga arsitektur model digunakan, yaitu Dense Neural Network (DNN), 1D Convolutional Neural Network (1D CNN), dan Lightweight Convolutional Neural Network (LWCNN), dengan empat variasi kompleksitas pada masing-masing arsitektur. Model yang telah dilatih dikonversi ke format TensorFlow Lite dan diimplementasikan pada ESP32-S3 untuk mengukur kebutuhan flash memory, memori runtime, waktu inferensi, dan akurasi implementasi. Hasil pengujian menunjukkan bahwa waktu inferensi tercepat diperoleh oleh model LWCNN_8 sebesar 2,849 ms, sedangkan waktu inferensi terlama diperoleh oleh model 1D CNN_64 sebesar 30,367 ms. Kebutuhan flash memory berkisar antara 332,22 KB pada model 1D CNN_8 hingga 610,08 KB pada model DNN_256. Kebutuhan memori runtime terendah sebesar 3,30 KB diperoleh oleh seluruh model DNN, sedangkan kebutuhan tertinggi sebesar 26,26 KB diperoleh oleh model LWCNN_64. Model DNN_256 menghasilkan akurasi inferensi dalam orde milidetik sehingga berpotensi untuk diimplementasikan pada aplikasi klasifikasi real-time berbasis ESP32-S3 yang memiliki kebutuhan temporal yang sesuai. Kata Kunci—TinyML, ESP32-S3, TensorFlow Lite Micro, DNN, 1D CNN, Lightweight CNN, waktu inferensi, sistem real-time. ]]>
