<![CDATA[Perkembangan Internet of Things (IoT) dan kemampuan komputasi di tepi jaringan (edge computing) membuka peluang untuk membangun sistem smart home yang responsif, hemat bandwith, dan lebih menjaga privasi (Atzori et al., 2010). Penelitian ini merancang dan menguji sistem deteksi aktivitas penghuni berbasis IoT yang melakukan inferensi di edge node (Raspberry Pi 4) menggunakan model lightweight CNN (TensorFlow Lite) untuk data visual dan Random Forest untuk data sensor non-visual(Google, 2019; Warden & Situnayake, 2019). Data simulasi ilmiah disusun dari 5.000 gambar (ESP32-CAM) dan 20.000 sampel sensor (PIR, accelerometer). Pengujian menunjukkan bahwa Edge AI menurunkan latensi rata-rata dari 510 ms (cloud) menjadi 178 ms (edge) dan ensemble model mencapai akurasi ~94.4% pada lima kelas aktivitas utama. Hasil ini menunjukkan Edge AI layak diimplementasikan untuk use-case smart home yang memerlukan respon cepat dan privasi(Huang & Li, 2021; Shi et al., 2016).]]>
Copyrights © 2025
