<![CDATA[Peningkatan intensitas bencana tsunami di wilayah pesisir menuntut hadirnya sistem peringatan dini yang lebih akurat, adaptif, dan hemat energi. Penelitian ini mengusulkan desain algoritma Self-Supervised Vision Transformer Learning (SSL-ViT) yang dioptimalkan untuk perangkat Internet of Everything (IoE) berdaya rendah. Berbeda dengan pendekatan supervised konvensional yang membutuhkan label data dalam jumlah besar, SSL-ViT memanfaatkan pembelajaran representasi visual secara mandiri melalui pretext task seperti masking patch prediction dan contrastive learning, sehingga mampu belajar dari data citra pesisir tanpa anotasi. Arsitektur Vision Transformer dimodifikasi dengan mekanisme lightweight attention dan model pruning guna menekan konsumsi memori dan komputasi. Sistem ini diintegrasikan dengan jaringan perangkat IoE untuk melakukan deteksi anomali visual pada permukaan laut secara real-time. Hasil pengujian awal menunjukkan bahwa algoritma SSL-ViT mencapai akurasi deteksi anomali sebesar >85% dengan latensi inferensi <300 ms dan penghematan energi hingga 40% dibandingkan model CNN konvensional. Temuan ini membuktikan bahwa kombinasi self-supervised learning dan optimasi arsitektur transformer pada perangkat low-energy IoE mampu menjadi fondasi sistem peringatan dini tsunami yang efisien, skalabel, dan siap diimplementasikan di kawasan pesisir berinfrastruktur terbatas.]]>
Copyrights © 2025
