<![CDATA[Penerapan Artificial Intelligence pada sisi pengguna (Edge AI) menjadi kebutuhan penting dalam ekosistem Internet of Things untuk mengurangi latensi, menjaga privasi data, dan menekan biaya komputasi berbasis cloud. Namun, keterbatasan sumber daya perangkat edge menjadi tantangan utama dalam implementasi model pembelajaran mesin yang kompleks. Penelitian ini bertujuan merancang dan mengimplementasikan sistem Edge AI berbasis ESP32-S3 untuk prediksi cuaca mikro secara real-time menggunakan pendekatan Tiny Machine Learning. Model prediksi dikembangkan menggunakan arsitektur Long Short-Term Memory (LSTM) dengan data historis cuaca Jakarta Utara (Sunda Kelapa) yang diperoleh dari Open-Meteo. Untuk menyesuaikan dengan keterbatasan perangkat, model dioptimalkan melalui Post-Training Full Integer Quantization. Sistem memanfaatkan sensor BME280 untuk mengakuisisi data suhu, kelembapan, dan tekanan udara selama 24 jam terakhir sebagai masukan prediksi 6 jam ke depan, dengan pengelolaan data menggunakan circular buffer. Hasil prediksi dikirimkan melalui protokol MQTT ke InfluxDB. Hasil pengujian menunjukkan bahwa model kuantisasi Int8 menghasilkan waktu inferensi rata-rata 48,1 ms dengan penggunaan memori sebesar 147,04 KB serta nilai MAE 0,074, yang relatif mendekati model Float32. Hasil ini menunjukkan bahwa ESP32-S3 layak digunakan sebagai platform Edge AI untuk peramalan cuaca lokal]]>
Copyrights © 2026
