<![CDATA[Kucing merupakan hewan peliharaan populer, namun pemantauan aktivitas hariannya secara konsisten sering kali sulit dilakukan oleh pemilik yang memiliki kesibukan. Perubahan perilaku kucing dapat menjadi indikator awal terhadap masalah kesehatan atau kesejahteraan. Oleh karena itu, penelitian ini mengembangkan sistem wearable berbasis mikrokontroler ESP32-C3 dan sensor inersia (MPU6050) yang dipasang pada harness punggung kucing untuk memantau lima aktivitas harian (Tidur, Makan, Grooming, Bergerak, dan Bermain). Klasifikasi aktivitas dilakukan secara lokal (edge computing) menggunakan algoritma One-Dimensional Convolutional Neural Network (1D-CNN). Hasil klasifikasi kemudian dikirimkan melalui protokol komunikasi MQTT ke broker EMQX dan divisualisasikan pada dashboard Node-RED secara real-time. Hasil pengujian menunjukkan bahwa sistem mampu mengklasifikasikan aktivitas dengan akurasi keseluruhan sebesar 83,3%, di mana kelas Tidur mencapai akurasi sempurna (100%). Penelitian ini juga membuktikan bahwa tahap kalibrasi offset giroskop sangatlah penting. Tanpa kalibrasi, sistem keliru mengklasifikasikan kondisi diam sebagai bergerak akibat bias bawaan sensor. Dengan kalibrasi yang tepat dan penanganan ketidakseimbangan data menggunakan class weight, sistem berhasil membedakan kondisi diam dan bergerak secara konsisten.]]>
Copyrights © 2026
