Membangun Kecerdasan di Perangkat Tepi Melalui Riset Edge Computing

Bagaimana kecerdasan buatan (AI) dapat berjalan pada perangkat kecil seperti kamera pintar, drone, atau sensor IoT tanpa harus selalu terhubung ke server berdaya besar? Pertanyaan inilah yang menjadi titik berangkat penelitian Prof. Arief Setyanto, dosen dan peneliti di Program Doktor Informatika Universitas Amikom Yogyakarta. Melalui riset yang didanai Hibah BIMA Kemendiktiristek (2023–2025), Prof. Arief Setyanto dan tim mengeksplorasi edge computing. Tujuannya untuk menghadirkan AI yang efisien, cepat, dan mandiri di perangkat dengan keterbatasan daya dan komputasi.

Optimalisasi Kecerdasan Buatan di Perangkat Tepi

Perkembangan AI telah mengubah cara data diproses dan dimanfaatkan. Namun, sebagian besar sistem AI masih bergantung pada pusat data berdaya tinggi. Ketergantungan ini menimbulkan masalah ketika teknologi harus beroperasi di lingkungan dengan koneksi terbatas atau perangkat berdaya rendah. Penelitian yang dilakukan Prof. Arief Setyanto berfokus pada bagaimana model deep learning dapat diadaptasi agar mampu berjalan efisien di edge devices.

Tantangan utama penerapan AI di edge devices terletak pada ukuran dan kompleksitas model deep learning. Model konvensional biasanya memerlukan sumber daya besar, baik memori, prosesor, maupun energi. Hal ini tentu saja tidak sesuai untuk perangkat kecil. Penelitian ini mengusulkan pendekatan kompresi model melalui quantization dan knowledge distillation untuk menurunkan ukuran parameter tanpa kehilangan akurasi secara signifikan.

Selain itu, proses karakterisasi perangkat keras dilakukan guna memahami perilaku komputasi dan pola penggunaan sumber daya selama inference. Melalui pendekatan eksperimental, diperoleh data yang menunjukkan bahwa efisiensi sistem tidak hanya bergantung pada arsitektur model, tetapi juga pada manajemen memori dan mekanisme warm-up prosesor yang digunakan. Temuan ini menjadi dasar dalam merancang sistem AI yang adaptif terhadap kondisi perangkat tepi yang beragam.

Hasil penelitian tersebut telah dipublikasikan dalam dua artikel IEEE yang saling melengkapi. Artikel pertama, “Near-Edge Computing Aware Object Detection: A Review” (2023), menyajikan tinjauan sistematis terhadap pendekatan deteksi objek pada lingkungan komputasi tepi. Kajian ini menekankan pentingnya keseimbangan antara akurasi deteksi, kecepatan pemrosesan, dan efisiensi energi. Berbagai metode seperti model pruning, lightweight backbone, dan edge-aware scheduling dibandingkan secara konseptual dan empiris. Hasil telaah menunjukkan bahwa optimasi di sisi model dan perangkat keras perlu berjalan beriringan agar sistem deteksi objek dapat berfungsi stabil di kondisi sumber daya terbatas.

Publikasi kedua, “Characterizing Hardware Utilization on Edge Devices when Inferring Compressed Deep Learning Models” (2024), memperluas fokus riset dengan pendekatan eksperimental terhadap performa nyata perangkat keras. Studi ini mengukur hubungan antara ukuran model, alokasi memori, konsumsi energi, dan waktu tanggap sistem pada berbagai platform edge. Hasilnya memperlihatkan bahwa kompresi model tidak selalu linier terhadap peningkatan efisiensi; faktor konfigurasi perangkat keras dan penjadwalan tugas turut menentukan stabilitas dan kecepatan inference. Artikel ini memberikan kontribusi penting bagi pengembangan strategi deployment AI yang efisien di lapangan. Kedua publikasi tersebut membentuk fondasi teoritis dan empiris bagi arah riset edge intelligence di Indonesia, khususnya dalam konteks sistem visual dan smart sensing yang mandiri.

Implikasi dan Arah Pengembangan

Penerapan hasil penelitian ini berpotensi luas, mulai dari sistem pemantauan lalu lintas dan pertanian cerdas hingga perangkat keamanan berbasis kamera dengan pemrosesan lokal. Pendekatan komputasi tepi memungkinkan pengambilan keputusan secara cepat tanpa ketergantungan pada jaringan internet yang stabil, sekaligus menjaga privasi data karena proses analisis dilakukan langsung di perangkat.

Dukungan Hibah BIMA 2022–2024 memberikan ruang untuk melanjutkan eksperimen menuju pengembangan prototipe sistem pengawasan visual berbasis on-device AI. Pengujian lebih lanjut di lingkungan nyata diharapkan memperkuat posisi Universitas Amikom Yogyakarta dalam riset kecerdasan buatan terdistribusi dan embedded AI systems.

Riset ini menjadi bagian penting dari upaya membangun teknologi yang tidak hanya cerdas, tetapi juga efisien dan inklusif. Masa depan AI tampaknya akan semakin dekat dengan pengguna, hadir dalam setiap perangkat kecil yang mampu berpikir dan bertindak secara mandiri.

Referensi

Translate »