Keyword Spotting (KWS) adalah sebuah tugas untuk mendeteksi kata kunci dari
data suara. Tantangan utama dari sistem KWS ini adalah untuk membuat sistem
yang dapat bekerja secara real-time. Oleh karena itu, paradigma edge computing
menjadi opsi yang cocok. Implementasi sistem KWS dengan edge computing
mengharuskan sistem memiliki model Artificial Intelligence (AI) yang akurat dan
sederhana, dan pemilihan edge device yang tepat. Pada thesis ini, penulis akan
membuat sistem KWS yang di implementasikan pada Jetson Xavier NXTM . Model
AI yang diimplementasikan pada sistem ini adalah SpectroNet, yaitu model hybrid
CNN-LSTM buatan penulis. SpectroNet memiliki akurasi 93,33% dengan jumlah
parameter total sebesar 89.241 parameter. Jetson Xavier NXTM dipilih sebagai edge
device karena kemampuan komputasinya yang kuat. Hasil implementasi model
pada Jetson Xavier NXTM menunjukkan hasil yang bagus dalam hal akurasi.
Performa ini dapat ditingkatkan terutama dari segi kecepatan dengan menggunakan
TensorRT. Model telah dioptimasi dengan efektif, dengan proses optimasi berhasil
menurunkan jumlah operasi sebesar 52,57% jika digunakan presisi data FP32, dan
53,97% jika digunakan presisi data FP16. Kecepatan model juga meningkat 10%
ketika digunakan presisi data FP32, dan 14,75% ketika digunakan presisi data
FP16. Dari segi akurasi, ada penurunan sekitar 0,33% setelah optimasi, namun
penurunan ini dapat dianggap tidak signifikan jika diband ingkan dengan
peningkatan kecepatan yang dihasilkan setelah optimasi model