Perpustakaan Digital ITB

Keterbatasan edge device akan kapasitas pemrosesan, penyimpanan dan memori, dapat membatasi kompleksitas komputasi pada komputasi tepi dalam mengekstraksi informasi langsung dari sumber data, yang akan diteruskan oleh edge gateway ke server atau cloud maupun edge device lainnya, melalui jaringan Internet of Thing (IoT) untuk pemrosesan data lebih lanjut. Sebuah model pada machine learning memiliki struktur matematis secara algoritmik, yang merupakan komputasi komplek dalam implementasi keceradan buatan untuk mengotomatisasi pemecahan masalah. Dalam penelitian ini, dengan metodologi Design Research Methodology (DRM) dan metode Cross-Industry Standard Process for Data Mining (CRISP-DM), diusulkan sebuah desain sistem komputasi machine learning di edge device, dengan menggunakan model machine learning berbasis Convolution Neural Network (CNN) yaitu arsitektur MobileNetV2. Proses edge computing dengan machine learning terjadi di ESP32-CAM yang terhubung dengan server melalui jaringan Internet of Thing (IoT). Komputasi machine learning pada ESP32-CAM memiliki keutamaan dalam proses mengklasifikasi image wajah audiens dalam momen Kegiatan Belajar Mengajar (KBM), yang tertangkap kamera ESP32-CAM untuk dikategorikan audiens tersebut dengan label fokus dan tidak-fokus. Data image beserta label tersebut, kemudian dikirim ke Raspberry Pi. Dataset yang digunakan dalam membangun model sebanyak 211 data training dan 63 data testing. Pengujian model dilakukan sebanyak 4 kali, dengan ukuran batch 64 dan jumlah epoch yang berbeda-beda. Pada epoch 55, Jumlah data uji sebanyak 63 berhasil mengklasifikan 45 dari 63 data uji citra dengan benar. Sehingga hasil tersebut didapatkan 71,43% untuk nilai akurasi, 69% untuk nilai AUC, 75% untuk nilai presisi, 76% untuk nilai recall, dan 76% untuk nilai F1 score.