Optimasi Model Machine Learning Klasik Menggunakan Post-Training Quantization untuk Intrusion Detection System pada Mikrokontroler ESP32 (ESP-EYE) dengan Dataset RT-IoT2022
Tahun 2026 · Penulis: Alejandra Rehagel
Faculty of Engineering, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/11224
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Perkembangan Internet of Things (IoT) meningkatkan kebutuhan terhadap sistem deteksi intrusi yang mampu bekerja secara efisien pada perangkat dengan sumber daya terbatas, seperti mikrokontroler ESP32. Penelitian ini bertujuan untuk menganalisis pengaruh Post-Training Quantization (PTQ) berbasis full integer quantization INT8 terhadap performa klasifikasi dan efisiensi perangkat keras pada model machine learning klasik untuk Intrusion Detection System (IDS) menggunakan dataset RT-IoT2022. Model yang dievaluasi meliputi Multi-Layer Perceptron (MLP), Logistic Regression (LR), dan Support Vector Machine (SVM). Tahapan penelitian mencakup pra-pemrosesan data, penyeimbangan kelas menggunakan undersampling, reduksi fitur dari 84 fitur menjadi 25 fitur melalui Variance Threshold, Pearson Correlation Coefficient, dan Mutual Information, pelatihan model, konversi ke TensorFlow Lite, penerapan PTQ INT8, serta hardware-aware profiling pada target ESP32 melalui Edge Impulse. Hasil penelitian menunjukkan bahwa PTQ hanya menyebabkan penurunan akurasi yang kecil, yaitu MLP dari 99,10% menjadi 99,04%, LR dari 95,72% menjadi 95,64%, dan SVM dari 96,12% menjadi 95,74%. Di sisi lain, PTQ mampu meningkatkan efisiensi sumber daya secara signifikan, dengan reduksi ukuran model sebesar 88,3% pada MLP, 90,5% pada LR, dan 91,0% pada SVM, serta penurunan latensi dan konsumsi energi pada seluruh model. MLP PTQ menghasilkan performa deteksi terbaik dengan akurasi dan F1-score sebesar 99,04%, sedangkan SVM PTQ menjadi model paling efisien dengan ukuran model 1,3 KB, RAM 0,9 KB, flash 9,3 KB, latensi 1 ms, dan konsumsi energi 0,5148 mJ. Berdasarkan hasil tersebut, PTQ terbukti efektif untuk mengoptimalkan model IDS berbasis machine learning klasik pada ESP32, dengan trade-off antara akurasi deteksi dan efisiensi sumber daya yang perlu disesuaikan dengan kebutuhan implementasi sistem IoT.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,846
Tahun 2026 · Penulis: Agrippin Parhabistma Khairada
Implementasi Sistem Embedded Machine Learning Berbasis ESP32-S3 Untuk Prediksi Konsumsi Energi Listrik Rumah Tangga
Prediksi konsumsi energi listrik rumah tangga menjadi salah satu upaya yang dapat mendukung pengelolaan penggunaan energi secara lebih efisien. Penelitian ini bertujuan untuk mengimplementasikan dan membandingkan model Multilayer Perceptron (MLP) dan Long Shor
- Cosine 0,820
Tahun 2026 · Penulis: Fadil Satrio Mulyo
Pengembangan Model Segmentasi Citra untuk Autonomous Wheelchair Menggunakan Teknik Knowledge Distillation di Embedded System
Model segmentasi kinerja tinggi untuk kursi roda otonom, seperti ResunetFormer, menghadapi tantangan penting dalam penyebaran real-time pada sistem yang tertanam karena kompleksitas komputasi tinggi dan konsumsi memori berlebihan. Penelitian ini bertujuan untu
- Cosine 0,814
Tahun 2026 · Penulis: Mahdi Aqil Ali
Perbandingan Pendekatan Deep Learning Untuk Optimasi Kinerja Klasifikasi Distraksi Pengemudi
Distraksi pengemudi merupakan salah satu faktor utama penyebab tingginya angka kecelakaan lalu lintas di dunia, dengan kontribusi mencapai 31,3% dari total kejadian kecelakaan yang disebabkan oleh hilangnya fokus saat berkendara. Berbagai penelitian terdahulu