📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 4 dokumenPENGEMBANGAN SISTEM DETEKSI ANOMALI DAN MANAJEMEN LAYANAN STASIUN PENGISIAN KENDARAAN LISTRIK BERBASIS ARSITEKTUR EDGE COMPUTING
Kendaraan listrik merupakan bagian dari upaya transisi menuju sistem transportasi yang lebih bersih, dan ketersediaan infrastruktur pengisian daya menjadi faktor penting dalam mendukung adopsinya. Di Indonesia, infrastruktur ini umumnya dikenal sebagai Stasiun Pengisian Kendaraan Listrik Umum (SPKLU), sementara Institut Teknologi Bandung mengembangkan fasilitas serupa yang dikenal sebagai Stasiun Pengisian Kendaraan Listrik (SPKL) ITB. Namun demikian, operasional SPKL ITB masih menghadapi sejumlah tantangan, antara lain anomali kelistrikan yang belum terdeteksi secara dini, autentikasi pengguna yang masih bergantung pada server pusat sehingga rentan terhadap latensi tinggi, potensi overstay yang menurunkan efisiensi pemanfaatan fasilitas, serta pemantauan ketersediaan area parkir yang belum akurat. Penelitian ini bertujuan untuk merancang dan menguji sistem deteksi anomali dan manajemen layanan pada SPKL ITB berbasis arsitektur edge computing. Sistem dibangun sebagai arsitektur microservice yang terdiri atas beberapa layanan terisolasi dan mencakup empat fungsi utama, yaitu deteksi anomali dua lapis melalui delapan aturan deterministik (rule-based) yang mengacu pada standar EN 50160 dan SNI IEC 61851-1:2017 serta algoritma Isolation Forest berbasis sesi, autentikasi lokal melalui pre-authorization QR di atas Open Charge Point Protocol, manajemen notifikasi pencegahan overstay, dan pemantauan okupansi parkir berbasis computer vision dengan model YOLOv8. Kinerja sistem dievaluasi menggunakan kerangka 5V Big Data terhadap data operasional yang mencakup puluhan ribu baris rekaman selama lebih dari enam bulan. Hasil pengujian menunjukkan deteksi anomali mencapai ROC-AUC sebesar 0,94 dan F1-Score 0,60 dengan latensi rata-rata 70,6 ms, autentikasi lokal berlangsung pada latensi 20,2 ms untuk pre-authorization QR dan 16,7 ms untuk respons Open Charge Point Authorize tanpa memerlukan roundtrip ke server pusat, serta pemantauan parkir memperoleh akurasi 100% yang bersifat indikatif dengan latensi inferensi 561,9 ms, masih di bawah interval pemantauan. Sistem juga terbukti tetap berfungsi dan terisolasi saat salah satu layanan mengalami gangguan. Hasil ini menunjukkan bahwa pendekatan edge computing mampu mewujudkan sistem SPKL ITB yang cerdas, responsif, dan andal secara terintegrasi.
PENGEMBANGAN SISTEM DETEKSI ANOMALI DAN MANAJEMEN LAYANAN STASIUN PENGISIAN KENDARAAN LISTRIK BERBASIS ARSITEKTUR EDGE COMPUTING
Kendaraan listrik merupakan bagian dari upaya transisi menuju sistem transportasi yang lebih bersih, dan ketersediaan infrastruktur pengisian daya menjadi faktor penting dalam mendukung adopsinya. Di Indonesia, infrastruktur ini umumnya dikenal sebagai Stasiun Pengisian Kendaraan Listrik Umum (SPKLU), sementara Institut Teknologi Bandung mengembangkan fasilitas serupa yang dikenal sebagai Stasiun Pengisian Kendaraan Listrik (SPKL) ITB. Namun demikian, operasional SPKL ITB masih menghadapi sejumlah tantangan, antara lain anomali kelistrikan yang belum terdeteksi secara dini, autentikasi pengguna yang masih bergantung pada server pusat sehingga rentan terhadap latensi tinggi, potensi overstay yang menurunkan efisiensi pemanfaatan fasilitas, serta pemantauan ketersediaan area parkir yang belum akurat. Penelitian ini bertujuan untuk merancang dan menguji sistem deteksi anomali dan manajemen layanan pada SPKL ITB berbasis arsitektur edge computing. Sistem dibangun sebagai arsitektur microservice yang terdiri atas beberapa layanan terisolasi dan mencakup empat fungsi utama, yaitu deteksi anomali dua lapis melalui delapan aturan deterministik (rule-based) yang mengacu pada standar EN 50160 dan SNI IEC 61851-1:2017 serta algoritma Isolation Forest berbasis sesi, autentikasi lokal melalui pre-authorization QR di atas Open Charge Point Protocol, manajemen notifikasi pencegahan overstay, dan pemantauan okupansi parkir berbasis computer vision dengan model YOLOv8. Kinerja sistem dievaluasi menggunakan kerangka 5V Big Data terhadap data operasional yang mencakup puluhan ribu baris rekaman selama lebih dari enam bulan. Hasil pengujian menunjukkan deteksi anomali mencapai ROC-AUC sebesar 0,94 dan F1-Score 0,60 dengan latensi rata-rata 70,6 ms, autentikasi lokal berlangsung pada latensi 20,2 ms untuk pre-authorization QR dan 16,7 ms untuk respons Open Charge Point Authorize tanpa memerlukan roundtrip ke server pusat, serta pemantauan parkir memperoleh akurasi 100% yang bersifat indikatif dengan latensi inferensi 561,9 ms, masih di bawah interval pemantauan. Sistem juga terbukti tetap berfungsi dan terisolasi saat salah satu layanan mengalami gangguan. Hasil ini menunjukkan bahwa pendekatan edge computing mampu mewujudkan sistem SPKL ITB yang cerdas, responsif, dan andal secara terintegrasi.
MODEL ATENSI CITRA WAJAH AUDIENS BERBASIS EDGE MACHINE LEARNING
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.
PENGEMBANGAN DESAIN SISTEM ACCURACY SENSITIVITY-BASED RESOURCE ALLOCATOR UNTUK MENINGKATKAN AKURASI PADA APLIKASI VIDEO ANALYTICS
Kehadiran Edge Computing merupakan sebuah solusi bagi sistem IoT atau Internet of Things yang sebelumnya sudah umum diimplementasikan pada Cloud Computing. Edge Computing digunakan karena Cloud Computing memiliki keterbatasan seperti latensi yang tinggi, bandwidth yang terbatas, biaya yang mahal, dll. Namun Edge Computing tidak luput dari berbagai macam masalah seperti keterbatasan sumber daya komputasi (gpu, cpu, bandwidth) yang menyebabkan waktu pemrosesan menjadi lama. Oleh karena itu, diperlukan sebuah sistem cerdas yang dapat melakukan alokasi computing resource agar setiap data yang masuk dapat diproses sesuai kebutuhannya dan tidak menimbulkan backlog yang dapat menghambat keberlangsungan sistem. Sistem yang dimaksud adalah resource allocator berbasis accuracy-sensitivity yang dapat melakukan alokasi resource (bandwidth) untuk yang bertujuan untuk meningkatkan rata-rata akurasi pada ketersediaan bandwidth yang terbatas dengan cara mengestimasi kebutuhan VAP menggunakan sensisitivitas akurasi. accuracy- sensitivity yang dimaksud adalah inferDiff, sebuah satuan untuk mengestimasi seberapa sensitif akurasi dari sebuah video berubah terhadap perubahan bandwidth. Persyaratan yang harus dipenuhi dalam mendesain subsistem resource allocator tersebut adalah penggunaan sistem operasi open-source Linux, memiliki overhead yang minimal (maksimal 25%), dan berhasil meningkatkan rata-rata akurasi melalui pengalokasian bandwidth secara berkala. Subsistem resource allocator yang dirancang akan melakukan alokasi bandwidth pada periode waktu yang sudah ditentukan (profiling) dengan cara memerintahkan kepada VAP atau perangkat yang terhubung untuk menaikan dan menurunkan bandwidth mereka. Kedua hasil deteksi tersebut akan dibandingkan dengan hasil deteksi pada bandwidth saat ini untuk memperoleh pseudo f1-score atau yang dikenal dengan inferDiff. Melalui inferDiff ini resource allocator akan melakukan pemrosesan data untuk membuat data menjadi dependen antara satu dengan yang lainnya. Proses selanjutnya adalah optimisasi yang salah satunya menggunakan i teknik linear programming untuk memperoleh alokasi bandwidth terbaik bagi setiap VAP. Selanjutnya alokasi tersebut akan diinfokan kepada seluruh VAP yang terhubung dan resource allocator akan menunggu hingga waktu profiling berikutnya tiba. Terdapat 3 jenis pengujian yang dilakukan, pengujian pertama adalah verifikasi sistem alokasi bandwidth untuk mengetahui apakah resource allocator sudah bekerja sesuai dengan yang diharapkan atau tidak. Pengujian kedua adalah melakukan perbandingan antara rata-rata akurasi yang diperoleh resource allocator dan baseline-nya. Selain itu dilakukan perbandingan pengaruh standar video encoding H.264 dan H.265. Hasil pengujian 2 ini menunjukan resource allocator berhasil menaikan akurasi maksimal sebesar 1% dan H.264 memperoleh rata-rata kenikan yang lebih tinggi dibanding H.265. Pengujian ketiga adalah mengukur overhead yang dimiliki oleh resource allocator terhadap baseline-nya. Berdasarkan hasil pengujian ini, diketahui bahwa overhead pada H.264 lebih rendah dibandingkan H.265 dengan overhead maksimal pada angka 25%.