Prasetya, Eka Bagas (2026) KOMPRESI MODEL DEEP NEURAL NETWORK DENGAN PRUNING DAN QUANTIZATION UNTUK KLASIFIKASI KUALITAS AIR BERBASIS ESP32. Diploma thesis, UNIVERSITAS HARKAT NEGERI.
![[img]](http://repository.harkatnegeri.ac.id/style/images/fileicons/text.png) |
Text (COVER)
organized.pdf Download (1MB) |
|
Text (BAB I)
TA EKA BAB 1.pdf Download (56kB) |
|
Text (BAB II)
TA EKA BAB 2.pdf Download (242kB) |
|
Text (BAB III)
TA EKA BAB 3.pdf Restricted to Registered users only Download (256kB) | Request a copy |
|
Text (BAB IV)
TA EKA BAB 4.pdf Restricted to Registered users only Download (368kB) | Request a copy |
|
Text (BAB V)
TA EKA BAB 5.pdf Restricted to Registered users only Download (512kB) | Request a copy |
|
Text (BAB VI)
TA EKA BAB 6.pdf Download (142kB) |
|
Text (DAFTAR PUSTAKA)
TA EKA DAFPUS.pdf Download (159kB) |
|
Text (LAMPIRAN)
TA EKA LAMPIRAN .pdf Download (771kB) |
Abstract
Pemantauan kualitas air minum konvensional melalui uji laboratorium membutuhkan waktu yang cukup lama dan menghambat respons cepat terhadap perubahan kondisi air baku secara real-time. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kualitas air cerdas pada perangkat edge dengan menerapkan pendekatan Tiny Machine Learning (TinyML) untuk mendeteksi kelayakan air baku (kelas Layak dan Tidak Layak) di lingkungan Perumda Air Minum Tirta Bahari Kota Tegal. Algoritma yang digunakan adalah Deep Neural Network (DNN) untuk memproses data tabular dari parameter sensor fisik-kimia air yang mencakup pH, Total Dissolved Solids (TDS), dan Turbidity. Guna mengatasi keterbatasan kapasitas memori pada sistem tertanam, model DNN dioptimasi secara sekuensial menggunakan kombinasi teknik manual magnitude-based pruning dan Post-Training Full Integer Quantization (INT8) melalui framework TensorFlow Lite. Model hasil kompresi tersebut kemudian ditanamkan ke dalam mikrokontroler ESP32 untuk diuji kemampuan proses inferensi lokalnya (on-device inference). Hasil penelitian menunjukkan bahwa skema optimasi berhasil memangkas ukuran berkas biner model secara signifikan sebesar 88,5%, yaitu dari 27,38 KB menjadi hanya 3,15 KB, sehingga sangat ringan untuk memori RAM ESP32. Meskipun terjadi kuantisasi nilai ke format INT8, penurunan akurasi model tercatat sangat minimal, yakni hanya bergeser sebesar 1,90% (dari 92,96% menjadi 91,06%) dengan validitas keputusan keputusan alat yang tetap konsisten 100% terhadap simulasi model referensi. Selain itu, implementasi komputasi tepi (Edge AI) berhasil mempercepat waktu latensi inferensi lokal menjadi rata-rata 0,096 ms per batch data. Efisiensi waktu komputasi ini berbanding lurus dengan penghematan energi sirkuit, di mana pemantauan sensor telemetri INA219 menunjukkan profil daya aktif rata-rata perangkat yang sangat rendah sebesar 682,00 mW (tegangan bus ≈ 11,48 V dan arus ≈ 60,36 mA). Hasil tersebut mengonfirmasi bahwa model TinyML yang dikembangkan sangat layak dan adaptif untuk diimplementasikan pada sistem pemantauan kualitas air jarak jauh berbasis catu daya mandiri (off-grid system). Kata Kunci: Kualitas Air, TinyML, Deep Neural Network, Pruning, Quantization, ESP32.
| Item Type: | Thesis (Diploma) |
|---|---|
| Subjects: | T Technology T Technology > TK Electrical engineering. Electronics Nuclear engineering |
| Divisions: | Sekolah Vokasi Teknik > Diploma III Teknik Komputer |
| Depositing User: | EKA BAGAS PRASETYA |
| Date Deposited: | 15 Oct 2026 07:18 |
| Last Modified: | 15 Oct 2026 07:18 |
| URI: | http://repository.harkatnegeri.ac.id/id/eprint/8125 |
Actions (login required)
 |
View Item |