IMPLEMENTASI TINY MACHINE LEARNING BERBASIS MULTI-LAYER PERCEPTRON PADA ESP32-S3 UNTUK DETEKSI ANOMALI GETARAN KOMPRESOR TRUK BERPENDINGIN

Alfin, Ahmad Sofwan (2026) IMPLEMENTASI TINY MACHINE LEARNING BERBASIS MULTI-LAYER PERCEPTRON PADA ESP32-S3 UNTUK DETEKSI ANOMALI GETARAN KOMPRESOR TRUK BERPENDINGIN. Diploma thesis, UNIVERSITAS HARKAT NEGERI.

[img] Text (Cover)
COVER.pdf
Download (13MB)
[img] Text (BAB I)
BAB I.pdf
Download (145kB)
[img] Text (BAB II)
BAB II.pdf
Download (533kB)
[img] Text (BAB III)
BAB III.pdf
Download (734kB)
[img] Text (BAB IV)
BAB IV.pdf
Restricted to Registered users only
Download (508kB) | Request a copy
[img] Text (BAB V)
BAB V.pdf
Restricted to Registered users only
Download (1MB) | Request a copy
[img] Text (BAB VI)
BAB VI.pdf
Download (120kB)
[img] Text (Daftar Pustaka)
DAFTAR PUSTAKA.pdf
Download (157kB)
[img] Text (Lampiran)
LAMPIRAN.pdf
Download (2MB)

Abstract

Distribusi cumi-cumi sebagai komoditas ekspor Indonesia bergantung pada kestabilan sistem cold chain, namun kegagalan mekanis kompresor truk berpendingin sering baru terdeteksi setelah mutu produk menurun akibat belum adanya pemantauan secara real-time. Penelitian ini bertujuan merancang dan mengevaluasi sistem deteksi anomali getaran berbasis Tiny Machine Learning (TinyML) yang bekerja sepenuhnya on-device pada ESP32-S3 tanpa bergantung pada koneksi internet untuk proses inferensi. Penelitian dilakukan mengikuti tahapan CRISP-DM, diawali dengan business understanding untuk merumuskan kebutuhan pemantauan kondisi mekanis kompresor, dilanjutkan data understanding melalui akuisisi sinyal akselerasi tiga sumbu dari sensor MPU6050 serta dataset MAFAULDA dan data lapangan CV. MSI. Tahap data preparation mencakup bandpass filter, windowing Hann, transformasi FFT, dan ekstraksi fitur spektral (RMS, Peak Amplitude, Spectral Energy) sehingga dihasilkan vektor fitur berdimensi 9. Pada tahap modeling, fitur diklasifikasikan menggunakan MLP dua hidden layer (32 dan 16 neuron) dengan empat varian: model dasar (V1), pruning 50% (V2), quantization INT8 (V3), dan kombinasi keduanya (V4). Tahap evaluation menunjukkan V1 Base Float32 terbaik, dengan akurasi 85,01%, ukuran model 5,57 KB, dan latensi 586–794 µs. Tahap deployment dilakukan melalui validasi real-time pada sistem cold chain terintegrasi, membuktikan kelayakan TinyML untuk pemantauan mandiri. Kata Kunci : TinyML, MLP, ESP32-S3, FFT

Item Type: Thesis (Diploma)
Subjects: T Technology
T Technology > TJ Mechanical engineering and machinery
Divisions: Sekolah Vokasi Teknik > Diploma III Teknik Komputer
Depositing User: AHMAD SOFWAN ALFIN
Date Deposited: 16 Sep 2026 04:05
Last Modified: 16 Sep 2026 04:05
URI: http://repository.harkatnegeri.ac.id/id/eprint/7789

Actions (login required)

View Item View Item