edge impulse tinyml sensor anomaly

Pendahuluan: Ketika Dukun Pabrik Kalah Sama Mikrokontroler Kentang

Halo, Sobat Edan Teknologi! Balik lagi sama ane, si tukang ngoprek yang otaknya kadang konslet tapi cintanya ke dunia embedded system nggak pernah luntur. Pernah nggak lu liat mesin pabrik atau motor BLDC ngadat pas jam kerja lembur? Panik kan? Biasanya, kalau pabrik konvensional, mandornya bakal nempelin telinga ke bodi mesin, sok-sok jadi dukun pabrik, terus bilang, “Wah, ini bearing-nya kurang ngopi nih.” Padahal, mesinnya udah mau meledak.

Zaman udah berubah, Coy! Sekarang kita nggak perlu lagi pakai ilmu batin buat nebak kapan sebuah mesin industri bakal rusak. Berkat keajaiban TinyML dan platform keren seperti Edge Impulse, kita bisa nanam model machine learning cerdas langsung ke mikrokontroler kentang yang dayanya cuma pakai baterai kecil. Sesuai catatan real-world, sebagian besar otomatisasi industri masih sangat bergantung pada sensor non-gambar seperti akselerometer, IMU, dan sensor tekanan untuk memantau kesehatan perangkat keras secara presisi (Edge Impulse Blog).

Nah, di artikel teknis super mendalam ini, kita bakal bedah tuntas gimana caranya bikin sistem deteksi anomali (anomaly detection) pakai Edge Impulse. Siapin kopi pahit lu, matikan HP dari gangguan mantan, dan mari kita mulai ritual ngoprek tingkat dewa ini!

1. Apa Itu Anomaly Detection di Edge Impulse dan Kenapa Harus TinyML?

Secara konsep, deteksi anomali itu mirip kayak nyari mantan yang tiba-tiba ngajak balikan padahal udah diblokir di semua medsos: nggak biasa, mencurigakan, dan berpotensi bikin bencana emosional. Dalam konteks teknik, anomali adalah deviasi atau penyimpangan dari pola data sensor normal yang biasanya dikumpulkan dari mesin dalam kondisi operasional sehat.

Kenapa harus TinyML? Karena nggak semua perangkat pinggir jalan (edge devices) punya kemewahan buat nyolok ke colokan PLN 220V atau ngirim data mentah gigabita ke cloud AWS setiap detik. Biaya bandwidth mahal, latensi tinggi, dan privasi bisa jebol. Dengan membawa algoritma machine learning langsung ke mikrokontroler lokal, sistem bisa mendeteksi getaran aneh pada motor secara real-time. Hal ini sangat krusial untuk implementasi Predictive Maintenance (PdM), seperti yang sering dibahas dalam proyek referensi seperti Brushless DC Motor Anomaly Detection.

Edge Impulse sendiri hadir sebagai penyelamat umat developer embedded. Sejak awal peluncurannya, misi mereka adalah membawa kapabilitas ML kelas atas langsung ke jutaan pengembang mikrokontroler—termasuk ekosistem masif seperti Arduino (Edge Impulse Blog). Mau pakai Nordic Thingy:53, Seeed Studio Wio Terminal, atau board berbasis ESP32/Arduino, semuanya bisa dilahap mentah-mentah!

2. Arsitektur Sensor dan Pengumpulan Data Getaran (Data Acquisition)

Sebelum bikin model AI yang pinter, kita butuh bahan bakar utama: Data mentah yang bersih. Sampah masuk, sampah juga yang keluar (Garbage in, garbage out). Dalam proyek deteksi anomali motor industri, sensor primadona yang sering dipakai adalah unit pengukuran inersia (IMU) seperti akselerometer 3-sumbu.

Bayangin lu masang sensor akselerometer ke rumah bearing motor listrik. Saat motor berputar normal tanpa beban berlebih, pola getaran di sumbu X, Y, dan Z membentuk gelombang harmonik yang stabil. Tapi, pas ada gesekan aneh, keausan mekanis, atau baut kendor, amplitudo dan frekuensinya bakal loncat secara liar.

Langkah awal yang harus lu lakuin adalah:

Hubungkan sensor mikrokontroler (misalnya Nordic Thingy:53 atau Wio Terminal) ke komputer.
Gunakan Edge Impulse CLI atau daemon penghubung untuk melakukan streaming data sensor secara live ke dashboard Edge Impulse.
Rekam data saat motor kondisi NORMAL (sehat walafiat). Kumpulkan data ini sebanyak-banyaknya (minimal 10-15 sampel durasi 10-30 detik per sampel).
Rekam juga data saat kondisi ANOMALI (misalnya sengaja ditaruh beban tiruan atau digetarkan secara manual, kalau aman) untuk keperluan validasi, meskipun model anomali berbasis K-Means / Clustering di Edge Impulse utamanya hanya dilatih menggunakan data normal saja!

Pendekatan pelatihan murni menggunakan data normal ini sangat jenius. Kenapa? Karena di dunia nyata, kita sering kali cuma punya data saat mesin sehat, sementara data pas rusak itu langka (atau kalau rusak beneran, pabriknya keburu rugi miliaran rupiah!).

3. Pre-Processing dan DSP (Digital Signal Processing): Mengubah Getaran Jadi Angka Cantik

Data mentah dari akselerometer (misalnya data akselerasi sumbu X, Y, Z dalam m/s² pada frekuensi sampling 100Hz) kalau langsung dimasukin ke neural network, hasilnya bakal zonk. Di sinilah peran fitur DSP (Digital Signal Processing) di Edge Impulse.

Kita menggunakan blok DSP yang disebut Spectral Analysis. Blok ini melakukan sihir matematika berikut:

Filter: Membuang noise frekuensi tinggi yang tidak diinginkan.
Fast Fourier Transform (FFT): Mengubah sinyal dari domain waktu (time domain) ke domain frekuensi (frequency domain). Ini penting banget buat motor, karena kerusakan komponen tertentu (seperti bearing defect frequency) bakal kelihatan jelas sebagai puncak spektral (spectral peaks) di frekuensi tertentu.
RMS & Skewness: Mengekstrak fitur statistik seperti Root Mean Square, kurtosis, dan skewness dari sinyal tersebut.

Di dashboard Edge Impulse, lu tinggal klik tombol “Generate Features”. Visualizer 3D bakal muncul, nunjukin klaster data normal lu. Kalau titik-titik data normal ngumpul di satu area yang rapi, berarti hati lu dan model DSP lu udah sejiwa.

4. Membangun Model Machine Learning: K-Means Anomaly Detection

Masuk ke inti ritual: Pembuatan model AI. Di Edge Impulse, untuk mendeteksi anomali tanpa harus melatih kategori kelas rusak yang spesifik, kita menggunakan kombinasi klasifikasi (opsional) dengan blok Anomaly Detection yang ditenagai oleh algoritma K-Means clustering.

Cara kerjanya begini:

Fitur DSP dari data normal dikelompokkan menjadi beberapa klaster menggunakan algoritma K-Means.
Algoritma menghitung jarak (distance metric) dari setiap titik data baru terhadap pusat klaster (centroid) terdekat.
Jika data sensor baru memiliki jarak yang jauh melampaui batas ambang (threshold) yang ditentukan, maka sistem akan mencetak skor anomali yang tinggi.

Berikut adalah cuplikan kode implementasi hasil export Edge Impulse C++ library yang berjalan di mikrokontroler untuk menghitung inferensi dan skor anomali:

##include <your_model_inferencing.h>
// Buffer penampung data sensor sesuai ukuran input model
float buffer[EI_CLASSIFIER_DSP_INPUT_FRAME_SIZE];
void setup() {
Serial.begin(115200);
// Inisialisasi sensor di sini
}
void loop() {
// 1. Ambil data dari akselerometer dan masukkan ke buffer
// (pastikan jumlah sampel sesuai dengan frekuensi sampling model)
// 2. Ubah buffer menjadi signal Edge Impulse
signal_t signal;
numpy::signal_from_buffer(buffer, EI_CLASSIFIER_DSP_INPUT_FRAME_SIZE, &signal);
// 3. Jalankan inferensi
ei_impulse_result_t result = { 0 };
AI_Error err = run_classifier(&signal, &result, false);
if (err != EI_IMPULSE_OK) {
Serial.print("Gagal menjalankan inferensi, error: ");
Serial.println(err);
return;
}
// 4. Cek skor anomali
#if EI_CLASSIFIER_HAS_ANOMALY == 1
Serial.print("Skor Anomali: ");
Serial.println(result.anomaly);
if (result.anomaly > 0.5) {
Serial.println("PERINGATAN: Mesin Bergetar Tidak Wajar! Siap-siap rugi!");
}
#endif
delay(100);
}

Perhatikan variabel result.anomaly. Nilai ini direpresentasikan sebagai angka floating-point. Jika angkanya melebihi ambang batas yang kita setel di panel Edge Impulse (misalnya 0.4 atau 0.5), mikrokontroler bisa langsung menyalakan LED merah, membunyikan buzzer, atau mengirimkan sinyal darurat via modul MQTT/LoRaWAN.

5. Deploy dan Optimasi ke Perangkat Edge (TinyML Deployment)

Bagian paling epik dari proses ini adalah saat kita men-download model yang udah matang ke dalam bentuk library C/C++ mentah atau firmware siap-pakai (pre-built firmware). Edge Impulse mendukung berbagai jenis target hardware, mulai dari Arduino Nano 33 BLE Sense, Seeed Studio Wio Terminal, hingga board berbasis ESP32 dan Raspberry Pi RP2040.

Kenapa TinyML di perangkat edge ini sangat memukau secara teknis? Mari kita lihat keunggulannya:

Latensi Rendah (Low Latency): Proses ekstraksi fitur DSP dan perhitungan K-Means jarak anomali hanya memakan waktu beberapa milidetik saja di chip ARM Cortex-M4 atau Cortex-M33 berkecepatan puluhan MHz.
Efisiensi Daya Ekstrem: Karena berjalan secara lokal tanpa perlu koneksi Wi-Fi/Cellular konstan untuk ngirim data mentah, konsumsi daya bisa ditekan hingga tingkat mikro-watt (µW) jika dikombinasikan dengan mode sleep mikrokontroler.
Independen dari Cloud: Kalau pabrik lagi mati internet (karena kabel cut atau ditikusin), sistem deteksi anomali tetap berjalan gagah berani menyelamatkan mesin lokal.

Ketika menguji model di board target, lakukan pengujian lapangan (field testing). Coba berikan gangguan fisik kecil pada motor uji—misalnya dengan menempelkan beban tidak seimbang di poros as motor. Perhatikan lonjakan pada result.anomaly di Serial Monitor. Jika responsnya instan, selamat! Lu resmi naik pangkat dari kuli ngoprek biasa jadi AI Embedded Engineer berkaliber internasional.

Kesimpulan

Deteksi anomali motor industri menggunakan kombinasi Edge Impulse dan TinyML bukan lagi sekadar mimpi fiksi ilmiah di film Hollywood. Dengan memanfaatkan sensor akselerometer sederhana, ekstraksi fitur DSP Spectral Analysis, serta algoritma K-Means Anomaly Detection, kita bisa mendeteksi kerusakan mekanis sejak dini tanpa harus bergantung pada “ilmu dukun pabrik” atau koneksi cloud yang ribet.

Teknologi ini membuat perawatan prediktif (Predictive Maintenance) menjadi sangat terjangkau, efisien, dan bisa diterapkan di berbagai skala industri—dari pabrik raksasa hingga genset rumahan. Jadi, tunggu apa lagi? Ambil mikrokontrolermu, pasang sensornya, latih modelnya di Edge Impulse, dan buktikan sendiri betapa canggihnya dunia TinyML!