Pengembangan Sistem Deteksi Kehadiran Manusia Berbasis AIoT Menggunakan Grove Vision AI V2 untuk Pemantauan Lingkungan Cerdas

Jufri Jufri; Dori Gusti  Alex Candra; Yudi  Herdiana; Nurul  Umami; Kurniati  Rahmadani

doi:10.55382/jurnalpustakarobotsister.v4i2.2348

Authors

Jufri Jufri Institut Teknologi Mitra Gama
Dori Gusti Alex Candra Institut Teknologi Mitra Gama
Yudi Herdiana Universitas Bale Bandung
Nurul Umami Institut Teknologi dan Kesehatan Aspirasi
Kurniati Rahmadani Universitas Bina Bangsa

DOI:

https://doi.org/10.55382/jurnalpustakarobotsister.v4i2.2348

Keywords:

Embedded AI, AIoT, Grove Vision AI V2, MQTT, Smart Environment

Abstract

Sistem deteksi kehadiran manusia konvensional pada infrastruktur lingkungan cerdas saat ini umumnya masih bergantung pada sensor pasif yang rentan terhadap alarm palsu dan tidak memiliki kapabilitas identifikasi visual. Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan arsitektur metodologis Artificial Intelligence of Things (AIoT) terdesentralisasi berbasis Embedded AI menggunakan modul Grove Vision AI V2. Kebaruan ilmiah (novelty) penelitian ini terletak pada pemisahan beban (decoupling) antara komputasi inferensi visi spasial berdaya ekstra-rendah pada koprosesor Himax WiseEye2 HX6538 dengan manajemen transmisi jaringan asinkron melalui mikrokontroler XIAO ESP32C3. Pendekatan ini secara struktural mengubah paradigma pengawasan menjadi sistem berorientasi peristiwa (event-driven) menggunakan protokol MQTT. Data inferensi didistribusikan menuju peladen lokal Raspberry Pi 4B untuk divisualisasikan pada dasbor Home Assistant, dicatat secara historis, dan memicu notifikasi Telegram, yang turut didukung pemantauan lokal via antarmuka OLED. Pengujian dievaluasi melalui 300 sampel sesi operasional di bawah variasi intensitas cahaya (100–800 lux) dan degradasi jarak spasial (1–3 meter). Hasil uji statistik menunjukkan performa klasifikasi yang konsisten dengan rata-rata Accuracy 94,00% dan F1-Score 94,96%. Transmisi telemetri mencatatkan latensi yang sangat responsif (54,80 ms) dengan konsumsi daya inferensi aktif yang sangat efisien, yakni hanya sebesar 0,22 W. Penelitian ini membuktikan bahwa arsitektur Edge AI terdesentralisasi mampu menghadirkan pengawasan yang andal, menekan konsumsi energi, serta secara signifikan meningkatkan privasi data visual pengguna dengan mereduksi risiko kebocoran informasi akibat eliminasi komputasi cloud.

Downloads

Download data is not yet available.

References

W. Hidayat, E. Saputra, and A. Nugroho, “Penerapan Internet of Things untuk Monitoring Lingkungan Cerdas (Smart Environment) Terintegrasi,” JNTETI (Jurnal Nas. Tek. Elektro dan Teknol. Informasi), vol. 12, no. 3, pp. 210–218, 2023, doi: 10.22146/jnteti.v12i3.4512.

J. Zhang and D. Tao, “Empowering Things with Intelligence: A Survey of the Progress, Challenges, and Opportunities in Artificial Intelligence of Things,” IEEE Internet Things J., vol. 8, no. 10, pp. 7789–7817, 2021, doi: 10.1109/JIOT.2020.3039359.

A. B. Pulungan, Y. Syafitri, and F. Ramadhan, “Sistem Keamanan Ruangan Berbasis Internet of Things Menggunakan Protokol MQTT,” JTEV (Jurnal Tek. Elektro dan Vokasional), vol. 8, no. 1, pp. 12–20, 2022, doi: 10.24036/jtev.v8i1.11540.

E. Baccour, A. Erbad, A. Mohamed, A. Kantarci, and M. Guizani, “Pervasive AI for IoT Applications: A Survey on Resource-Efficient Distributed Artificial Intelligence,” IEEE Commun. Surv. & Tutorials, vol. 24, no. 4, pp. 2366–2411, 2022, doi: 10.1109/COMST.2022.3198223.

R. Pratama, T. Hidayat, and A. Kurniawan, “Otomasi Smart Home Berbasis ESP32 dan Notifikasi Telegram Menggunakan Protokol MQTT,” JEPIN (Jurnal Edukasi dan Penelit. Inform., vol. 7, no. 1, pp. 45–52, 2021, doi: 10.26418/jp.v7i1.43921.

M. Chen and Y. Hao, “A Survey on Edge AI: Concepts, Architectures, and Applications,” J. Syst. Archit., vol. 116, p. 102091, 2021, doi: 10.1016/j.sysarc.2021.102091.

H. Saputra, I. Gunawan, and D. Yulianto, “Rancang Bangun Sistem Monitoring Kehadiran Berbasis Artificial Intelligence of Things (AIoT),” J. Ilm. Teknol. Inf. Asia, vol. 16, no. 2, pp. 85–94, 2022, doi: 10.32815/jitika.v16i2.645.

S. Soro, “TinyML for Ubiquitous Edge AI,” Internet of Things, vol. 14, p. 100477, 2021, doi: 10.1016/j.iot.2021.100477.

B. Mishra and A. Kertesz, “Energy-Efficient IoT using MQTT: A Performance Evaluation,” IEEE Internet Things J., vol. 7, no. 10, pp. 9986–10001, 2020, doi: 10.1109/JIOT.2020.2998631.

V. Hayyolalam, M. Aloqaily, I. Al Ridhawi, Y. Jararweh, and M. Guizani, “Edge Intelligence for Empowering IoT-Based Healthcare Systems,” Futur. Gener. Comput. Syst., vol. 117, pp. 164–178, 2021, doi: 10.1016/j.future.2020.11.015.

B. Xia and others, “Smart Building Occupancy based on Edge Computing and AI,” Energy Build., vol. 260, p. 112000, 2022, doi: 10.1016/j.enbuild.2022.112000.

Z. Huang, K. Zandberg, K. Schleiser, and E. Baccelli, “RIOT-ML: Toolkit for Over-the-Air Secure Updates and Performance Evaluation of TinyML Models,” Ann. Telecommun., vol. 79, no. 5--6, pp. 311–325, 2024, doi: 10.1007/s12243-024-01041-5.

A. Nugroho, S. Riyanto, and B. Prasetyo, “Deteksi Manusia Menggunakan Modul Kamera dan Deep Learning pada Lingkungan Edge,” J. Sistim Inf. dan Teknol., vol. 6, no. 1, pp. 112–119, 2024, doi: 10.37034/jsisfotek.v6i1.234.

R. Fauzi, E. Widianto, and R. Susanti, “Integrasi Home Assistant dan Edge AI untuk Pengendalian Perangkat Elektronik Pintar,” JTIIK (Jurnal Teknol. Inf. dan Ilmu Komputer), vol. 10, no. 4, pp. 789–798, 2023, doi: 10.25126/jtiik.20231046892.

R. Hakim, E. Mulyana, and H. Purnomo, “Penggunaan TinyML untuk Deteksi Objek Berdaya Rendah pada Perangkat Internet of Things,” J. Sist. Cerdas, vol. 8, no. 1, pp. 30–38, 2025, doi: 10.37396/jsc.v8i1.310.

H. Hindy and others, “Machine Learning Based IoT Intrusion Detection System: An MQTT Case Study,” Futur. Internet, vol. 12, no. 10, p. 180, 2020, doi: 10.3390/fi12100180.

K. T. M. Tran, A. X. Pham, N. P. Nguyen, and P. T. Dang, “Analysis and Performance Comparison of IoT Message Transfer Protocols Applying in Real Photovoltaic System,” Discov. Internet Things, vol. 4, no. 1, 2024, doi: 10.1007/s43926-024-00059-8.

H. J. J. Ochoa, C. A. B. Garcia, and H. A. C. Medina, “Comparative Analysis of Power Consumption between MQTT and HTTP Protocols in IoT Applications,” Sensors, vol. 23, no. 11, p. 5235, 2023, doi: 10.3390/s23115235.

S. Widodo, L. Hakim, and A. Fauzi, “Evaluasi Kinerja Protokol MQTT pada Sistem Pemantauan IoT Berbasis Mikrokontroler,” J. Teknol. dan Sist. Komput., vol. 8, no. 4, pp. 280–287, 2020, doi: 10.14710/jtsiskom.2020.13840.

I. Gunawan, R. Syahputra, and D. Haryanto, “Sistem Peringatan Dini Keamanan Ruangan dengan Notifikasi Bot Telegram Berbasis Computer Vision,” J. Rekayasa Elektr., vol. 17, no. 3, pp. 155–162, 2021, doi: 10.17529/jre.v17i3.18942.

A. Setiawan, B. Wibowo, and R. Susanto, “Implementasi Edge Computing pada Deteksi Wajah untuk Sistem Kehadiran Berbasis Raspberry Pi,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 6, no. 2, pp. 250–258, 2022, doi: 10.29207/resti.v6i2.3781.

Home Assistant, “Home Assistant Architecture and Integration Documentation.” 2024.

Raspberry Pi Foundation, “Raspberry Pi 4 Model B Hardware Specifications.” 2023.

S. Katsikeas, K. Fysarakis, and others, “Performance Evaluation of Lightweight IoT Protocols for Resource-Constrained Devices,” IEEE Internet Things J., vol. 8, no. 5, pp. 3433–3444, 2021, doi: 10.1109/JIOT.2020.3018249.