Energy-Aware Adaptive TinyML pada IoT Bertenaga Surya untuk Optimalisasi Edge AI Pertanian Presisi

Abstract

Penerapan Tiny Machine Learning (TinyML) pada perangkat IoT bertenaga surya sering terhambat oleh fluktuasi energi dan lonjakan arus aktuator mekanis. Sistem Edge AI konvensional dengan inferensi statis sangat rentan memicu kegagalan daya total (brown-out). Penelitian ini mengusulkan sebuah arsitektur siber-fisik lintas-lapisan yang memungkinkan node IoT mengadaptasi beban kerja kognitif dan fisik secara otonom berdasarkan kesadaran kapasitas energi internal (State of Charge/SoC). Diimplementasikan pada ESP32, sistem ini mengorkestrasi jaringan saraf multi-tingkat (Model Gold, Silver, dan Bronze) yang dikuantisasi ke presisi INT8 secara lossless. Sistem secara mandiri melakukan hot-swapping komputasi sesuai ketersediaan daya, seraya memodulasi beban aktuator irigasi tetes via sinyal Pulse Width Modulation (PWM). Observasi lapangan membuktikan efektivitas sistem; manajemen daya menunjukkan kinerja baik dengan dominasi Model Silver (97,89%) dan eksploitasi surplus daya via Model Gold (0,03%). Keseimbangan komputasi ini memastikan SoC tidak pernah menyentuh defisit kritis (aktivasi Bronze 0,00%), sehingga tidak ditemukan brown-out selama pengujian. Didukung mitigasi perangkat keras dioda penyearah, efisiensi konversi daya sistem keseluruhan mencapai 96,06%, mendukung tercapainya Energy-Neutral Operation (ENO) selama observasi. Secara agronomis, intervensi hard-cutoff PWM saat batas kelembaban tanah 80% terpenuhi menghasilkan Water Use Efficiency (WUE) sebesar 0,3141 %RH/Liter tanpa memicu limpasan permukaan. Kerangka ini menawarkan cetak biru komputasi edge adaptif yang andal untuk ekosistem pertanian presisi off-grid