Apa Itu TinyML?

Perkembangan Internet of Things (IoT) telah mendorong hadirnya berbagai perangkat pintar yang mampu mengumpulkan, mengirimkan, serta mengolah data secara otomatis. Beragam perangkat, mulai dari sensor lingkungan, alat kesehatan, sistem pertanian cerdas, hingga peralatan rumah tangga modern, kini semakin luas memanfaatkan teknologi IoT guna mendukung kemudahan dalam aktivitas sehari-hari. Di sisi lain, kebutuhan akan pemrosesan data yang lebih cepat dan efisien terus mengalami peningkatan. Selama ini, sebagian besar sistem IoT masih mengandalkan layanan cloud dalam menjalankan algoritma kecerdasan buatan (AI). Data yang dihimpun oleh sensor harus dikirimkan terlebih dahulu melalui jaringan internet menuju server pusat, kemudian diproses, dan hasilnya dikembalikan lagi ke perangkat. Pendekatan ini terbukti berfungsi dengan baik, namun mengandung sejumlah keterbatasan, seperti ketergantungan pada koneksi internet, tingginya latensi, konsumsi bandwidth yang besar, serta meningkatnya penggunaan energi. Untuk menjawab tantangan tersebut, muncul sebuah pendekatan baru yang dikenal dengan istilah Tiny Machine Learning (TinyML)[1][2][3].

TinyML merupakan teknologi yang memungkinkan model machine learning untuk dijalankan secara langsung pada perangkat bervolume kecil dengan kapasitas sumber daya yang terbatas, misalnya mikrokontroler. Dengan teknologi ini, perangkat dapat mengambil keputusan secara mandiri tanpa harus senantiasa bergantung pada server atau cloud. Secara sederhana, jika machine learning konvensional memerlukan “komputer besar” untuk melakukan proses berpikir, maka TinyML menghadirkan “otak kecil” yang mampu beroperasi langsung di dalam perangkat itu sendiri. Pertumbuhan jumlah perangkat IoT di berbagai bidang turut meningkatkan kebutuhan terhadap sistem yang responsif, efisien dalam penggunaan energi, serta mampu beroperasi secara otonom. Tidak seluruh perangkat memiliki akses internet yang konsisten atau kapasitas komputasi yang memadai. Karena itu, diperlukan suatu pendekatan yang dapat memproses data secara langsung di titik asal data tersebut berada, yang dikenal sebagai komputasi tepi (edge computing).

Mengapa TinyMl penting?

TinyML hadir sebagai jawaban atas kebutuhan tersebut. Dengan menjalankan proses inferensi secara langsung pada perangkat, data tidak lagi harus selalu dikirimkan ke pusat cloud. Pendekatan ini menawarkan sejumlah manfaat yang dijabarkan sebagai berikut[4][5].

1. Kecepatan respons sistem meningkat karena tidak bergantung pada durasi komunikasi dengan server.
2. Efisiensi energi yang lebih baik, sehingga sangat sesuai untuk perangkat yang mengandalkan daya baterai.
3. Perlindungan data pribadi lebih terjamin karena sebagian besar pemrosesan dilakukan secara lokal.
4. Perangkat tetap dapat berfungsi meskipun kondisi koneksi internet terbatas atau sama sekali tidak tersedia.

Bagaimana TinyML bekerja?

Tahap awal dalam penerapan TinyML adalah pengumpulan data dari beragam sumber, seperti sensor suhu, kelembapan, maupun getaran pada peralatan mekanis. Data yang terkumpul kemudian dimanfaatkan untuk melatih model machine learning dengan menggunakan komputer yang memiliki kapasitas pemrosesan tinggi. Setelah proses pelatihan rampung, model tersebut menjalani tahap optimasi guna mengurangi ukuran dan kompleksitasnya. Tujuan dari optimasi ini adalah agar model tetap dapat beroperasi pada mikrokontroler yang memiliki keterbatasan ruang penyimpanan dan daya komputasi. Model selanjutnya diunggah ke perangkat embedded, misalnya ESP32, STM32, Arduino Nano 33 BLE Sense, atau berbagai jenis mikrokontroler lainnya. Pada saat perangkat menerima masukan dari sensor, model TinyML akan langsung melakukan inferensi dan menghasilkan keluaran berupa keputusan secara langsung (real-time). Secara ringkas, alur kerja TinyML dapat direpresentasikan sebagai berikut[5][6]:

Kelebihan dan Kekurangan

Kelebihan dan Kekurangan dari TinyML dapat diringkas pada tabel di bawah ini[4].

Referensi

[1]      S. Heydari and Q. H. Mahmoud, “Tiny Machine Learning and On-Device Inference: A Survey of Applications, Challenges, and Future Directions,” May 01, 2025, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/s25103191.

[2]      D. L. Dutta and S. Bharali, “TinyML Meets IoT: A Comprehensive Survey,” Dec. 01, 2021, Elsevier B.V. doi: 10.1016/j.iot.2021.100461.

[3]      P. P. Ray, “A review on TinyML: State-of-the-art and prospects,” Apr. 01, 2022, King Saud bin Abdulaziz University. doi: 10.1016/j.jksuci.2021.11.019.

[4]      N. Schizas, A. Karras, C. Karras, and S. Sioutas, “TinyML for Ultra-Low Power AI and Large Scale IoT Deployments: A Systematic Review,” Dec. 01, 2022, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/fi14120363.

[5]      P. P. Ray, “A review on TinyML: State-of-the-art and prospects,” Apr. 01, 2022, King Saud bin Abdulaziz University. doi: 10.1016/j.jksuci.2021.11.019.

[6]      V. Rajapakse, I. Karunanayake, and N. Ahmed, “Intelligence at the Extreme Edge: A Survey on Reformable TinyML,” Jan. 2023, doi: 10.1145/3583683.