Kecerdasan buatan (Artificial Intelligence atau AI) selama ini identik dengan sistem besar yang dijalankan di server atau cloud dengan resource atau daya komputasi tinggi. Namun, dalam beberapa tahun terakhir, muncul perubahan besar dalam cara kita memandang dan memanfaatkan AI. Saat ini, AI tidak lagi harus bergantung pada koneksi internet atau pusat data yang super besar, AI bisa ditanamkan dan bekerja langsung di perangkat kecil di sekitar kita. Konsep inilah yang dikenal dengan Edge AI dan TinyML.

Perkembangan ini didorong oleh kebutuhan akan kecepatan, efisiensi, serta privasi. Ketika data harus dikirim ke server untuk diproses, muncul risiko keterlambatan dan kebocoran informasi. Di sisi lain, tidak semua tempat memiliki koneksi internet stabil, seperti area pertanian, laut, atau lokasi terpencil. Edge AI dan TinyML menawarkan solusi, yaitu menjalankan kecerdasan buatan langsung di perangkat kecil yang ada di lapangan.

Apa Itu Edge AI dan TinyML?

Edge AI adalah konsep di mana proses kecerdasan buatan (AI) tidak lagi dilakukan di cloud, melainkan langsung di perangkat kecil, atau yang sering disebut sebagai edge devices, seperti kamera, drone, handphone, atau sensor lainnya. Dengan pemrosesan yang terjadi di dekat sumber data, sistem menjadi lebih cepat dan independen. Data tidak perlu dikirim ke server, sehingga mengurangi latensi dan menjaga privasi pengguna. Misalnya, kamera keamanan yang mampu mengenali wajah atau gerakan mencurigakan tanpa perlu mengirim video ke server pusat.

Sementara itu, TinyML (Tiny Machine Learning) merupakan bentuk AI yang lebih ringan lagi. TinyML memungkinkan model machine learning berjalan di perangkat dengan sumber daya sangat terbatas, seperti mikrokontroler atau sensor kecil. Model TinyML biasanya berukuran sangat kecil, misalnya hanya beberapa kilobyte hingga megabyte, namun cukup untuk melakukan tugas tertentu seperti mendeteksi suara, mengenali pola gerak, atau memantau kondisi lingkungan. Contohnya, sensor kelembapan yang dapat mengenali pola cuaca lokal tanpa perlu koneksi internet.

Mengapa Edge AI dan TinyML Semakin Penting

Ada beberapa alasan mengapa Edge AI dan TinyML menjadi teknologi yang semakin krusial di era sekarang:

  1. Kecepatan dan Respons Real-Time

Karena pemrosesan dilakukan langsung di perangkat, Edge AI menghilangkan jeda waktu yang biasa terjadi ketika data dikirim ke server. Ini sangat penting untuk aplikasi seperti automatic driving vehicle, robotika, atau drone yang memerlukan prediksi instan.

  1. Privasi Data yang Lebih Terjaga

Dalam banyak kasus, data sensitif seperti citra wajah, rekam medis, atau informasi lokasi tidak boleh keluar dari perangkat. Dengan Edge AI, semua pemrosesan dapat dilakukan secara lokal sehingga keamanan data lebih terjamin.

  1. Efisiensi Energi dan Biaya

TinyML memungkinkan sistem AI berjalan dengan daya yang sangat rendah. Sebuah sensor dengan baterai kecil bisa bertahan berbulan-bulan bahkan bertahun-tahun tanpa pengisian ulang, menjadikannya ideal untuk perangkat IoT.

  1. Kemandirian Sistem

Edge AI dan TinyML dapat berfungsi tanpa koneksi internet, sehingga cocok untuk lingkungan terpencil atau aplikasi lapangan seperti pertanian dan eksplorasi.

Teknologi dan Perangkat Populer

Untuk mewujudkan Edge AI dan TinyML, dibutuhkan perangkat keras dan perangkat lunak yang ringan namun bertenaga. Beberapa teknologi dan platform yang populer di kalangan peneliti dan pengembang antara lain:

  1. NVIDIA Jetson Nano / Xavier NX: device mini dengan GPU kecil yang sering digunakan untuk proyek AI berbasis kamera atau robotika.
  2. Google Coral Edge TPU: akselerator AI berukuran mini yang dirancang khusus untuk inferensi model di perangkat edge.
  3. Raspberry Pi 5: komputer mini yang dapat menjalankan model AI dengan dukungan akselerator tambahan.
  4. Arduino Nano 33 BLE Sense: mikrokontroler ringan dengan sensor bawaan yang mendukung TinyML.
  5. TensorFlow Lite for Microcontrollers (TFLM): framework open-source dari Google yang memungkinkan model ML berjalan di perangkat berdaya rendah.

Tantangan dalam Pengembangan

Meskipun memiliki banyak kelebihan yang menjanjikan, penerapan Edge AI dan TinyML juga memiliki beberapa tantangan. Salah satu tantangan utama adalah keterbatasan perangkat keras. Perangkat kecil seperti mikrokontroler hanya memiliki kapasitas memori dan prosesor yang terbatas. Karena itu, model AI harus dioptimalkan agar cukup ringan untuk dijalankan di sana. Untuk mengoptimalkan model AI tersebut, terdapat beberapa metode yang dapat digunakan, seperti:

  1. Quantization: mengubah bobot model dari format 32-bit menjadi 8-bit agar lebih ringan.
  2. Pruning: menghapus neuron atau parameter yang tidak terlalu berpengaruh dari model.
  3. Knowledge Distillation: melatih model kecil (student) menggunakan keluaran dari model besar (teacher) sebagai panduan.

Selain itu, kompatibilitas framework juga menjadi isu penting. Tidak semua model dari TensorFlow atau PyTorch bisa langsung dikonversi ke format yang kompatibel dengan perangkat kecil. Tantangan lain adalah dalam hal pemeliharaan dan pembaruan model, terutama jika model tersebut telah tersebar di ratusan perangkat yang tersebar di lapangan.

(a) Pruning, (b) Quantization, (c) Knowledge Distillation. Shumba (2023).

Kesimpulan

Edge AI dan TinyML membawa revolusi baru dalam cara kecerdasan buatan atau AI dijalankan dan diterapkan. Dari sistem besar di server cloud kini bergeser ke perangkat kecil di lapangan, teknologi ini membuka peluang besar bagi inovasi di berbagai sektor. Dengan efisiensi daya, privasi yang lebih baik, dan kecepatan pemrosesan tinggi, Edge AI dan TinyML menjadi potensi besar untuk implementasi AI di real-world cases.

Penulis

Muhammad Alfhi Saputra, S.Kom., M.Kom.

Referensi

  1. Salami. (2025). Edge AI & TinyML. https://verpex.com/blog/reseller-hosting/edge-ai-tinyml
  2. Ogori. (2025). TinyML and Edge AI on Resource-Constrained Devices . https://areeblog.com/tinyml-and-edge-ai-on-resource-constrained-devices/
  3. Abadade, Y., Temouden, A., Bamoumen, H., Benamar, N., Chtouki, Y., & Hafid, A.S. (2023). A Comprehensive Survey on TinyML. IEEE Access, 11, 96892-96922.
  4. Merenda, M., Porcaro, C., & Iero, D. (2020). Edge Machine Learning for AI-Enabled IoT Devices: A Review. Sensors, 20(9), 2533. https://doi.org/10.3390/s20092533
  5. Shumba, A. T., Montanaro, T., Sergi, I., Bramanti, A., Ciccarelli, M., Rispoli, A., … & Patrono, L. (2023). Wearable technologies and AI at the far edge for chronic heart failure prevention and management: a systematic review and prospects. Sensors, 23(15), 6896.