AIoT dan Edge AI: Menggabungkan Artificial Intelligence dengan IoT

Pada level-level sebelumnya, kita telah mempelajari bagaimana IoT menghubungkan sensor, perangkat, gateway, network, cloud, database, hingga dashboard.

Namun ada satu pertanyaan penting:

Bagaimana jika perangkat IoT tidak hanya mengumpulkan data, tetapi juga mampu memahami data tersebut dan mengambil keputusan secara cerdas?

Jawabannya adalah AIoT.

AIoT (Artificial Intelligence of Things) merupakan konsep yang menggabungkan Artificial Intelligence (AI) dengan Internet of Things (IoT).

IoT memungkinkan perangkat:

Mengumpulkan Data
       ↓
Mengirim Data
       ↓
Menyimpan Data
       ↓
Menampilkan Data

Sedangkan AI memungkinkan sistem:

Memahami Data
       ↓
Mencari Pola
       ↓
Membuat Prediksi
       ↓
Mengambil Keputusan

Ketika keduanya digabungkan:

IoT + AI
   ↓
AIoT
   ↓
Perangkat Lebih Cerdas

Dengan AIoT, sistem tidak hanya menjawab:

"Apa yang sedang terjadi?"

Tetapi juga dapat membantu menjawab:

"Mengapa hal tersebut terjadi?"

dan bahkan:

"Apa yang kemungkinan terjadi berikutnya?"

Materi ini adalah Level 17 dari Kurikulum Internet of Things Raja Putra Media tentang AIoT dan Edge AI, yaitu menggabungkan Artificial Intelligence dengan IoT sehingga mampu memprediksi kemungkinan apa yang akan terjadi berikutnya.

AIoT vs IoT

Perbedaan paling mudah dapat dilihat dari fungsi masing-masing.

IoT

Sensor
 ↓
Data
 ↓
Cloud
 ↓
Dashboard

Manusia melihat dan menganalisis data.

AIoT

Sensor
 ↓
Data
 ↓
AI Model
 ↓
Prediction / Decision
 ↓
Action

Sistem dapat membantu melakukan analisis secara otomatis.

Misalnya sebuah kamera IoT mendeteksi kondisi mesin.

IoT biasa mungkin hanya mengirimkan:

Image
 ↓
Cloud
 ↓
Dashboard

AIoT dapat melakukan:

Image
 ↓
AI Model
 ↓
Detect Anomaly
 ↓
Alert

Bahkan pada sistem tertentu:

Detect Anomaly
      ↓
Decision
      ↓
Stop Machine

Tentu saja keputusan otomatis seperti ini membutuhkan validasi, desain safety, dan mekanisme kontrol yang tepat.

Apa Itu Edge AI?

Edge AI adalah penerapan Artificial Intelligence pada perangkat edge, yaitu perangkat yang berada dekat dengan sumber data.

Alih-alih selalu mengirimkan data ke cloud:

Sensor
 ↓
Internet
 ↓
Cloud
 ↓
AI Processing

Edge AI memungkinkan proses AI dilakukan lebih dekat dengan perangkat:

Sensor
 ↓
Edge Device
 ↓
AI Processing
 ↓
Decision

Edge device dapat berupa:

• smartphone;
• kamera pintar;
• gateway;
• Raspberry Pi;
• industrial computer;
• perangkat embedded;
• atau perangkat khusus dengan akselerator AI.

Mengapa Edge AI Dibutuhkan?

Bayangkan sebuah kamera menghasilkan video secara terus-menerus.

Jika seluruh video dikirim ke cloud:

Camera
 ↓
Internet
 ↓
Cloud
 ↓
AI

jumlah data yang dikirim dapat sangat besar.

Dengan Edge AI:

Camera
 ↓
Edge AI
 ↓
Detect Object
 ↓
Send Important Result
 ↓
Cloud

Perangkat edge dapat mengolah data terlebih dahulu.

Misalnya kamera menghasilkan ribuan frame, tetapi sistem hanya mengirimkan informasi:

Person Detected
Time: 10:32:14
Location: Area A
Confidence: 96%

Pendekatan tersebut dapat membantu mengurangi kebutuhan bandwidth dan mempercepat respons.

Hubungan AI, IoT, AIoT, dan Edge AI

Keempat istilah ini sering membingungkan pemula.

Mari sederhanakan.

IoT

Fokus pada:

Menghubungkan perangkat dan mengumpulkan data.

AI

Fokus pada:

Memahami data dan membuat prediksi atau keputusan.

AIoT

Fokus pada:

Menggabungkan AI dengan ekosistem IoT.

Edge AI

Fokus pada:

Menjalankan AI di dekat sumber data atau pada perangkat edge.

Hubungannya dapat digambarkan:

             AI
              │
              │
IoT ──────────┼────────→ AIoT
              │
              │
          Edge AI

AIoT tidak selalu berarti semua AI harus dijalankan di edge.

AIoT dapat menggunakan:

• cloud AI;
• edge AI;
• atau kombinasi keduanya.

Cara Kerja AIoT

Arsitektur AIoT dapat memiliki beberapa tahapan.

┌──────────────────┐
│ Sensors / Camera │
└────────┬─────────┘
         ↓
┌──────────────────┐
│ IoT Device       │
└────────┬─────────┘
         ↓
┌──────────────────┐
│ Edge Processing  │
└────────┬─────────┘
         ↓
┌──────────────────┐
│ AI Inference     │
└────────┬─────────┘
         ↓
┌──────────────────┐
│ Decision / Action │
└────────┬─────────┘
         ↓
┌──────────────────┐
│ Cloud / Database │
└──────────────────┘

Mari kita lihat prosesnya.

1. Sensor Menghasilkan Data

Sistem AIoT tetap membutuhkan sumber data.

Data dapat berasal dari:

• temperature sensor;
• vibration sensor;
• microphone;
• camera;
• GPS;
• accelerometer;
• pressure sensor;
• current sensor;
• dan berbagai perangkat lainnya.

Contohnya kamera menghasilkan gambar.

Camera
 ↓
Image

2. IoT Device Mengumpulkan Data

Data kemudian diterima oleh perangkat seperti:

• ESP32;
• Raspberry Pi;
• gateway;
• industrial controller;
• atau perangkat embedded lainnya.

Untuk aplikasi AI yang kompleks, kemampuan hardware harus disesuaikan dengan model AI yang digunakan.

3. Data Diproses

Data dapat diproses di:

Device
   ↓
Edge
   ↓
Cloud

Pemilihan lokasi pemrosesan bergantung pada:

• latency;
• bandwidth;
• kemampuan hardware;
• privacy;
• biaya;
• dan kebutuhan aplikasi.

4. AI Melakukan Inference

Model AI yang telah dilatih digunakan untuk melakukan inference.

Misalnya model computer vision menerima gambar:

Image
 ↓
AI Model
 ↓
Object Detection
 ↓
Person

Atau sensor vibration:

Vibration Data
 ↓
AI Model
 ↓
Anomaly Detection
 ↓
Abnormal

5. Sistem Menghasilkan Keputusan

Output AI kemudian dapat digunakan untuk tindakan.

Contohnya:

AI Detects:
Temperature Abnormal
       ↓
Generate Alert
       ↓
Notify Operator

Pada sistem otomatis tertentu:

AI Detects:
Dangerous Condition
       ↓
Control System
       ↓
Machine Action

Untuk sistem yang berkaitan dengan keselamatan, AI sebaiknya tidak dianggap sebagai satu-satunya mekanisme safety tanpa validasi dan pengendalian yang sesuai.

6. Data Dikirim ke Cloud

Walaupun AI berjalan di edge, cloud masih memiliki peran penting.

Contohnya:

Edge
 ↓
Inference
 ↓
Result
 ↓
Cloud
 ↓
Database
 ↓
Dashboard

Cloud dapat digunakan untuk:

• penyimpanan histori;
• analytics;
• model management;
• monitoring;
• reporting;
• fleet management;
• dan pelatihan model.

AI Inference vs AI Training

Ini adalah konsep penting dalam AIoT.

Training adalah proses melatih model menggunakan data.

Sedangkan inference adalah proses menggunakan model yang telah dilatih untuk menghasilkan prediksi.

Sederhananya:

Training
Data
 ↓
Machine Learning
 ↓
Model

Kemudian:

Inference
New Data
 ↓
Trained Model
 ↓
Prediction

Pada banyak sistem Edge AI, model dilatih menggunakan infrastruktur yang lebih kuat, kemudian model yang sudah siap digunakan dideploy ke edge device.

Mengapa AI Training Tidak Selalu Dilakukan di Edge?

Perangkat edge biasanya memiliki keterbatasan dibandingkan server atau GPU cloud.

Training dapat membutuhkan:

• CPU/GPU;
• RAM;
• storage;
• dataset besar;
• waktu komputasi;
• dan energi.

Karena itu arsitektur yang umum adalah:

Data
 ↓
Cloud / Powerful Computer
 ↓
Training
 ↓
AI Model
 ↓
Deploy
 ↓
Edge Device
 ↓
Inference

Ini merupakan salah satu pola penting dalam AIoT.

Contoh AIoT pada Smart Factory

Salah satu penerapan paling menarik adalah smart manufacturing.

Misalnya kamera digunakan untuk mendeteksi produk cacat.

Arsitekturnya:

Camera
 ↓
Edge Computer
 ↓
Computer Vision Model
 ↓
Defect Detection
 ↓
Reject / Alert

Kamera tidak harus mengirim seluruh video ke cloud.

Edge device dapat melakukan inference secara lokal.

Hasilnya kemudian dapat dikirim ke platform IIoT:

Edge
 ↓
MQTT
 ↓
Broker
 ↓
IIoT Platform
 ↓
Dashboard

AIoT untuk Predictive Maintenance

Pada Level 16 kita telah membahas IIoT dan predictive maintenance.

AI dapat membuat pendekatan tersebut menjadi lebih cerdas.

Misalnya sensor menghasilkan:

Temperature
Vibration
Current
Pressure
RPM

Data dikumpulkan selama berbulan-bulan.

Historical Data
       ↓
Feature Engineering
       ↓
Machine Learning
       ↓
Predictive Model

Model kemudian digunakan pada data terbaru:

Real-Time Sensor Data
       ↓
AI Model
       ↓
Anomaly / Failure Risk

Misalnya sistem menemukan pola yang tidak biasa.

Normal
Normal
Normal
Normal
Anomaly

Operator dapat menerima peringatan untuk melakukan pemeriksaan.

AIoT untuk Computer Vision

Computer vision merupakan salah satu bidang AI yang sangat cocok dikombinasikan dengan IoT.

Contohnya:

• deteksi objek;
• inspeksi kualitas;
• people counting;
• vehicle detection;
• safety monitoring;
• face recognition dalam konteks yang sesuai;
• dan analisis kondisi lingkungan.

Contoh arsitektur:

Camera
 ↓
Edge AI
 ↓
Computer Vision
 ↓
Object Detection
 ↓
Event
 ↓
MQTT
 ↓
Cloud

Contoh: Deteksi Produk Cacat

Bayangkan conveyor membawa produk:

Product
   ↓
Camera
   ↓
AI Model
   ↓
Quality Check

Jika produk normal:

NORMAL
 ↓
Continue

Jika produk terdeteksi cacat:

DEFECT
 ↓
Alert / Reject

Data hasil inspeksi dapat disimpan:

Product ID
Timestamp
Result
Confidence
Machine ID

Kemudian manajemen dapat melihat statistik kualitas melalui dashboard.

AIoT untuk Smart Agriculture

AIoT juga dapat digunakan dalam pertanian.

Sensor mengukur:

Soil Moisture
Temperature
Humidity
Light

Kemudian AI menganalisis data.

Sensor Data
 ↓
AI Model
 ↓
Irrigation Recommendation

Sistem dapat membantu menentukan kapan irigasi perlu dilakukan berdasarkan kondisi tertentu.

Dengan data historis, model juga dapat dikembangkan untuk membantu prediksi.

AIoT untuk Smart City

Dalam smart city, AIoT dapat digunakan untuk:

• traffic monitoring;
• smart parking;
• environmental monitoring;
• waste management;
• public safety;
• energy management.

Contohnya kamera lalu lintas:

Camera
 ↓
Edge AI
 ↓
Vehicle Detection
 ↓
Traffic Analysis
 ↓
Dashboard

Sistem dapat mengirimkan hasil analisis daripada terus mengirim seluruh video mentah.

AIoT untuk Smart Home

Dalam skala konsumen, AIoT dapat digunakan pada:

• smart camera;
• smart thermostat;
• smart security;
• voice assistant;
• energy monitoring;
• smart appliances.

Misalnya kamera rumah:

Camera
 ↓
Edge AI
 ↓
Person Detection
 ↓
Notification

Perangkat dapat mendeteksi kejadian tertentu tanpa harus selalu mengirim seluruh video ke cloud.

AIoT untuk Healthcare

AIoT juga memiliki potensi dalam bidang kesehatan, misalnya untuk:

• wearable devices;
• remote monitoring;
• activity tracking;
• anomaly detection;
• medical equipment monitoring.

Namun sistem yang digunakan untuk keputusan klinis atau keselamatan pasien membutuhkan validasi, keamanan, privasi, dan regulasi yang jauh lebih ketat.

Edge AI vs Cloud AI

Apa perbedaan menjalankan AI di edge dan cloud?

Aspek	Edge AI	Cloud AI
Lokasi inference	Dekat perangkat	Cloud/server
Latency	Rendah	Bergantung koneksi
Internet	Tidak selalu diperlukan untuk inference	Umumnya diperlukan
Bandwidth	Lebih hemat	Bisa lebih besar
Hardware edge	Dibutuhkan	Tidak harus kuat
Skalabilitas komputasi	Terbatas perangkat	Sangat tinggi
Privacy	Data dapat tetap lokal	Data dapat dikirim ke cloud

Tidak ada pendekatan yang selalu lebih baik.

Pemilihannya tergantung kebutuhan.

Kapan Menggunakan Edge AI?

Edge AI menarik ketika sistem membutuhkan:

Latency Rendah

Contohnya:

Camera
 ↓
Detect Object
 ↓
Immediate Response

Koneksi Tidak Stabil

Jika koneksi internet sering terputus, inference lokal dapat membuat sistem tetap berfungsi.

Penghematan Bandwidth

Daripada mengirim seluruh data mentah, perangkat hanya mengirim hasil penting.

Privacy

Data sensitif tertentu dapat diproses secara lokal.

Operasi Real-Time

Aplikasi yang membutuhkan respons cepat dapat memperoleh manfaat dari edge inference.

Kapan Cloud AI Lebih Cocok?

Cloud AI dapat lebih sesuai ketika:

• model sangat besar;
• kebutuhan komputasi tinggi;
• data perlu dianalisis secara terpusat;
• banyak perangkat harus dikelola;
• training model membutuhkan resource besar;
• atau aplikasi tidak membutuhkan respons ultra-low-latency.

Dalam banyak kasus, pendekatan terbaik justru hybrid AI.

Hybrid AIoT

Arsitektur hybrid menggabungkan edge dan cloud.

                ┌───────────────┐
                │     Cloud     │
                │ Training      │
                │ Analytics     │
                │ Storage       │
                └───────▲───────┘
                        │
                     Network
                        │
                ┌───────┴───────┐
                │     Edge      │
                │ AI Inference  │
                │ Filtering     │
                └───────▲───────┘
                        │
                     Sensors

Contohnya:

Edge:

• melakukan inference;
• mendeteksi anomali;
• memfilter data.

Cloud:

• menyimpan data historis;
• melakukan training;
• menganalisis data dalam skala besar;
• mengelola model.

Ini merupakan pola yang sangat relevan untuk sistem AIoT modern.

AIoT dan MQTT

Konsep MQTT IoT meliputi broker, publish/subscribe, QoS, dan cara kerjanya yang kita pelajari pada Level 15 juga dapat digunakan dalam AIoT.

Misalnya Edge AI mendeteksi objek:

Person Detected

Edge device dapat mengirim:

Topic:
factory/area01/camera01/event

Payload:
{
  "event": "person_detected",
  "confidence": 0.96
}

Broker kemudian mendistribusikan event kepada:

• dashboard;
• database;
• notification service;
• analytics system.

Arsitekturnya:

Camera
 ↓
Edge AI
 ↓
MQTT Publish
 ↓
Broker
 ├──→ Dashboard
 ├──→ Database
 └──→ Alert System

AIoT dan Database

Data AIoT dapat disimpan untuk analisis historis.

Misalnya:

Timestamp
Device ID
Sensor
Value
AI Result
Confidence
Event

Contohnya:

10:01
CAM-01
Person
96%
Detected

Data tersebut dapat digunakan untuk:

• reporting;
• trend analysis;
• model improvement;
• anomaly investigation;
• dan audit.

AIoT dan Data Pipeline

Semakin kompleks sistem, semakin penting pipeline data.

Contoh:

Sensor
 ↓
IoT Device
 ↓
Gateway
 ↓
MQTT
 ↓
Broker
 ↓
Stream Processing
 ↓
AI Inference
 ↓
Database
 ↓
Dashboard

Dalam arsitektur tertentu, AI inference dapat terjadi lebih awal:

Sensor
 ↓
Edge AI
 ↓
MQTT
 ↓
Cloud

Tidak ada satu arsitektur yang cocok untuk semua proyek.

Model AI pada Perangkat Edge

Model yang digunakan pada edge biasanya perlu memperhatikan keterbatasan perangkat.

Beberapa pertimbangan:

• ukuran model;
• penggunaan RAM;
• penggunaan CPU;
• konsumsi energi;
• latency;
• akurasi;
• dan kompatibilitas hardware.

Model AI yang sangat besar mungkin tidak cocok dijalankan pada microcontroller sederhana.

Karena itu muncul berbagai pendekatan optimasi model.

Model Quantization

Quantization adalah salah satu teknik optimasi model yang dapat membantu mengurangi ukuran dan kebutuhan komputasi model dengan merepresentasikan parameter menggunakan precision yang lebih rendah.

Secara sederhana:

Model Besar
     ↓
Optimization
     ↓
Model Lebih Ringan
     ↓
Edge Device

Tujuannya adalah mendapatkan keseimbangan antara:

Accuracy
   ↕
Performance
   ↕
Memory
   ↕
Power

TinyML dan AIoT

Ketika machine learning dijalankan pada perangkat dengan resource sangat terbatas, kita mengenal istilah TinyML.

Contohnya:

Microcontroller
      ↓
Small ML Model
      ↓
Inference

Perangkat seperti microcontroller dapat digunakan untuk tugas tertentu seperti:

• anomaly detection;
• keyword spotting;
• sensor classification;
• gesture recognition;
• dan berbagai aplikasi machine learning ringan.

TinyML dapat menjadi bagian dari ekosistem AIoT.

Edge AI pada ESP32 dan Raspberry Pi

Tidak semua perangkat IoT memiliki kemampuan yang sama.

ESP32

Cocok untuk:

• sensor;
• connectivity;
• kontrol sederhana;
• aplikasi machine learning ringan.

Raspberry Pi

Memiliki kemampuan komputasi yang lebih besar dan dapat digunakan untuk:

• gateway;
• image processing;
• computer vision;
• local server;
• edge analytics;
• dan AI inference tertentu.

Untuk model AI yang jauh lebih berat, dapat digunakan perangkat edge dengan accelerator atau GPU yang sesuai.

AIoT untuk Anomaly Detection

Salah satu penggunaan AI yang menarik pada IoT adalah anomaly detection.

Sistem mempelajari pola normal:

Normal
Normal
Normal
Normal
Normal

Kemudian menemukan:

Normal
Normal
Anomaly

Contohnya sensor vibration.

Normal vibration:
2.0 – 3.0 mm/s

Kemudian tiba-tiba:

7.8 mm/s

Sistem dapat memberikan indikasi:

Potential Anomaly

Tetapi perlu diingat bahwa anomaly bukan berarti pasti terjadi kerusakan.

Anomaly merupakan sinyal untuk dilakukan investigasi atau proses pengambilan keputusan berikutnya.

AIoT untuk Predictive Analytics

Jika anomaly detection mendeteksi kondisi tidak biasa, predictive analytics mencoba memprediksi kondisi yang mungkin terjadi.

Contohnya:

Historical Data
      ↓
Machine Learning
      ↓
Predictive Model
      ↓
Future Risk

Hasilnya dapat berupa:

Low Risk
Medium Risk
High Risk

atau prediksi numerik tertentu.

Semakin baik kualitas data dan model, semakin berguna hasil analisisnya.

Tantangan AIoT

AIoT memiliki banyak potensi, tetapi juga memiliki tantangan.

1. Kualitas Data

AI sangat bergantung pada data.

Jika sensor menghasilkan data buruk:

Bad Data
 ↓
Bad Model Output

2. Keterbatasan Hardware

Edge device memiliki keterbatasan:

• CPU;
• RAM;
• storage;
• battery;
• thermal capacity.

3. Model AI

Model harus mempertahankan keseimbangan antara:

Accuracy
Performance
Size
Latency

4. Security

AIoT menambah attack surface karena sekarang sistem mencakup:

IoT Device
+
Network
+
AI Model
+
Cloud

5. Model Drift

Kondisi dunia nyata dapat berubah.

Model yang bekerja baik saat pertama kali dibuat belum tentu tetap akurat selamanya.

Karena itu model perlu dipantau dan diperbarui ketika diperlukan.

Security pada AIoT

Keamanan AIoT perlu diperhatikan dari beberapa sisi.

Device Security

Perangkat harus dilindungi dari akses tidak sah.

Network Security

Komunikasi harus diamankan.

Data Security

Data perlu dilindungi selama penyimpanan dan transmisi.

Model Security

Model AI juga perlu dilindungi.

Access Control

Hanya pihak yang berwenang yang dapat mengakses sistem.

Arsitektur sederhananya:

Device Security
      ↓
Network Security
      ↓
Data Security
      ↓
AI Model Security
      ↓
Application Security

Privacy pada Edge AI

Salah satu keunggulan potensial Edge AI adalah data dapat diproses secara lokal.

Misalnya kamera menangkap gambar.

Cloud AI:

Camera
 ↓
Internet
 ↓
Cloud
 ↓
Image Processing

Edge AI:

Camera
 ↓
Local AI
 ↓
"Person Detected"
 ↓
Send Result

Dengan pendekatan ini, gambar mentah tidak selalu harus dikirim ke cloud.

Namun privacy tetap bergantung pada desain sistem secara keseluruhan.

AIoT dan Digital Transformation

AIoT merupakan bagian dari transformasi digital yang lebih luas.

Sebuah perusahaan dapat berkembang secara bertahap:

Manual
   ↓
Digital Monitoring
   ↓
IoT
   ↓
Analytics
   ↓
AIoT
   ↓
Automation

Misalnya pabrik awalnya hanya memiliki data manual.

Kemudian:

Sensor
 ↓
IoT
 ↓
Dashboard

Setelah memiliki data historis:

Dashboard
 ↓
Analytics
 ↓
AI

Selanjutnya:

AI
 ↓
Prediction
 ↓
Automated Action

Inilah perjalanan menuju sistem yang semakin cerdas.

Contoh Arsitektur AIoT Lengkap

Berikut gambaran arsitektur yang menggabungkan konsep dari beberapa level sebelumnya:

┌────────────────────────────────────────────┐
│                  CLOUD                     │
│                                            │
│ AI Training │ Database │ Analytics         │
│ Model Mgmt  │ Dashboard│ Reporting         │
└─────────────────────▲──────────────────────┘
                      │
                  Internet
                      │
┌─────────────────────┴──────────────────────┐
│                   EDGE                     │
│                                            │
│ Gateway │ AI Inference │ Filtering         │
└─────────────────────▲──────────────────────┘
                      │
                 MQTT / Network
                      │
┌─────────────────────┴──────────────────────┐
│                 IoT DEVICE                 │
│                                            │
│ Sensors │ Camera │ Microcontroller         │
└────────────────────────────────────────────┘

Alurnya:

Data
 ↓
IoT
 ↓
Edge
 ↓
AI
 ↓
Decision
 ↓
Cloud
 ↓
Analytics

AIoT Bukan Berarti Semua Harus Menggunakan AI

Ini juga penting.

Tidak semua proyek IoT membutuhkan AI.

Misalnya:

Temperature > 35°C
       ↓
Turn Fan ON

Aturan sederhana seperti itu mungkin sudah cukup.

Tidak perlu machine learning.

Tetapi jika sistem harus mempelajari pola:

Temperature
+
Humidity
+
Time
+
Historical Data
+
Machine Condition
       ↓
Prediction

AI mungkin memberikan nilai lebih.

Jadi prinsip yang baik adalah:

Gunakan AI ketika AI menyelesaikan masalah yang memang sulit diselesaikan secara efektif dengan aturan sederhana.

AIoT vs Automation

Automation dan AIoT juga tidak sama.

Automation:

IF Temperature > 35
THEN Turn Fan ON

AI:

Historical Data
 ↓
Model
 ↓
Predict Condition

AIoT dapat menggabungkan keduanya:

IoT Sensor
 ↓
AI Prediction
 ↓
Rule / Control System
 ↓
Action

Dengan demikian AI menjadi bagian dari sistem yang lebih besar.

Bagaimana Memulai Belajar AIoT?

Jika Anda sudah memahami dasar IoT, jangan langsung memulai dari model AI yang kompleks.

Gunakan tahapan berikut:

Tahap 1 — IoT

Pahami:

• sensor;
• microcontroller;
• network;
• MQTT;
• database.

Tahap 2 — Python

Pelajari dasar:

• variable;
• function;
• data structure;
• file;
• API;
• data processing.

Tahap 3 — Data

Pelajari:

• data cleaning;
• visualization;
• statistics dasar;
• feature engineering.

Tahap 4 — Machine Learning

Pelajari:

• supervised learning;
• unsupervised learning;
• classification;
• regression;
• anomaly detection.

Tahap 5 — Edge AI

Pelajari:

• model optimization;
• inference;
• deployment;
• hardware acceleration;
• resource constraints.

Tahap 6 — AIoT

Gabungkan:

Sensor
+
IoT
+
AI
+
Edge
+
Cloud

Contoh Proyek AIoT untuk Pemula

Salah satu proyek yang menarik adalah deteksi kondisi mesin menggunakan sensor vibration.

Komponennya:

Vibration Sensor
        ↓
ESP32
        ↓
MQTT
        ↓
Raspberry Pi
        ↓
AI Model
        ↓
Normal / Anomaly
        ↓
Dashboard

Proyek tersebut sudah menggabungkan banyak konsep:

• sensor;
• microcontroller;
• networking;
• MQTT;
• edge computing;
• machine learning;
• database;
• dashboard.

Contoh Proyek AIoT Tingkat Menengah

Untuk tingkat lebih lanjut, gunakan kamera:

Camera
 ↓
Raspberry Pi / Edge Device
 ↓
Computer Vision
 ↓
Object Detection
 ↓
MQTT
 ↓
Cloud
 ↓
Dashboard

Misalnya untuk menghitung jumlah kendaraan atau mendeteksi objek tertentu.

Contoh Proyek AIoT Tingkat Lanjut

Untuk sistem industri:

Industrial Sensors
        ↓
PLC
        ↓
Industrial Gateway
        ↓
Edge AI
        ↓
Anomaly Detection
        ↓
MQTT
        ↓
IIoT Platform
        ↓
Cloud Analytics
        ↓
Predictive Maintenance

Pada titik ini, kita sudah menggabungkan hampir seluruh konsep yang telah dipelajari dari kurikulum IoT sebelumnya.

Masa Depan AIoT

Perkembangan IoT dan AI membuat perangkat semakin mampu melakukan pemrosesan secara lokal.

Kita dapat melihat evolusi:

Connected Device
       ↓
Smart Device
       ↓
AI-Enabled Device
       ↓
Autonomous System

Perangkat masa depan tidak hanya:

"terhubung"

tetapi juga:

"memahami"

dan dalam konteks tertentu:

"bertindak berdasarkan informasi yang diperoleh."

AIoT berpotensi menjadi salah satu fondasi penting bagi:

• smart manufacturing;
• autonomous systems;
• smart cities;
• robotics;
• intelligent transportation;
• smart agriculture;
• energy management;
• dan berbagai aplikasi lainnya.

Kesimpulan

AIoT (Artificial Intelligence of Things) merupakan kombinasi antara Internet of Things dan Artificial Intelligence.

IoT menyediakan:

Data
Connectivity
Devices

Sedangkan AI menyediakan:

Analysis
Prediction
Recognition
Decision Support

Ketika keduanya digabungkan:

IoT + AI
   ↓
AIoT

Kombinasi ini berhubungan dengan Level 16 — Industrial IoT (IIoT): Teknologi, Arsitektur, dan Penerapannya di Industri. Sehingga data operasional dari aset industri menjadi informasi yang dapat digunakan untuk meningkatkan efisiensi, kualitas, keamanan, dan produktivitas.

Sementara Edge AI memungkinkan proses AI dilakukan lebih dekat dengan sumber data:

Sensor
 ↓
Edge Device
 ↓
AI Inference
 ↓
Decision

Pendekatan ini dapat memberikan beberapa keuntungan, seperti:

• latency lebih rendah;
• penghematan bandwidth;
• kemampuan beroperasi ketika koneksi terbatas;
• pemrosesan lokal;
• dan potensi peningkatan privacy.

Namun AIoT bukan berarti seluruh sistem harus menggunakan AI atau seluruh AI harus berjalan di edge.

Arsitektur terbaik bergantung pada kebutuhan aplikasi:

                ┌──→ Cloud AI
                │
IoT Data ──→ Edge AI
                │
                └──→ Hybrid AI

Dengan memahami AIoT dan Edge AI, kita mulai berpindah dari konsep IoT yang hanya mengumpulkan dan mengirim data menuju konsep perangkat yang mampu menganalisis data dan menghasilkan keputusan secara lebih cerdas.

Selanjutnya: Level 18 — Industrial Protocol IoT: Modbus, OPC UA, CAN Bus, dan Integrasi Mesin

Setelah memahami AIoT dan Edge AI, pembahasan berikutnya akan kembali memperkuat sisi komunikasi perangkat industri.

Kita akan mempelajari bagaimana mesin, PLC, sensor, gateway, dan sistem IIoT berkomunikasi menggunakan protokol seperti:

Modbus
OPC UA
CAN Bus
Industrial Ethernet

Salah satu arsitektur yang akan kita pelajari:

Machine
   ↓
PLC
   ↓
Industrial Protocol
   ↓
Gateway
   ↓
MQTT
   ↓
IIoT Platform
   ↓
Cloud / AI

Dengan memahami protokol tersebut, kita tidak hanya mengetahui apa itu IIoT, tetapi juga mulai memahami bagaimana mengintegrasikan mesin industri yang sebenarnya ke dalam ekosistem IoT, Edge AI, dan cloud.