Analisis Performa Algoritma Machine Learning pada Perangkat Embedded ATmega328P
Artificial intelligence (AI) merupakan sistem kompleks yang meniru kecerdasan manusia untuk melakukan tugas dan dapat mengembangkan kecerdasannya menggunakan informasi yang mereka kumpulkan. Machine learning yang merupakan bagian dari AI, sering ditemui pada perangkat embedded. Beberapa algoritma ma...
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
University of Brawijaya
2023-04-01
|
| Series: | Jurnal Teknologi Informasi dan Ilmu Komputer |
| Online Access: | https://jtiik.ub.ac.id/index.php/jtiik/article/view/6196 |
| _version_ | 1827855921741561856 |
|---|---|
| author | Jeffry Atur Firdaus Agung Setia Budi Eko Setiawan |
| author_facet | Jeffry Atur Firdaus Agung Setia Budi Eko Setiawan |
| author_sort | Jeffry Atur Firdaus |
| collection | DOAJ |
| description | Artificial intelligence (AI) merupakan sistem kompleks yang meniru kecerdasan manusia untuk melakukan tugas dan dapat mengembangkan kecerdasannya menggunakan informasi yang mereka kumpulkan. Machine learning yang merupakan bagian dari AI, sering ditemui pada perangkat embedded. Beberapa algoritma machine learning yang banyak dikembangkan pada perangkat embedded adalah K-Nearest Neighbor, Naive Bayes dan SEFR. Pada tahun 2019, evaluasi pasar embedded system mencapai $100 miliar dan akan diprediksi jumlahnya terus meningkat sebesar enam persen setiap tahunnya. Salah satu perangkat embedded open source yang sering ditemui di pasaran adalah Arduino Nano berbasis ATmega328P. Namun tidak seperti komputer, embedded system memiliki sumber daya yang terbatas. Dalam mengembangkan sistem pada perangkat embedded perlu diperhatikan faktor seperti waktu komputasi, daya yang diperlukan dan penggunaan memori. Penelitian ini mengkaji tiga algoritma tersebut untuk mencari algoritma yang paling sesuai di perangkat embedded. Penelitian ini menemukan bahwa dalam melakukan klasifikasi tiga dataset, algoritma K-Nearest Neighbor mendapatkan akurasi paling baik dan paling konsisten hingga 93.3% akurat. Penggunaan sumber daya SRAM paling sedikit didapatkan pada algoritma Naive Bayes dengan rata-rata 764 Bytes. Waktu komputasi paling cepat didapatkan oleh algoritma SEFR dengan waktu yang dibutuhkan untuk melakukan klasifikasi dataset dalam waktu rata-rata 1.16 mili sekon dan konsumsi daya 0.1 mili joule.
Abstract
Artificial intelligence (AI) is a complex system that imitates human intelligence to perform tasks and can develop their intelligence using the information they collect. Machine learning, which is part of AI, is often encountered in embedded devices. Several machine learning algorithms that have been developed on embedded devices are K-Nearest Neighbor, Naive Bayes and SEFR. In 2019, the evaluation of the embedded systems market reached $100 billion and is predicted to continue to increase by six percent annually. One of the open source embedded devices that is often found in the market is the Arduino Nano based on the ATmega328P. However, unlike computers, embedded systems have limited resources. In developing systems on embedded devices, factors such as computing time, required power and memory usage must be considered. This study examines these three algorithms to find the most suitable for the embedded device. This study found that in classifying three datasets, the K-Nearest Neighbor algorithm got the best and most consistent accuracy up to 93.3% accurate. The least use of SRAM resources is found in the Naive Bayes algorithm with an average of 764 Bytes. The fastest computation time is obtained by the SEFR algorithm with the time required to classify the dataset in an average time of 1.16 milliseconds and a power consumption of 0.1 milli joules. |
| first_indexed | 2024-03-12T12:17:36Z |
| format | Article |
| id | doaj.art-6f66c2fa06e443a7b6b47762ab5f838b |
| institution | Directory Open Access Journal |
| issn | 2355-7699 2528-6579 |
| language | Indonesian |
| last_indexed | 2024-03-12T12:17:36Z |
| publishDate | 2023-04-01 |
| publisher | University of Brawijaya |
| record_format | Article |
| series | Jurnal Teknologi Informasi dan Ilmu Komputer |
| spelling | doaj.art-6f66c2fa06e443a7b6b47762ab5f838b2023-08-30T07:44:39ZindUniversity of BrawijayaJurnal Teknologi Informasi dan Ilmu Komputer2355-76992528-65792023-04-0110224525410.25126/jtiik.202310261961107Analisis Performa Algoritma Machine Learning pada Perangkat Embedded ATmega328PJeffry Atur Firdaus0Agung Setia Budi1Eko Setiawan2Universitas Brawijaya, MalangUniversitas Brawijaya, MalangUniversitas Brawijaya, MalangArtificial intelligence (AI) merupakan sistem kompleks yang meniru kecerdasan manusia untuk melakukan tugas dan dapat mengembangkan kecerdasannya menggunakan informasi yang mereka kumpulkan. Machine learning yang merupakan bagian dari AI, sering ditemui pada perangkat embedded. Beberapa algoritma machine learning yang banyak dikembangkan pada perangkat embedded adalah K-Nearest Neighbor, Naive Bayes dan SEFR. Pada tahun 2019, evaluasi pasar embedded system mencapai $100 miliar dan akan diprediksi jumlahnya terus meningkat sebesar enam persen setiap tahunnya. Salah satu perangkat embedded open source yang sering ditemui di pasaran adalah Arduino Nano berbasis ATmega328P. Namun tidak seperti komputer, embedded system memiliki sumber daya yang terbatas. Dalam mengembangkan sistem pada perangkat embedded perlu diperhatikan faktor seperti waktu komputasi, daya yang diperlukan dan penggunaan memori. Penelitian ini mengkaji tiga algoritma tersebut untuk mencari algoritma yang paling sesuai di perangkat embedded. Penelitian ini menemukan bahwa dalam melakukan klasifikasi tiga dataset, algoritma K-Nearest Neighbor mendapatkan akurasi paling baik dan paling konsisten hingga 93.3% akurat. Penggunaan sumber daya SRAM paling sedikit didapatkan pada algoritma Naive Bayes dengan rata-rata 764 Bytes. Waktu komputasi paling cepat didapatkan oleh algoritma SEFR dengan waktu yang dibutuhkan untuk melakukan klasifikasi dataset dalam waktu rata-rata 1.16 mili sekon dan konsumsi daya 0.1 mili joule. Abstract Artificial intelligence (AI) is a complex system that imitates human intelligence to perform tasks and can develop their intelligence using the information they collect. Machine learning, which is part of AI, is often encountered in embedded devices. Several machine learning algorithms that have been developed on embedded devices are K-Nearest Neighbor, Naive Bayes and SEFR. In 2019, the evaluation of the embedded systems market reached $100 billion and is predicted to continue to increase by six percent annually. One of the open source embedded devices that is often found in the market is the Arduino Nano based on the ATmega328P. However, unlike computers, embedded systems have limited resources. In developing systems on embedded devices, factors such as computing time, required power and memory usage must be considered. This study examines these three algorithms to find the most suitable for the embedded device. This study found that in classifying three datasets, the K-Nearest Neighbor algorithm got the best and most consistent accuracy up to 93.3% accurate. The least use of SRAM resources is found in the Naive Bayes algorithm with an average of 764 Bytes. The fastest computation time is obtained by the SEFR algorithm with the time required to classify the dataset in an average time of 1.16 milliseconds and a power consumption of 0.1 milli joules.https://jtiik.ub.ac.id/index.php/jtiik/article/view/6196 |
| spellingShingle | Jeffry Atur Firdaus Agung Setia Budi Eko Setiawan Analisis Performa Algoritma Machine Learning pada Perangkat Embedded ATmega328P Jurnal Teknologi Informasi dan Ilmu Komputer |
| title | Analisis Performa Algoritma Machine Learning pada Perangkat Embedded ATmega328P |
| title_full | Analisis Performa Algoritma Machine Learning pada Perangkat Embedded ATmega328P |
| title_fullStr | Analisis Performa Algoritma Machine Learning pada Perangkat Embedded ATmega328P |
| title_full_unstemmed | Analisis Performa Algoritma Machine Learning pada Perangkat Embedded ATmega328P |
| title_short | Analisis Performa Algoritma Machine Learning pada Perangkat Embedded ATmega328P |
| title_sort | analisis performa algoritma machine learning pada perangkat embedded atmega328p |
| url | https://jtiik.ub.ac.id/index.php/jtiik/article/view/6196 |
| work_keys_str_mv | AT jeffryaturfirdaus analisisperformaalgoritmamachinelearningpadaperangkatembeddedatmega328p AT agungsetiabudi analisisperformaalgoritmamachinelearningpadaperangkatembeddedatmega328p AT ekosetiawan analisisperformaalgoritmamachinelearningpadaperangkatembeddedatmega328p |