UNIKOM

Penerapan Edge Computing pada Jam Tangan Pendeteksi Stress bagi Anak Autisme Berbasis IoT

7–11 minutes

Pendahuluan

Anak Berkebutuhan Khusus (ABK), khususnya Spektrum Autisme (Autism Spectrum Disorder/ASD), sering kali menghadapi tantangan berat dalam meregulasi emosi mereka. Ketidakmampuan dalam mengomunikasikan rasa tidak nyaman atau kelelahan sensorik (sensory overload) sering kali berujung pada fase ledakan emosi fisik yang dikenal sebagai tantrum atau meltdown. Secara medis, sebelum tantrum meledak secara kasat mata, sistem saraf otonom tubuh manusia sebenarnya telah memberikan sinyal-sinyal fisiologis. Peningkatan detak jantung, fluktuasi suhu kulit akibat termoregulasi, hingga pola pergerakan tak wajar merupakan indikator biologis yang valid. Sayangnya, sinyal preventif ini sering kali tidak tertangkap oleh pengamatan visual manual pengasuh.

Dalam mengatasi permasalahan ini, teknologi Internet of Things (IoT) medis berbentuk wearable device (jam tangan pintar) hadir sebagai solusi. Namun, arsitektur IoT tradisional di mana perangkat hanya bertindak sebagai pengumpul data yang mengirimkan seluruh sinyal mentah ke cloud server untuk diproses memiliki kelemahan fatal berupa latensi yang lambat atau keterlambatan respons dan ketergantungan pada koneksi internet. Mengingat penanganan tantrum membutuhkan respons real time dalam hitungan detik, paradigma komputasi harus digeser dari awan (cloud) menuju tepi (edge).

Artikel ini akan membedah bagaimana penerapan Edge Computing pada jam tangan cerdas pendeteksi stres (seperti inovasi CalmiSense) membawa revolusi dalam sistem pemantauan anak autisme, memungkinkan perangkat untuk berpikir dan mengambil keputusan secara mandiri di pergelangan tangan pengguna.

Memahami Peran Edge Computing dalam IoT Medis

Edge computing adalah paradigma komputasi terdistribusi yang membawa komputasi dan penyimpanan data lebih dekat ke lokasi di mana data tersebut dihasilkan, dalam hal ini adalah perangkat wearable itu sendiri. Dalam kasus pemantauan sinyal fisiologis anak ASD, sensor menghasilkan aliran data yang sangat masif setiap detiknya. Jika sistem menggunakan arsitektur cloud-centric, perangkat harus mengirim data detak jantung dan akselerometer terus-menerus via Wi-Fi. Hal ini tidak hanya menguras baterai dengan cepat, tetapi juga rentan terhadap delay jaringan. Melalui pendekatan edge computing, mikrokontroler pada jam tangan tidak hanya membaca data, tetapi juga melakukan pra-pemrosesan, ekstraksi fitur, hingga inferensi Artificial Intelligence (AI) secara lokal.

Arsitektur Perangkat Keras dengan Mikrokontroler sebagai Edge Node

Untuk menjalankan komputasi di edge, perangkat wearable membutuhkan otak pemrosesan yang efisien namun bertenaga. Implementasi ini menggunakan Mikrokontroler ESP32 sebagai edge node utama. ESP32 dipilih karena memiliki kemampuan komputasi yang tinggi untuk menjalankan model klasifikasi AI, serta mendukung multitasking.

  1. Sebagai edge node, ESP32 bertugas mengakuisisi data mentah dari tiga sensor utama secara real time: MAX30102 (Sensor Detak Jantung/PPG): Membaca aktivitas kardiovaskular (BPM).
  2. MLX90614 (Sensor Suhu Tubuh): Sensor inframerah non kontak untuk mendeteksi perubahan termoregulasi kulit akibat stres.
  3. MPU6050 (Akselerometer & Giroskop): Menangkap intensitas dan pola gerakan fisik pada sumbu x, y, dan z. Hal ini krusial untuk mendeteksi gerakan stereotipik khas autisme seperti mengepakkan tangan (hand flapping).

Pra pemrosesan Sinyal (Signal Preprocessing) di Edge

Salah satu kunci sukses edge computing adalah tidak membiarkan algoritma memakan data mentah yang penuh dengan gangguan. Sinyal dari sensor wearable sangat fluktuatif akibat pergerakan tangan anak yang aktif. Alih-alih mengirim data mentah ini ke server, ESP32 melakukan teknik pra pemrosesan langsung di dalam chip. Tahapan preprocessing di edge ini berfungsi mengekstraksi fitur-fitur statistik krusial dari sinyal mentah. Proses ini meliputi:

  • Penghitungan nilai rata-rata (mean) dari sinyal.
  • Pencarian standar deviasi (standard deviation) untuk melihat variasi atau anomali sinyal.
  • Pencarian nilai minimum dan maksimum.
  • Penghitungan Root Mean Square (RMS) untuk mengukur intensitas gerakan absolut dari akselerometer.

Dari 5 fitur input awal (suhu, detak jantung, gerakan x, y, dan z), proses ekstraksi di edge ini memecahnya menjadi 25 input fitur statistik. Data terstruktur inilah yang kemudian dinormalisasi (scaling) agar satuannya seragam sebelum diumpankan ke model AI. Proses pengumpulan dataset untuk melatih Embedded AI pada anak dengan spektrum autisme memiliki tingkat kesulitan yang jauh lebih tinggi dibanding dataset umum. Karakteristik pergerakan anak ASD yang fluktuatif menciptakan noise (gangguan) mekanis yang ekstrem pada sensor PPG (MAX30102). Gerakan tangan yang agresif sering kali menggeser posisi jam tangan, menyebabkan artifact pembacaan yang bisa mengecoh algoritma.

Untuk mengatasi hal ini, fase pengumpulan data awal dilakukan dengan metode pelabelan terkontrol. Pengasuh atau terapis memberikan anotasi waktu (timestamping) secara manual setiap kali anak menunjukkan indikasi awal kecemasan, fase pra tantrum, hingga fase meltdown penuh. Data mentah yang telah dilabeli ini kemudian dipisahkan secara ketat. Proses pengondisian sinyal di dalam ESP32 harus mampu membedakan antara lonjakan detak jantung akibat aktivitas fisik berat (seperti melompat atau berlari) dengan lonjakan yang dipicu oleh stimulasi sensorik berlebih. Melalui pemetaan visual dan sinkronisasi data sensor, tim pengembang dapat membangun matriks korelasi yang valid sebelum model masuk ke tahap training di platform seperti Edge Impulse.

Embedded AI untuk Menjalankan Machine Learning Tanpa Internet

Keunggulan paling ditonjolkan dari penerapan edge computing pada alat pendeteksi stres ini adalah implementasi Embedded AI (Sistem AI Hybrid) di mana model klasifikasi disimpan langsung di dalam memori mikrokontroler ESP32.

Mengapa AI Bukan Logika Konvensional (Rule Based)?

Jika perangkat menggunakan logika matematika statis (if-then), sistem akan sangat kaku. Contohnya, peningkatan detak jantung saat anak berlari bisa salah dideteksi sebagai tantrum (positif palsu/ false alarm). AI di edge memecahkan masalah ini menggunakan Analisis Multivariat. AI mampu melihat korelasi tersembunyi. Jika detak jantung naik tetapi gerakan teratur, itu adalah olahraga. Namun, jika detak jantung naik diiringi gerakan agresif tak beraturan, sistem mengenalinya sebagai gejala kepanikan murni.

Pemilihan Model yang Ringan untuk Edge

Menjalankan machine learning di mikrokontroler dengan memori terbatas membutuhkan model yang ringan (lightweight). Dalam proses pengembangannya, sistem ini menguji berbagai arsitektur algoritma Neural Network termasuk 1D-CNN, CNN-LSTM, InceptionTime, dan Stat-Model. Hasil evaluasi menunjukkan bahwa Stat-Model adalah kandidat terbaik dan paling optimal untuk di- embed (ditanamkan) ke dalam ESP32. Model ini sangat ringan namun memiliki performa tinggi (Akurasi tertinggi dibanding pesaingnya) karena bergantung pada fitur statistik yang sudah diekstraksi pada tahap pra-pemrosesan lokal. Secara seketika (real-time), model AI dalam jam tangan ini melakukan inferensi dan mengeluarkan skor antara 0 hingga 1. Jika probabilitas menunjukkan angka > 0.7, maka edge device akan menetapkan status “PANIK”, dan jika di bawahnya berstatus “NORMAL”.

Menanamkan Stat Model ke dalam mikrokontroler ESP32 membutuhkan pendekatan khusus yang disebut TinyML. Setelah model machine learning dilatih di server menggunakan framework berskala besar, model tersebut tidak bisa langsung dijalankan di edge node karena keterbatasan memori RAM dan flash pada ESP32. Oleh karena itu, arsitektur model harus dioptimalkan melalui proses kuantisasi, yaitu mengubah bobot parameter model dari format float32 (desimal 32 bit) menjadi int8 (integer 8 bit). Proses ini memangkas ukuran model hingga lebih dari 70% tanpa mendegradasi akurasi secara signifikan.

Model yang telah dikuantisasi kemudian diekspor ke dalam bentuk pustaka C++ (C++ Library) yang kompatibel dengan Arduino IDE. Pustaka ini berisi struktur array byte mentah yang merepresentasikan arsitektur jaringan saraf. Dengan cara ini, ESP32 dapat memanggil fungsi inferensi secara lokal hanya dalam hitungan milidetik. Proses eksekusi inferensi di pergelangan tangan ini sepenuhnya berjalan terisolasi di dalam runtime lokal, mengeliminasi kebutuhan ruang penyimpanan yang besar dan memastikan konsumsi daya tetap berada di bawah ambang batas kritis baterai wearable.

Optimalisasi Kinerja Ekstrem dengan arsitektur FreeRTOS

Agar edge computing berjalan sempurna tanpa jeda atau delay, eksekusi kode tidak bisa dilakukan secara linier konvensional. Untuk memastikan responsivitas tingkat tinggi, pengembangan perangkat lunak pada ESP32 memanfaatkan Real Time Operating System (FreeRTOS). Penggunaan FreeRTOS memungkinkan pemisahan proses kritikal ke dalam tugas yang berjalan pada inti prosesor yang berbeda, menciptakan paralelelisme sejati (True Parallelism):

  • Core 1: Dikhususkan untuk membaca sensor dengan kecepatan tinggi dan memproses prediksi AI secara instan.
  • Core 2: Dialokasikan khusus untuk menangani konektivitas jaringan (mengirim hasil prediksi ke cloud via protokol HTTP/HTTPS).

Arsitektur edge ini memastikan bahwa meskipun koneksi internet sedang lambat atau terputus, tugas utama alat yaitu mendeteksi kepanikan melalui pembacaan sensor dan komputasi AI sama sekali tidak akan terganggu. Hal ini merupakan lompatan jauh dibandingkan mikrokontroler single core biasa.

Sinergi Edge dan Cloud

Peran cloud (dalam hal ini menggunakan server backend FastAPI dengan gerbang keamanan Cloudflare) bergeser menjadi penyalur informasi dan media penyimpanan data jangka panjang. Jam tangan pintar tidak mengirimkan ratusan data mentah per detik, melainkan hanya mengirim paket data kecil berisi Status Akhir (Normal/Panik) beserta ringkasan metrik vital pada momen tersebut. Pengiriman data yang sangat ringan ini membuat penggunaan paket data internet (melalui modul SIM800L GSM atau Wi-Fi) sangat irit. Ketika paket status “PANIK” diterima oleh cloud, server secara instan memicu early warning alert (peringatan dini) berupa getaran (haptic feedback) dan notifikasi visual ke aplikasi mobile milik orang tua atau guru pendamping. Hal ini memberikan kebebasan bagi pengasuh untuk tidak terus menerus memantau anak secara visual 24 jam, sekaligus mencegah burnout atau kelelahan mental pengasuh. Selain itu, cloud bertugas menyimpan log data historis yang akan ditampilkan pada Dashboard analitik. Data historis ini akan diolah menjadi Weekly Behavioral Report, yang membantu terapis klinis melihat frekuensi tantrum, memetakan jam-jam rawan (peak hours), dan menganalisis pola pemicu stres berdasarkan objektivitas data, bukan sekadar memori subjektif orang tua.

Mengingat data yang diproses oleh perangkat ini merupakan data medis dan perilaku anak yang bersifat sangat sensitif, aspek keamanan siber menjadi pilar yang tidak boleh diabaikan. Salah satu keuntungan laten dari arsitektur edge computing adalah reduksi risiko kebocoran data saat transmisi. Karena data mentah (seperti grafik detak jantung per detik) dihancurkan segera setelah fitur statistiknya diekstraksi di ESP32, peretas tidak dapat mengintip aktivitas biologis pengguna secara utuh melalui serangan Man in the Middle (MitM) di jaringan Wi Fi. Sementara itu, untuk paket data status (Normal/Panik) yang terkirim ke cloud, sistem menerapkan enkripsi ujung-ke-ujung (End to End Encryption) menggunakan protokol TLS 1.3. Di sisi server, integrasi FastAPI dengan Cloudflare bertindak sebagai tameng berlapis untuk menahan serangan Distributed Denial of Service (DDoS) yang dapat melumpuhkan sistem peringatan dini. Akses menuju Dashboard analitik orang tua dan terapis juga dilindungi dengan mekanisme token berbasis JWT (JSON Web Token) yang kedaluwarsa secara berkala. Proteksi berlapis ini memastikan bahwa pemanfaatan teknologi IoT medis tidak mengorbankan hak privasi dan keamanan digital anak.

Kesimpulan

Penerapan edge computing pada jam tangan IoT pendeteksi stres khusus anak autisme membuktikan bahwa perangkat wearable kini tidak lagi hanya menjadi perpanjangan tangan dari cloud, melainkan telah berevolusi menjadi komputer mini yang otonom dan cerdas. Dengan memproses sinyal sensor dan menjalankan inferensi Machine Learning (MLP) secara lokal di mikrokontroler ESP32, sistem mampu mendeteksi tanda-tanda awal meltdown secara akurat, real time, dan tahan terhadap gangguan koneksi internet. Ditambah dengan optimalisasi multithreading menggunakan FreeRTOS, perangkat memberikan respons seketika yang krusial untuk mencegah cedera fisik pada anak. Inovasi ini tidak hanya menghadirkan teknologi inklusif yang mendukung kualitas hidup penyandang disabilitas, tetapi juga mencetak standar baru dalam arsitektur sistem peringatan dini kesehatan mental berbasis Internet of Things.

NIM : 10123196
Nama : Andika Aryadi Putra
Prodi : Teknik Informatika
Kelas : IF5