TinyML pada ESP32-CAM untuk Deteksi Objek Real-Time: Sebuah Tinjauan Literatur Sistematis

Abstrak

Perkembangan kecerdasan buatan pada perangkat tepi (edge device) telah mendorong munculnya paradigma Tiny Machine Learning (TinyML) yang memungkinkan inferensi model pembelajaran mesin berjalan langsung pada mikrokontroler dengan sumber daya terbatas, tanpa bergantung pada komputasi awan. Meskipun sejumlah studi telah menerapkan TinyML pada modul ESP32-CAM secara terpisah, belum terdapat kajian yang merangkum secara sistematis arsitektur model, teknik optimasi, dan kinerja yang dilaporkan, sehingga gambaran komprehensif mengenai capaian dan keterbatasan pendekatan tersebut masih sulit diperoleh. Penelitian ini bertujuan untuk mengkaji secara sistematis penerapan TinyML pada modul ESP32-CAM untuk keperluan deteksi objek secara real-time, khususnya dalam hal arsitektur model, teknik optimasi, dan kinerja sistem yang dihasilkan. Metode yang digunakan adalah Systematic Literature Review (SLR) dengan tahapan perencanaan, pelaksanaan pencarian pada basis data ilmiah, serta penyaringan berdasarkan kriteria inklusi dan eksklusi. Sintesis dilakukan terhadap 20 artikel terpilih yang dipublikasikan antara tahun 2021 hingga 2026. Hasil kajian menunjukkan bahwa arsitektur Faster Objects, More Objects (FOMO) dan model terkuantisasi berbasis TensorFlow Lite for Microcontrollers (TFLM) menjadi pendekatan dominan karena mampu menekan ukuran model hingga di bawah 500 KB dengan tetap menjaga akurasi deteksi di atas 90% pada kondisi lingkungan terkendali. Teknik kuantisasi INT8 dan pemangkasan jaringan (pruning) terbukti efektif menurunkan kebutuhan RAM dan ROM masing-masing hingga lebih dari 25% tanpa penurunan akurasi yang signifikan. Kajian ini juga mengidentifikasi keterbatasan utama berupa sensitivitas terhadap kondisi pencahayaan dan latensi inferensi yang masih bervariasi antara 300 hingga 700 milidetik. FOMO dan kuantisasi INT8 terbukti menjadi pendekatan yang paling efektif untuk diterapkan pada ESP32-CAM, meskipun tantangan sensitivitas pencahayaan dan variasi latensi inferensi masih perlu diatasi pada penerapan lapangan. Penelitian ini diharapkan dapat menjadi rujukan bagi peneliti dan praktisi dalam merancang sistem deteksi objek berbasis TinyML yang efisien pada perangkat ESP32-CAM untuk aplikasi pemantauan, robotika, dan keamanan berbiaya rendah.