Evaluasi Performa Prototipe Sistem Monitoring dan Proteksi Termal Motor DC Berbasis Edge Machine Learning pada ESP32

Abstrak

Abstrak— Penelitian ini merancang dan membangun prototipe sistem monitoring dan proteksi termal motor DC berbasis ESP32 yang mengintegrasikan tiga mekanisme respons secara hierarkis. Deteksi dini dilakukan menggunakan model edge machine learning yang dilatih melalui platform Edge Impulse untuk mengklasifikasikan pola kenaikan suhu berdasarkan lima data terakhir sensor DS18B20, kemudian mengaktifkan kipas pendingin dan buzzer sebagai respons awal. Apabila suhu motor melampaui ambang batas kritis 40°C, sistem secara deterministik memutus suplai daya motor melalui modul relay tanpa bergantung pada proses inferensi machine learning. Hasil pengujian menunjukkan bahwa model klasifikasi mencapai akurasi 99,4% dengan F1-score 99,0% pada deteksi kondisi rise. Sistem proteksi bertingkat mampu merespons kondisi kenaikan suhu dengan waktu respons 300 ms untuk aktivasi pendingin dan 200 ms untuk pemutusan daya melalui relay. Pengujian operasi kontinu selama ±1 jam menunjukkan keberhasilan inferensi 100%, tanpa kegagalan komunikasi MQTT, serta tidak ditemukan missed detection pada kondisi kritis. Dengan demikian, pendekatan hybrid yang menggabungkan edge machine learning dan proteksi deterministik berbasis relay terbukti efektif meningkatkan keandalan sistem proteksi termal motor DC skala kecil berbasis IoT.

Identifier

• OpenAlex: https://openalex.org/W7202203440
• DOI: https://doi.org/10.33005/santika.v6i1.1129