Optimasi Model Machine Learning Klasik Menggunakan Post-Training Quantization untuk Intrusion Detection System pada Mikrokontroler ESP32 (ESP-EYE) dengan Dataset RT-IoT2022

Abstract

Perkembangan Internet of Things (IoT) meningkatkan kebutuhan terhadap sistem deteksi intrusi yang mampu bekerja secara efisien pada perangkat dengan sumber daya terbatas, seperti mikrokontroler ESP32. Penelitian ini bertujuan untuk menganalisis pengaruh Post-Training Quantization (PTQ) berbasis full integer quantization INT8 terhadap performa klasifikasi dan efisiensi perangkat keras pada model machine learning klasik untuk Intrusion Detection System (IDS) menggunakan dataset RT-IoT2022. Model yang dievaluasi meliputi Multi-Layer Perceptron (MLP), Logistic Regression (LR), dan Support Vector Machine (SVM). Tahapan penelitian mencakup pra-pemrosesan data, penyeimbangan kelas menggunakan undersampling, reduksi fitur dari 84 fitur menjadi 25 fitur melalui Variance Threshold, Pearson Correlation Coefficient, dan Mutual Information, pelatihan model, konversi ke TensorFlow Lite, penerapan PTQ INT8, serta hardware-aware profiling pada target ESP32 melalui Edge Impulse. Hasil penelitian menunjukkan bahwa PTQ hanya menyebabkan penurunan akurasi yang kecil, yaitu MLP dari 99,10% menjadi 99,04%, LR dari 95,72% menjadi 95,64%, dan SVM dari 96,12% menjadi 95,74%. Di sisi lain, PTQ mampu meningkatkan efisiensi sumber daya secara signifikan, dengan reduksi ukuran model sebesar 88,3% pada MLP, 90,5% pada LR, dan 91,0% pada SVM, serta penurunan latensi dan konsumsi energi pada seluruh model. MLP PTQ menghasilkan performa deteksi terbaik dengan akurasi dan F1-score sebesar 99,04%, sedangkan SVM PTQ menjadi model paling efisien dengan ukuran model 1,3 KB, RAM 0,9 KB, flash 9,3 KB, latensi 1 ms, dan konsumsi energi 0,5148 mJ. Berdasarkan hasil tersebut, PTQ terbukti efektif untuk mengoptimalkan model IDS berbasis machine learning klasik pada ESP32, dengan trade-off antara akurasi deteksi dan efisiensi sumber daya yang perlu disesuaikan dengan kebutuhan implementasi sistem IoT.