Metode Hybrid Quantization-Knowledge Distillation Pada LSTM Untuk NILM Berbasis Edge Computing [AJG]

Abstract

Penelitian ini berfokus pada pengembangan sistem pemantauan beban non-intrusif load monitroring (NILM) berbasis komputasi tepi yang efisien untuk rumah pintar. Dengan memanfaatkan teknologi Internet of Things (IoT), sistem ini memungkinkan pemantauan dan pengelolaan konsumsi energi secara real-time. Penelitian ini mengusulkan penggunaan model Long Short-Term Memory (LSTM) yang dikompresi melalui teknik kuantisasi dan knowledge distillation untuk meningkatkan efisiensi komputasi tanpa mengorbankan akurasi prediksi.

Data konsumsi energi dikumpulkan dari berbagai perangkat rumah tangga dan diolah menggunakan algoritma Long Short-Term Memory (LSTM). Model Long Short-Term Memory (LSTM) yang telah dilatih kemudian dikompresi menggunakan teknik-teknik yang disebutkan di atas untuk diterapkan pada perangkat tepi dengan sumber daya terbatas. Hasil evaluasi menunjukkan bahwa model LSTM yang telah dikompresi mampu memberikan akurasi prediksi yang tinggi dengan ukuran model yang lebih kecil dan waktu komputasi yang lebih cepat.-non-intrusive load monitoring, long short-term memory, quantization, knowledge distillation, edge computing.