Penerapan Quantization dan Pruning Pada Model Long Short-Term Memory (LSTM) untuk Klasifikasi Jenis Asap Berbasi IoT yang Efisien[AJG]

Abstract

Asap adalah suspensi partikel kecil di udara yang berasal dari pembakaran tidak sempurna dari suatu bahan bakar. Oleh karena itu asap juga bisa merusak kesehatan manusia ataupun bisa menjadi penyebab pencemaran lingkungan. Oleh sebab itu  pengenalan jenis asap baik dari kebakaran maupun polusi udara sangat penting untuk pemantauan lingkungan secara real time. model artificial intelligence seperti Long Short-Term Memory (LSTM) sering kali memerlukan sumber daya komputasi yang cukup besar, dan serta menjadi tantangan utama saat digunakan pada perangkat IoT dengan keterbatasan daya dan memori. Studi ini menyelidiki penerapan teknik Quantization untuk mengurangi tingkat presisi data dan pruning untuk menghapus elemen model yang tidak penting untuk meningkatkan efisiensi model LSTM dalam mengklasifikasikan jenis asap berbasis IoT dengan memanfaatkan dataset asap dari sensor MQ-2 dan membandingkan kinerja model LSTM asli dan model yang sudah dioptimalkan.  

Kata Kunci: Asap, LSTM, IoT, Pruning, Kuantitas, MQ-2