Sistem Klasifikasi Anomali Suara Kavitasi pada Pompa Sentrifugal Menggunakan Metode TinyML pada Mikrokontroler ESP32-S3.

Kavitasi pada pompa sentrifugal merupakan anomali operasional yang memicu kerusakan impeler dan menurunkan efisiensi mesin secara drastis. Penelitian ini merancang bangun sistem deteksi dini kavitasi berbasis Artificial Intelligence of Things (AIoT) yang beroperasi secara real-time menggunakan mikrokontroler ESP32-S3. Pemantauan kondisi pompa mengandalkan analisis sinyal suara, di mana fitur akustik diekstraksi melalui metode Mel-Frequency Energy (MFE). Ekstraksi tersebut kemudian diklasifikasikan menggunakan algoritma 2D Convolutional Neural Network (CNN) dengan arsitektur Tiny Machine Learning (TinyML). Melalui teknik prapemrosesan pemotongan segmen data berdurasi 200 ms untuk mencegah overfitting, model terbaik berhasil mencapai tingkat akurasi validasi sebesar 89,1% dan akurasi testing sebesar 87,85%. Pada tahap pengujian langsung (live testing), penetapan ambang batas probabilitas (threshold) di angka 0,55 terbukti sangat akurat dalam mengidentifikasi anomali suara kavitasi. Sistem ini juga terintegrasi dengan proteksi otomatis (interlock) yang memicu relay untuk mematikan pompa secara instan setelah kavitasi terdeteksi selama 30 detik berturut-turut. Secara keseluruhan, purwarupa ini menghadirkan solusi pemantauan industri yang murah, responsif, dan mampu memproses komputasi secara mandiri pada tingkat perangkat keras.