EMBEDDED CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI KONDISI CNC ROUTER BERDASARKAN KONSUMSI DAYA LISTRIK

Penggunaan mesin CNC Router secara intensif dapat menimbulkan perubahan pola konsumsi daya listrik yang mengindikasikan kondisi operasi tidak normal, namun klasifikasi kondisi umumnya masih konvensional atau bergantung komputasi terpusat yang kurang sesuai untuk perangkat sumber daya terbatas. Penelitian ini merancang dan merealisasikan sistem klasifikasi kondisi berbasis Embedded CNN dengan ESP32, menggunakan tujuh parameter kelistrikan dari sensor PZEM-004T sebagai masukan model. Model 1D-CNN dengan 14.946 parameter dilatih menggunakan skema klasifikasi biner berdasarkan lima kondisi mesin (normal, tumpul, overwork, stuck, patah), lalu dikuantisasi menjadi INT8 berukuran 25,39 KB (turun 61% dari 65,4 KB). Model yang berjalan langsung pada firmware ESP32 mencapai akurasi 90,60% pada data uji. Eksperimen pembanding menunjukkan skema biner secara empiris mengungguli skema multiclass lima kelas (90,68% berbanding 88,03% akurasi), memperkuat justifikasi pemilihan skema biner. Sistem juga terintegrasi dengan autentikasi RFID, LCD, RTC, relay, dan MQTT ke dashboard. Hasil ini menunjukkan sistem klasifikasi kondisi berbasis Embedded CNN dapat bekerja secara real-time, efisien, dan sesuai untuk perangkat dengan keterbatasan memori dan daya komputasi.