Educational Robot With Object Detection Using The Edge Impulse Platform
Abstract
Abstrak — Era revolusi industri 4.0 menuntut transformasi paradigma pembelajaran yang mengintegrasikan teknologi artificial intelligence (AI) untuk mempersiapkan generasi yang kompeten menghadapi tantangan masa depan. Penelitian ini mengembangkan robot edukasi berbasis AI object detection menggunakan platform Edge Impulse dengan algoritma FOMO (Faster Objects, More Objects) yang diimplementasikan pada ESP32-CAM untuk pembelajaran STEM interaktif. Sistem menggunakan arsitektur terdistribusi dengan ESP32-CAM sebagai unit pemrosesan AI vision dan ESP32 sebagai kontroler utama untuk navigasi robot. Model deteksi objek dilatih menggunakan dataset 3.000 gambar rambu lalu lintas dan mencapai akurasi training 99,8% dengan ukuran model 82,3 KB yang memungkinkan deployment pada microcontroller dengan resource terbatas. Hasil pengujian menunjukkan sistem mencapai success rate 100% pada kondisi pencahayaan optimal (912 lux) namun mengalami penurunan menjadi 80% pada kondisi suboptimal (750-853 lux). Robot berhasil mengintegrasikan konsep AI dengan pembelajaran STEM melalui three-phase action execution framework yang memungkinkan siswa mengobservasi proses pengambilan keputusan AI secara real-time, menunjukkan potensi sebagai platform pembelajaran yang affordable untuk memperkenalkan konsep edge AI dalam konteks pendidikan menengah. Kata Kunci — Robot edukasi, deteksi objek, Edge Impulse, algoritma FOMO, ESP32-CAM
References
S. Hymel et al., “Edge Impulse: An MLOps Platform
for Tiny Machine Learning,” 2022, [Online].
Available: http://arxiv.org/abs/2212.03332
L. Casal-Otero, A. Catala, C. Fernández-Morante, M.
Taboada, B. Cebreiro, and S. Barro, “AI literacy in K12: a systematic literature review,” Int J STEM Educ,
vol. 10, no. 1, 2023, doi: 10.1186/s40594-023-00418-
F. Bellas, M. Naya-Varela, A. Mallo, and A. PazLopez, “Education in the AI era: a long-term
classroom technology based on intelligent robotics,”
Humanit Soc Sci Commun, vol. 11, no. 1, pp. 1–20,
, doi: 10.1057/s41599-024-03953-y.
B. E. Nugraha and R. S. Gutami, LOGARITHMUS:
KIT ROBOT EDUKASI SCIENCE, TECHNOLOGY,
ENGINEERING AND MATHEMATICS (STEM)
UNTUK MENYONGSONG “MERDEKA BELAJAR.”
E. Z. Astuti, F. Agustina, E. Dolphina, and N. K.
Ningrum, “Pengenalan Algoritma Komputasi pada
Kelas Robotik pada Siswa SD Islam Bintang Juara
dengan Metode Computational Thinking,” vol. 8, no.
, pp. 470–474, 2025.
A. Latip, “Minat Belajar Peserta Didik SMP Pada
Pembelajaran STEM dengan Media Robot Edukasi,”
Jurnal Literasi Pendidikan Fisika, vol. 1, no. 02, pp.
–96, 2020, doi: 10.30872/jlpf.v1i2.353.
F. Firdaus, M. Wibowo, R. Tullah, and W. Ricesa,
“Studi Perbandingan Algoritma YOLO dan FOMO
untuk Object Detection pada Perangkat ESP32-
CAM,” Insect (Informatics and Security): Jurnal
Teknik Informatika, vol. 11, no. 1, pp. 44–54, 2025,
doi: 10.33506/insect.v11i1.4289.
R. I. Firdaus, W. H. Sugiharto, and M. I. Ghozali,
“Implementasi Convolutional Neural Network Dalam
Sistem Otomatis Pemilahan Sampah Infeksius
Berbasis Citra Digital,” SisInfo, vol. 7, no. 1, pp. 11–
, 2025, doi: 10.37278/sisinfo.v7i1.1052.
T. Sapounidis and Dimitris. Alimisis, “a R Eview of
T Hermal M Anagement T Echnologies in,”
Educational robotics for STEM: A review of
technologies and some educational considerations.,
no. October, pp. 1–19, 2020.
H. J. Saputra, W. Kurniawan, N. Lestari, and C.
Riantoni, “Development of Straight Motion
Kinematics Learning Module Based on Educational
Robotics and Guided Inquiry,” vol. 09, no. 02, pp.
–235, 2025.
S. Prakash Chand, “Constructivism in Education:
Exploring the Contributions of Piaget, Vygotsky, and
Bruner,” International Journal of Science and
Research (IJSR), vol. 12, no. 7, pp. 274–278, 2023,
doi: 10.21275/sr23630021800.
A. V. Pou, X. Canaleta, and D. Fonseca,
“Computational Thinking and Educational Robotics
Integrated into Project-Based Learning,” Sensors, vol.
, no. 10, 2022, doi: 10.3390/s22103746.
A. D. la Hoz, L. Melo, F. Cañada, and J. Cubero,
“Educational robotics for science and mathematics
teaching: Analysis of pre-service teachers’
perceptions and self-confidence,” Heliyon, vol. 10,
no. 21, 2024, doi: 10.1016/j.heliyon.2024.e40032.
H. Jaya et al., Kecerdasan Buatan, vol. 53, no. 9.
G. Karalekas, S. Vologiannidis, and J. Kalomiros,
“Teaching Machine Learning in K–12 Using
Robotics,” Educ Sci (Basel), vol. 13, no. 1, 2023, doi:
3390/educsci13010067.
M. Nasihuddin, “Peran Kecerdasan Buatan Terhadap
Transformasi Pendidikan Di Era Digital,” Salimiya:
Jurnal Studi Ilmu Keagamaan Islam, vol. 5, no. 4, pp.
–418, 2024, doi: 10.58401/salimiya.v5i4.1919.
C. Juliandy and D. Darwin, “Pengenalan Computer
Vision Berbasis Convolutional Neural Network
melalui Dewatalks,” Sarwahita, vol. 21, no. 01, pp.
–52, 2024, doi: 10.21009/sarwahita.211.4.
T. A. Dompeipen and S. R. U. A. Sompie, “Penerapan
computer vision untuk pendeteksian dan penghitung
jumlah manusia,” Jurnal Teknik Informatika, vol. 15,
no. 4, pp. 1–12, 2020.
R. A. Tilasefana and R. E. Putra, “Penerapan Metode
Deep Learning Menggunakan Algoritma CNN
Dengan Arsitektur VGG Net Untuk Pengenalan
Cuaca,” Journal of Informatics and Computer
Science (JINACS), vol. 5, no. 01, pp. 48–57, 2023,
[Online]. Available:
https://ejournal.unesa.ac.id/index.php/jinacs/article/v
iew/54515
N. Tjahyadi, F. Direktorat, K. Surabaya, H.
Widyantara, and H. Briantoro, “Penerapan Edge
Computing pada Pertanian untuk Efisiensi Jaringan
dan Optimalisasi Komputasi,” vol. 12, no. 2, p. 2346,
Anushree Nagvekar, “Edge AI: Revolutionizing
Embedded Systems through On-Device Processing,”
International Journal of Scientific Research in
Computer Science, Engineering and Information
Technology, vol. 11, no. 1, pp. 2871–2880, 2025, doi:
32628/cseit251112289.
L. Boyle, N. Baumann, S. Heo, and M. Magno,
“Enhancing Lightweight Neural Networks for Small
Object Detection in IoT Applications,” Proceedings
of IEEE Sensors, pp. 1–9, 2023, doi:
1109/SENSORS56945.2023.10325126.
