EdgeClap: Implementasi Sistem Otentikasi Pintu Pintar Berbasis Tepuk Tangan Menggunakan Model LSTM yang Dioptimalkan dengan Knowledge Distillation pada Perangkat IoT
Abstrak
Apa. Penelitian ini mengembangkan dan mengevaluasi sistem otentikasi pintu pintar berbasis pengenalan pola tepuk tangan menggunakan model LSTM yang dioptimalkan dengan metode Knowledge Distillation (KD) agar dapat diimplementasikan pada perangkat IoT seperti ESP32. Mengapa. Sistem smart lock saat ini pada umumnya masih banyak yang menggunakan dan bergantung pada kamera, sensor optik, atau perangkat wearable yang mahal. Sementara sistem berbasis sensor suara saat ini masih banyak yang menggunakan metode threshold sederhana dan belum dapat membedakan suara pola tepuk tangan secara pintar. Oleh karena itu diperlukan pendekatan yang ringan, cerdas, dan dapat berjalan langsung tanpa koneksi internet, serta dengan biaya yang relatif lebih murah. Bagaimana. Pengumpulan dataset dilakukan dengan menjalankan sensor KY-037 untuk mendapatkan data dari dua suara berbeda, yaitu suara tepuk tangan dan non- tepuk tangan. Kemudian dilakukan pelatihan model LSTM berdasarkan dataset yang sudah didapatkan, model utama ini akan menjadi teacher model yang nantinya dioptimasi menggunakan metode KD untuk menghasilkan model student yang lebih ringan. Perbandingan performa dilakukan menggunakan confusion matrix, jumlah parameter, ukuran model, dan inference time. Model student kemudian diimplementasikan pada perangkat IoT seperti ESP32 untuk inferensi real-time Hasil. Student model mendapatkan akurasi validation accuracy sebesar 0.9731, nilai ini lebih tinggi dari teacher model yang hanya mendapatkan nilai sebesar 0.9676. Metode KD juga berhasil mereduksi ukuran model sebesar 57.1% dan jumlah parameter sebesar 25.8%, serta mampu melakukan inferensi realtime sekitar 68ms di atas perangkat IoT tanpa menggunakan internet maupun cloud computing. Kata kunci: otentikasi akustik, smart lock, LSTM, knowledge distillation, IoT, edge computing.
Unduhan
Referensi
[1] Y. B. Zikria, R. Ali, M. K. Afzal, and S. W. Kim, “Next-generation internet of things (iot): Opportunities, challenges, and solutions,” Sensors, vol. 21, no. 4, p. 1174, 2021.
[2] H. Touqeer, S. Zaman, R. Amin, M. Hussain, F. Al-Turjman, and M. Bilal, “Smart home security: challenges, issues and solutions at different iot layers,” The Journal of Supercomputing, vol. 77, pp. 14053– 14089, 2021.
[3] K. Luaha, S. Ismail, A. Rahman, N. N. Siagian, L. R. Amalia, and R. F. Wijaya, “Design of a clap detection light control system based on arduino uno,” Zero: Jurnal Sains, Matematika, dan Terapan, vol. 6, no. 2, pp. 142–146, 2022.
[4] Q. Banafsa, Implementasi Sistem Smart Door Lock Berbasis Pengenalan Wajah dengan Kamera Huskylens, N. Hendrarini and D. N. Ramadan, Eds. Bandung: Universitas Telkom, D3 Teknologi Komputer, 2025, [Online]. Available: https://openlibrary.telkomuniversity.ac.id/home/catalog /id/238057/.
[5] A. Altayeva, M. Omarov, and H.-N. Lee, “Convolutional lstm network for real-time impulsive sound detection and classification in urban environments,” Applied Sciences, vol. 13, no. 2, p. 721, 2023.
[6] A. Alkhulaifi, F. Alsahli, and I. Ahmad, “Knowledge distillation in deep learning and its applications,” PeerJ Computer Science, vol. 7, p. e474, 2021.
[7] A. G. Putrada, M. Abdurohman, D. Perdana, and H. H. Nuha, “Edgesl: Edge-computing architecture on smart lighting control with distilled knn for optimum processing time,” IEEE Access, vol. 11, pp. 64697– 64712, 2023.
[8] Y. Wang, Z. Yu, J. Wu, C. Wang, Q. Zhou, and J. Hu, “Adaptive knowledge distillation-based lightweight intelligent fault diagnosis framework in iot edge computing,” IEEE Internet of Things Journal, vol. 11, no. 13, pp. 23156–23169, 2024.
[9] M. A. Al-Shannaq, A. Nasrawi, A. A.-R. K. Bsoul, and A. A. Saifan, “Abnormal heart sound recognition using svm and lstm models in real-time mode,” Scientific Reports, vol. 15, p. 9129, 2025.
[10] S. Ruvinga, G. J. Hunter, O. Duran, and J.-C. Nebel, “Use of lstm networks to identify ”queenlessness” in honeybee hives from audio signals,” in 2021 17th International Conference on Intelligent Environments (IE), pp. 1–6, 2021.
[11] A. Buriro and F. Ricci, “Clapauth: A gesture-based user-friendly authentication scheme to access a secure infrastructure,” in Emerging Technologies for Authorization and Authentication: 5th International Workshop, ETAA 2022, Copenhagen, Denmark, September 30, 2022, Revised Selected Papers, (Berlin, Heidelberg), p. 15–30, Springer-Verlag, 2022.
[12] M. Syafrizal, V. Ikawati, A. Siswanto, N. Lestari et al., "Sistem keamanan door lock berbasis voice recognition dengan natural language processing," Infotronik: Jurnal Teknologi Informasi Dan Elektronika, vol. 9, no. 1, pp. 1-11, 2024.
[13] A. Jylh¨a, C. Erkut, U. Simsekli, and A. Cemgil, “Sonic handprints: Person identification with hand clapping sounds by a model-based method,” 01 2012.
[14] D. Y. Z. Chan and B. S. Tan, "Pentap: A novel rhythm game with innovative acoustic soundwave-based input and audio recognition," in 2024 3rd International Conference on Digital Transformation and Applications (ICDXA). IEEE, 2024, pp. 45-50.
[15] T. A. Onisha, J. Kim, and J. Seol, "Multi label sound classification using deep learning models," in 2024 IEEE/ACIS 22nd International Conference on Software Engineering Research, Management and Applications (SERA). IEEE, 2024, pp. 129-134.
[16] S. Hochreiter and J. Schmidhuber, “Long short-term memory,” Neural Computation, vol. 9, pp. 1735–1780, 11 1997.
[17] J. Zhang, Y. Gao, R. Liu, X. Cheng, H. Zhang, and S. Chen, “Can students beyond the teacher? distilling knowledge from teacher’s bias,” in Proceedings of the AAAI Conference on Artificial Intelligence, vol. 39, no. 21, 2025, pp. 22 434–22 442.
