Sebagai mahasiswa Teknik Elektro murni, titik tolak riset ini berakar kuat pada ranah fisik instrumen: bagaimana kita merekam karakteristik anomali sirkuit (khususnya open circuit) tanpa merusak komponen perangkat keras itu sendiri.

1. Injeksi Kerusakan Non-Destructive

Tantangan utama dalam machine learning berbasis hardware adalah kelangkaan data rusak. Tidak mungkin kita membakar atau merusak ratusan sirkuit hanya demi mendapatkan sampel failure. Maka metode yang digunakan adalah injeksi kerusakan simulatif non-destructive untuk merekam respons transien dan distorsi sinyal secara akurat.

2. Dari Lab Bench ke Edge Silicon (TinyML)

Data latih yang didapat dari perekaman instrumen kemudian menjadi bahan bakar pembuatan model deteksi anomali. Visi lanjutannya: model ini tidak dikirim ke cloud, melainkan dikompresi (kuantisasi int8) agar muat dieksekusi langsung di mikrokontroler ESP32-S3.

// Konsep inferensi anomali langsung di edge (ESP32-S3)
float anomaly_score = RunEdgeInference(sensor_signal_buffer);
if (anomaly_score > THRESHOLD_OPEN_CIRCUIT) {
    TriggerFastProtection();
}

Inilah jembatan antara rekayasa elektro konvensional dan kecerdasan komputasi fisik: proteksi cerdas instan di level mikrodetik.