Membangun Kecerdasan di Ujung Jaringan: Studi Kasus Peramalan Daya PV dengan Pembelajaran Mesin Berbasis Graf pada Smart Meter

      Kecerdasan Buatan (AI) telah merevolusi berbagai aspek teknologi, dan kini pengaruhnya semakin meluas ke sektor energi, khususnya dalam manajemen jaringan listrik. Dengan semakin maraknya penyebaran smart meter dan konsentrator, operasional jaringan listrik mengalami transformasi fundamental. Aset-aset di ujung jaringan ini memungkinkan "otonomi di ujung jaringan" (edge autonomy) untuk jaringan distribusi, di mana perangkat lokal dapat menjalankan algoritma kompleks tanpa bergantung pada komputasi cloud terpusat. Fenomena ini dikenal sebagai "kecerdasan di ujung jaringan" (grid edge intelligence), sebuah pergeseran paradigma yang mengoptimalkan efisiensi dan keandalan sistem energi.

      Inti dari tren ini adalah kemampuan "inferensi di perangkat" (on-device inference), sebuah konsep yang semakin penting di berbagai sektor seperti IoT (Internet of Things), otomotif, dan energi. Sebagai contoh, model prediktif seperti support vector machines, gradient-boosting trees, dan regresi linear telah diintegrasikan ke dalam smart meter untuk tugas regulasi tegangan. Penelitian lain juga telah mengeksplorasi penggunaan kerangka kerja deteksi objek pada perangkat keras berdaya rendah. Dalam konteks jaringan listrik, data sering kali memiliki struktur graf, dengan stasiun sebagai node dan jalur transmisi sebagai edge. Ini membuka peluang besar bagi Graph Neural Networks (GNNs), model AI canggih yang dirancang khusus untuk memproses data dengan struktur semacam ini.

Tantangan Penerapan Model AI di Perangkat Ujung

      Meskipun GNNs menawarkan potensi besar untuk analisis data jaringan listrik, penerapannya di perangkat ujung seperti smart meter bukanlah tanpa tantangan. Salah satu hambatan utama adalah keberagaman format representasi model di berbagai kerangka kerja pelatihan deep learning populer, seperti PyTorch dan TensorFlow. Hal ini mempersulit deployment lintas platform dan migrasi model. Untuk mengatasi masalah ini, format Open Neural Network Exchange (ONNX) diusulkan sebagai standar terbuka dan terpadu untuk representasi model, mempromosikan interoperabilitas antar kerangka kerja.

      Namun, kendala lain muncul saat mencoba menerapkan model GNN pada smart meter dengan sumber daya terbatas: beberapa operator GNN penting, seperti lapisan Graph Convolutional Network (GCN), tidak tersedia dalam pustaka bawaan ONNX. Selain itu, untuk lapisan GNN bawaan tertentu, seperti GraphSAGE, grafik komputasi ONNX yang dihasilkan oleh implementasi resminya terkadang berbeda dari perilaku asli lapisan tersebut. Isu-isu ini secara signifikan menghambat deployment model di smart meter. Studi ini, yang bersumber dari arXiv:2604.19800, membahas bagaimana tantangan ini dapat diatasi, bahkan dengan mengembangkan operator ONNX yang disesuaikan untuk GCN, demi berhasil menerapkan model peramalan daya fotovoltaik (PV) di smart meter. Kemampuan untuk melakukan adaptasi teknologi seperti ini merupakan bagian dari layanan solusi AI khusus yang ditawarkan ARSA Technology.

Peramalan Daya PV di Microgrid Pedesaan Tanpa Cloud

      Dalam skenario microgrid jarak jauh, terutama di daerah dengan infrastruktur komunikasi yang buruk dan konektivitas cloud yang tidak stabil, peramalan daya PV langsung pada smart meter menjadi sangat penting untuk manajemen energi lokal. Karena komunikasi yang tidak stabil dengan pusat kendali dan tidak adanya dukungan jaringan eksternal, peramalan harus dilakukan secara lokal tanpa data meteorologi real-time (misalnya, iradiasi matahari). Dengan demikian, model peramalan hanya dapat mengandalkan pengukuran daya historis sebagai inputnya.

      Proses ini dapat dirumuskan sebagai fungsi berbasis GNN yang mengambil input berupa riwayat pengukuran daya dari berbagai stasiun PV dan memprediksi output daya masing-masing stasiun di masa depan. Pendekatan ini sangat relevan untuk menjaga keandalan energi di lokasi terpencil, di mana ketergantungan pada cloud dapat menjadi titik kegagalan yang fatal. ARSA Technology, dengan pengalaman sejak 2018, memahami pentingnya solusi otonom seperti ini dalam mengoptimalkan operasi energi dan dapat menyediakan teknologi seperti AI Box Series yang dirancang untuk komputasi edge dan otonomi di lingkungan terbatas.

Memahami GCN dan GraphSAGE: Fondasi Analisis Graf

      Untuk memahami bagaimana peramalan ini bekerja, penting untuk mengenal dua jenis GNN yang digunakan dalam studi ini: GCN dan GraphSAGE. Keduanya adalah model deep learning yang dirancang untuk memproses data berstruktur graf, tetapi dengan pendekatan yang sedikit berbeda.

Graph Convolutional Networks (GCN): GCN adalah model deep learning yang secara khusus dirancang untuk memproses data berstruktur graf. Berbeda dengan convolutional neural networks tradisional yang mengekstraksi fitur lokal dari data berstruktur teratur seperti gambar, GCN mendefinisikan operasi konvolusi pada graf. Operasi ini secara efektif menggabungkan informasi fitur dari setiap node dan tetangganya, memungkinkan model untuk mempelajari struktur topologi graf dan atribut node secara efisien. Ide inti GCN adalah memperbarui representasi fitur node melalui aturan propagasi layer-wise. Secara spektral, formula propagasi GCN adalah pendekatan orde pertama dari konvolusi graf spektral, yang menyederhanakan operasi domain spektral yang kompleks menjadi agregasi tetangga domain spasial yang efisien. Ini meningkatkan efisiensi komputasi dan skalabilitas model. Model GCN dengan k lapisan memungkinkan representasi akhir setiap node untuk menggabungkan informasi fitur dari tetangga k-hop* nya, sehingga mempelajari representasi struktural yang kaya. GraphSAGE: Seperti GCN, GraphSAGE juga merupakan model jaringan saraf graf yang intinya adalah mempelajari fungsi yang menghasilkan representasi vektor untuk sebuah node dengan menggabungkan informasi dari tetangganya. Seluruh algoritma dapat dibagi menjadi dua langkah: agregasi tetangga dan pembaruan node-diri. Proses agregasi tetangga mengumpulkan informasi dari tetangga yang lebih jauh secara iteratif. Setelah mendapatkan informasi tetangga yang teragregasi, model menggabungkannya dengan representasi node itu sendiri dari putaran sebelumnya, dan kemudian melewati lapisan fully connected dan fungsi aktivasi non-linear. Proses ini diulang, dan setelah beberapa putaran, representasi akhir setiap node akan mengintegrasikan informasi struktural dan fitur dari tetangga K-hop* nya.

ONNX dan ONNX Runtime: Mempersatukan Ekosistem AI

      ONNX (Open Neural Network Exchange) berfungsi sebagai representasi perantara, yang mengabstraksi jaringan saraf menjadi directed acyclic graph (sering disebut "graf komputasi") yang terdiri dari node dan tensor. Setiap node dalam graf ini mewakili sebuah operasi, dan tensor mewakili data yang mengalir antar operasi. Tujuan utamanya adalah menyediakan standar terbuka dan terpadu untuk representasi model AI, sehingga mempromosikan interoperabilitas antar kerangka kerja pelatihan AI yang berbeda. Ini berarti sebuah model yang dilatih di PyTorch dapat dengan mudah di-deploy menggunakan ONNX di lingkungan yang mendukung TensorFlow, atau sebaliknya.

      ONNX Runtime adalah mesin inferensi yang memungkinkan eksekusi model ONNX secara efisien di berbagai platform perangkat keras dan sistem operasi. Ini sangat penting untuk deployment AI di lingkungan edge, seperti smart meter, di mana sumber daya komputasi dan memori seringkali terbatas. Dengan ONNX Runtime, model dapat dioptimalkan untuk kinerja dan konsumsi daya. Namun, seperti yang ditemukan dalam studi ini, untuk operator GNN tertentu, implementasi khusus mungkin diperlukan untuk memastikan fungsi yang benar, sebuah contoh nyata dari kedalaman teknis yang sering diperlukan dalam deployment AI di dunia nyata.

Penerapan dan Hasil: GNN di Smart Meter

      Studi kasus yang dilakukan menggunakan dataset nyata dari microgrid desa menunjukkan keberhasilan deployment dan eksekusi model GCN dan GraphSAGE pada smart meter. Performa kedua model dibandingkan, tidak hanya di PC sebagai lingkungan pelatihan, tetapi juga secara langsung di smart meter. Temuan ini menegaskan kelayakan dan potensi GNN untuk peramalan daya PV di perangkat edge. Mampu melakukan inferensi AI secara lokal pada smart meter berarti:

• Mengurangi ketergantungan pada konektivitas cloud: Ini sangat penting di daerah terpencil atau di lingkungan industri di mana koneksi internet tidak stabil atau tidak tersedia.
• Peningkatan privasi data: Data sensitif dapat diproses dan dianalisis secara lokal, tanpa perlu dikirim ke cloud, memenuhi persyaratan kepatuhan data yang ketat.

Latensi yang lebih rendah: Keputusan dapat diambil lebih cepat karena pemrosesan dilakukan di dekat sumber data, ideal untuk aplikasi real-time seperti regulasi jaringan atau sistem keamanan. Solusi AI Video Analytics ARSA juga sangat mengandalkan pemrosesan edge* untuk latensi rendah dan keandalan operasional.

• Efisiensi biaya: Mengurangi biaya transmisi data dan infrastruktur cloud yang mahal.

      Studi ini memberikan bukti konkret bahwa solusi AI canggih seperti GNN, dengan adaptasi yang tepat, dapat beroperasi secara efektif pada perangkat edge dengan sumber daya terbatas, membawa kecerdasan lebih dekat ke sumber data dan memungkinkan pengambilan keputusan yang lebih otonom dan efisien.

Masa Depan Kecerdasan di Ujung Jaringan

      Keberhasilan penerapan pembelajaran mesin berbasis graf pada smart meter untuk peramalan daya PV menunjukkan arah masa depan "kecerdasan di ujung jaringan" yang menjanjikan. Dengan inovasi ini, microgrid, khususnya yang berada di lokasi terpencil atau terisolasi, dapat mengelola sumber daya energi terbarukan mereka dengan lebih cerdas dan efisien, berkontribusi pada jaringan listrik yang lebih tangguh dan berkelanjutan.

      ARSA Technology berkomitmen untuk membangun masa depan dengan AI & IoT, menyediakan solusi yang tidak hanya mengurangi biaya dan meningkatkan keamanan, tetapi juga menciptakan aliran pendapatan baru bagi perusahaan global. Jika Anda mencari mitra teknologi yang dapat mengubah tantangan operasional Anda menjadi keunggulan kompetitif, tim kami siap membantu. Jelajahi solusi AI & IoT kami dan hubungi tim ARSA untuk konsultasi gratis.

Sumber:

      Jian Huang, Zixiang Ming, Yongli Zhu, Linna Xu. (2026). On-Meter Graph Machine Learning: A Case Study of PV Power Forecasting for Grid Edge Intelligence*. arXiv:2604.19800v1 [cs.LG]. Available at: https://arxiv.org/abs/2604.19800.