DASNet

Kerangka Deteksi Dini Arc Fault DC Berbiaya Rendah pada PLTS Atap Berbasis Fusi Proxy Indikator dan Edge-AI Terdistribusi Antar-Rumah

Tim Xtal — Institut Teknologi Sumatera

Important

Repositori ini mendokumentasikan studi kelayakan konsep (proof-of-concept) DASNet berbasis kajian literatur, dataset sekunder/sintetis, simulasi numerik, serta pipeline TinyML. Hasil performa yang ditampilkan bukan hasil pengujian purwarupa fisik pada PLTS riil dan tidak boleh diperlakukan sebagai pengganti perangkat AFCI tersertifikasi.

Daftar Isi

Tentang DASNet
Tim Xtal
Permasalahan yang Diangkat
Tujuan dan Target Perancangan
Konsep Utama
Arsitektur Sistem
Flowchart Sistem
Fusi Proxy Indicator
Dataset dan Pra-pemrosesan
Arsitektur ResNet 1D-CNN
Pelatihan dan Kuantisasi
Hasil Evaluasi
Ketahanan terhadap Variabilitas Lingkungan
Jaringan Terdistribusi Antar-Rumah
Bill of Materials
Firmware ESP32-S3
Struktur Repositori
Cara Menggunakan Repositori
Batasan Penelitian
Pengembangan Lanjutan
Referensi Utama

Tentang DASNet

DASNet (Distributed Arc-Signature Network) adalah kerangka deteksi dini DC arc fault untuk instalasi PLTS atap rumah tangga yang dirancang dengan pendekatan berbiaya rendah, pemrosesan Edge-AI, serta komunikasi terdistribusi antar-rumah.

DASNet menggabungkan dua jalur validasi yang saling melengkapi:

Validasi arsitektural melalui fusi tiga proxy indicator:
- riak arus,
- laju kenaikan suhu sambungan,
- deviasi efisiensi daya berbasis iradiansi.
Validasi pipeline TinyML melalui model ResNet 1D-CNN yang dikuantisasi untuk eksekusi pada mikrokontroler kelas rendah, khususnya ESP32-S3.

Node DASNet bekerja secara on-device, memberikan peringatan lokal, dapat mengeksekusi proteksi melalui relai, serta mengirimkan status anomali ke gateway komunitas menggunakan LoRa SX1278 433 MHz.

Tim Xtal

Nama	Peran dalam Karya	Institusi
Nazuwatussya'diyah	Dosen Pembimbing	Institut Teknologi Sumatera
Rafi Rafsanjani	Ketua Tim / Peneliti	Institut Teknologi Sumatera
Muhammad Yusuf Aditiya	Anggota Tim / Peneliti	Institut Teknologi Sumatera
Dimas Rifai	Anggota Tim / Peneliti	Institut Teknologi Sumatera

Nama Tim: Xtal

Permasalahan yang Diangkat

Gangguan arc fault DC pada instalasi fotovoltaik dapat dipicu oleh degradasi konektor MC4, kesalahan crimping, sambungan longgar, maupun penuaan isolasi kabel. Karena arus DC tidak memiliki titik nol seperti AC, busur listrik dapat terus bertahan dan tidak selalu memicu MCB konvensional.

Di sisi lain, solusi Arc Fault Circuit Interrupter (AFCI) komersial dinilai relatif mahal untuk pengguna PLTS rumah tangga skala kecil. DASNet dirancang untuk mengeksplorasi pendekatan alternatif yang:

dapat berjalan pada mikrokontroler murah,
tidak bergantung pada ADC berkecepatan sangat tinggi,
meminimalkan false-positive,
bekerja secara lokal tanpa ketergantungan cloud,
dapat berkolaborasi sebagai jaringan deteksi tingkat komunitas.

Tujuan dan Target Perancangan

Target awal penelitian DASNet adalah:

Parameter	Target
Akurasi klasifikasi	≥ 90%
Latensi pelaporan	< 500 ms
False-positive rate	< 5%
Estimasi BOM per node	< Rp320.000
Platform edge	ESP32-S3
Komunikasi	LoRa SX1278 433 MHz
Eksekusi AI	On-device / TinyML

Konsep Utama

PLTS Atap
   │
   ├── Sensor Arus ───────────► Riak Arus
   ├── Sensor Suhu ───────────► Laju Kenaikan Suhu
   └── Sensor Iradiansi ──────► Deviasi Efisiensi
                                  │
                                  ▼
                         Fusi Proxy Indicator
                                  │
                 ┌────────────────┼────────────────┐
                 ▼                ▼                ▼
              NORMAL           WASPADA           BAHAYA
                 │                │                │
                 └──── LED / Buzzer / Relay ─────┘
                                  │
                                  ▼
                         LoRa SX1278 433 MHz
                                  │
                                  ▼
                         Gateway Komunitas
                                  │
                    ┌─────────────┴─────────────┐
                    ▼                           ▼
              Dashboard Rumah            Dashboard Komunitas

Arsitektur Sistem

Blok diagram DASNet menerapkan skema Input – Process – Output dengan catu daya independen.

Input

Sensor	Fungsi
ACS712	Menangkap karakteristik arus dan riak arus abnormal pada jalur DC
DS18B20	Mengukur suhu sambungan dan gradien kenaikan suhu
BH1750	Mengukur iluminansi sebagai proksi iradiansi untuk koreksi efisiensi

Process

Pemrosesan utama dilakukan oleh ESP32-S3 untuk:

akuisisi data sensor,
pemfilteran data,
normalisasi,
kalkulasi proxy indicator,
fusi skor anomali,
inferensi TinyML,
klasifikasi status,
proteksi lokal,
komunikasi LoRa.

Output

Komponen	Fungsi
LED RGB	Indikator visual status Normal / Waspada / Bahaya
Buzzer	Alarm lokal
Relai	Aktuator pemutusan jalur DC pada kondisi bahaya
LoRa SX1278	Transmisi status ke gateway komunitas
Dashboard	Pemantauan individual dan agregat komunitas

Flowchart Sistem

Alur penelitian dan implementasi secara umum mencakup:

Identifikasi masalah.
Kajian literatur dan research gap.
Perancangan arsitektur.
Pemilihan komponen.
Perumusan fusi proxy indicator.
Pra-pemrosesan dataset.
Pelatihan ResNet 1D-CNN.
Kuantisasi model.
Konversi model menjadi header C++.
Deployment pada ESP32-S3.
Simulasi komunikasi LoRa.
Evaluasi performa.

Fusi Proxy Indicator

DASNet menghindari ketergantungan penuh pada analisis spektrum frekuensi tinggi dengan mengubah kondisi fisik sistem menjadi tiga indikator anomali.

1. Indikator Riak Arus

Indikator riak dihitung sebagai deviasi standar arus yang dinormalisasi terhadap rerata bergerak dalam jendela waktu satu detik:

$$I_{ripple} = \frac{\sigma(I_{t-N:t})}{\overline{I}_{t-N:t}}$$

2. Indikator Laju Suhu

Laju kenaikan suhu sambungan:

$$T_{rate} = \frac{dT}{dt}$$

3. Indikator Deviasi Efisiensi

$$\eta_{dev} = 1 - \frac{P_{out,actual}} {k \cdot G_{irradiance} \cdot A_{panel}}$$

dengan:

k = konstanta efisiensi panel dari kalibrasi,
G = iradiansi terukur dalam W/m²,
A = luas efektif panel.

4. Skor Anomali Komposit

$$S_{anomali} = w_1 I_{ripple} + w_2 T_{rate} + w_3 \eta_{dev}$$

Bobot w1, w2, dan w3 ditentukan melalui optimasi grid search pada tahap pelatihan luring.

Klasifikasi Status

Skor	Status	Respons
`S < 0,3`	🟢 Normal	Monitoring
`0,3 ≤ S < 0,7`	🟡 Waspada	Peringatan lokal
`S ≥ 0,7`	🔴 Bahaya	Alarm dan lapisan proteksi

Catatan: nilai numerik bobot w1, w2, dan w3 tidak dicantumkan pada naskah LKTI. Firmware menyediakan parameter yang harus disesuaikan dengan hasil grid search final.

Dataset dan Pra-pemrosesan

Pipeline TinyML menggunakan dataset sekunder/sintetis multi-sensor dengan tiga kanal:

Berkas	Kanal	Ukuran
`sensor1_current.csv`	Sinyal arus DC	~69,1 MB
`sensor2_voltage.csv`	Fluktuasi tegangan DC	~78,2 MB
`sensor3_acoustic_em.csv`	Emisi akustik-elektromagnetik	~73,3 MB
`labels.csv`	Label kelas	~154 KB

Dataset mentah terdiri dari sekitar 30.000 baris, kemudian melalui:

Raw multi-sensor data
        │
        ▼
Interpolasi linear
        │
        ▼
Segmentasi time-series
        │
        ▼
13.333 sampel × 3 kanal × 1024 titik
        │
        ▼
Stratified split 70 : 15 : 15
        │
        ├── Training
        ├── Validation
        └── Testing = 2.000 sampel
        │
        ▼
Z-score normalization
(parameter hanya dari training set)
        │
        ▼
Class-weighted loss

Distribusi Kelas

Kelas	Jumlah Sampel
`normal`	8.000
`series_arc`	3.333
`parallel_arc`	2.000
Total	13.333

series_arc dan parallel_arc sama-sama diposisikan sebagai kondisi berisiko tinggi dalam konteks proteksi karena keduanya berpotensi berkembang menjadi kondisi kebakaran.

Arsitektur ResNet 1D-CNN

Input model memiliki bentuk:

(3, 1024)

dengan tiga kanal sinyal per sampel.

Arsitektur utama:

Input
  │
  ▼
Conv1D
  │
Batch Normalization
  │
ReLU
  │
MaxPool
  │
  ▼
Residual Block — 32 channels
  │
  ▼
Residual Block — 64 channels
  │
  ▼
Residual Block — 128 channels
  │
  ▼
Global Average Pooling
  │
Dropout
  │
Fully Connected Layer
  │
  ▼
3 Classes
 ├── normal
 ├── series_arc
 └── parallel_arc

Koneksi residual digunakan untuk mempertahankan aliran gradien selama ekstraksi fitur time-series multi-kanal.

Pelatihan dan Kuantisasi

Model dilatih selama 27 epoch hingga mencapai konvergensi dengan validation loss mendekati nol.

Kurva Loss

Kurva Akurasi

Setelah pelatihan, model dikonversi ke format TensorFlow Lite dan dikuantisasi agar lebih sesuai untuk perangkat edge.

Model	Presisi	Ukuran File Repository	Keterangan
`dasnet_float32.tflite`	FP32	~2,1 MB	Model TensorFlow Lite sebelum kuantisasi lebih lanjut
`dasnet_float16.tflite`	FP16	~1,1 MB	Model dengan reduksi presisi Float16
`dasnet_model_data.h`	Header C++	~3,6 MB	Representasi model untuk penyematan firmware
Model inferensi INT8 pada evaluasi	INT8	~604 KB	Ukuran model inferensi yang dilaporkan dalam studi

Hasil Evaluasi

1. Confusion Matrix

Evaluasi pada 2.000 sampel test set independen menghasilkan klasifikasi sempurna pada dataset evaluasi yang digunakan:

Kelas	Sampel Test	Precision	Recall	F1-score	AUC
Normal	1.200	1,00	1,00	1,00	1,00
Series Arc	500	1,00	1,00	1,00	1,00
Parallel Arc	300	1,00	1,00	1,00	1,00
Total / Macro	2.000	1,00	1,00	1,00	1,00

Akurasi test set: 100%

Caution

Akurasi 100% diposisikan dalam naskah sebagai ideal baseline / batas atas teoritis karena dataset sekunder/sintetis memiliki karakteristik yang lebih terkontrol daripada kondisi lapangan. Noise inverter nonlinear, variasi cuaca ekstrem, sensor drift, dan karakteristik perangkat nyata dapat menurunkan performa operasional.

2. ROC Curve

Pada dataset evaluasi, nilai AUC = 1,00 untuk ketiga kelas target.

3. Perbandingan dengan Metode Eksisting

Metode	Komputasi / Ukuran	Sampling / Latensi	Akurasi
FFT + ANN — Anggriawan et al. (2023)	Tinggi / >5 MB	100 kHz / ~1.200 ms	99,98%
Ensemble ML — Le et al. (2020)	Sedang / ~12 MB	20 kHz / ~850 ms	98,2%
Conv1D — Dang et al. (2021)	Sangat tinggi / ~25 MB	1 MHz / ~500 ms	99,1%
DASNet INT8	Sangat rendah / ~604 KB	<1 kHz / <350 ms	100% (simulasi)

Fokus DASNet bukan sekadar mengejar akurasi maksimum, tetapi mengeksplorasi trade-off antara:

performa,
kebutuhan komputasi,
sampling rate,
biaya perangkat,
latensi,
kemampuan deployment pada mikrokontroler.

Ketahanan terhadap Variabilitas Lingkungan

Simulasi terhadap kondisi transien cuaca dan switching beban menunjukkan bahwa indikator tunggal berbasis riak arus lebih mudah menghasilkan alarm palsu.

Skema Deteksi	False-positive Rate	Akurasi Komposit
Indikator riak arus tunggal	18,5%	—
Fusi tiga proxy indicator	4,3%	91,2%

Reduksi FPR menjadi 4,3% penting untuk menekan risiko nuisance tripping.

Jaringan Terdistribusi Antar-Rumah

DASNet tidak hanya dirancang sebagai perangkat standalone. Setiap node edge dapat menjadi bagian dari jaringan komunitas.

Topologi Simulasi

 Rumah 01 ─┐
 Rumah 02 ─┤
 Rumah 03 ─┤
    ...    ├──► LoRa 433 MHz ───► Gateway Komunitas ───► Dashboard
 Rumah 20 ─┘

Hasil Simulasi Jaringan

Parameter	Hasil
Jumlah node	20 node
Gateway	1 gateway komunitas
Frekuensi	433 MHz
Rata-rata latensi end-to-end	340 ms
Target maksimum	500 ms
PDR LoRa	>98,6%
Gangguan simultan yang diuji	hingga 5 node

Arsitektur ini memungkinkan gateway membedakan gangguan lokal pada satu rumah dari pola anomali yang muncul serentak pada beberapa instalasi di kawasan yang sama.

Bill of Materials

Estimasi biaya perangkat elektronik untuk satu node edge:

Komponen	Spesifikasi	Estimasi Biaya
Mikrokontroler utama	ESP32-S3 N8R8	Rp120.000
Transceiver komunikasi	LoRa SX1278 433 MHz	Rp85.000
Sensor proxy proteksi	ACS712 + DS18B20 + BH1750	Rp55.000
Proteksi	Modul relai optocoupler 5V / Songle 5V	Rp6.000
Alarm & indikator	Active buzzer + LED RGB	Rp12.000
Catu daya & step-down	Power Supply 12V/2A + LM2596	Rp35.000
Total BOM per node		Rp313.000

Dalam studi, AFCI komersial bersertifikasi UL 1699B dibandingkan pada rentang sekitar Rp2,5–5 juta, sehingga estimasi biaya DASNet merepresentasikan potensi penghematan sekitar 87–94% pada tahap konsep.

Estimasi BOM belum mencakup casing, integrasi mekanik, biaya manufaktur, sertifikasi, pengujian keselamatan, dan instalasi lapangan.

Firmware ESP32-S3

Firmware utama tersedia pada:

main.cpp

Implementasi mencakup:

ESP-IDF + FreeRTOS,
sampling ACS712,
pembacaan DS18B20,
BH1750 melalui I²C,
filter firmware,
kalkulasi proxy indicator,
klasifikasi Normal / Waspada / Bahaya,
LED RGB,
buzzer,
relay,
driver LoRa SX1278,
telemetri ke gateway,
loader TensorFlow Lite Micro,
inferensi model terkuantisasi,
pengukuran latensi inferensi.

Model Header

Firmware menggunakan:

#include "dasnet_model_data.h"

Header tersebut merupakan representasi model yang disematkan ke firmware ESP32-S3.

Catatan Penting Domain Input

Model ResNet 1D-CNN pada jalur validasi TinyML dilatih pada:

current + voltage + acoustic_em

sedangkan arsitektur sensor target DASNet menggunakan:

current + temperature + irradiance

Karena kedua domain kanal tersebut tidak identik, implementasi firmware sebaiknya tidak menganggap inferensi dari model sekunder sebagai pengganti validasi model pada sensor fisik target. Pada main.cpp, skema fusi proxy tetap menjadi dasar keputusan live sampai pipeline model dilatih/ditransfer menggunakan data sensor target yang representatif.

Struktur Repositori

DASNet/
│
├── README.md
├── main.cpp
├── dasnet_model_data.h
│
├── DASNet_ResNet1D_CNN.ipynb
├── dasnet_float32.tflite
├── dasnet_float16.tflite
│
├── sensor1_current.csv
├── sensor2_voltage.csv
├── sensor3_acoustic_em.csv
├── labels.csv
│
├── blok_diagram_arsitektur_dasnet.jpg
├── flowchart_sistem_dasnet.png
├── confusion_matrix_dasnet.png
├── arsitektur_resnet1D.png
├── grafik_respon_anomali_dasnet.png
├── kurva_akurasi_dasnet.png
├── kurva_loss_dasnet.png
└── kurva_roc_dasnet.png

Deskripsi Berkas

Berkas	Format	Ukuran ±	Fungsi
`README.md`	Markdown	—	Dokumentasi repositori
`main.cpp`	C++	—	Firmware ESP-IDF/FreeRTOS
`dasnet_model_data.h`	Header C++	~3,6 MB	Model untuk deployment firmware
`DASNet_ResNet1D_CNN.ipynb`	Notebook	~1 MB	Pipeline preprocessing, training, evaluasi dan kuantisasi
`dasnet_float32.tflite`	TFLite	~2,1 MB	Model FP32
`dasnet_float16.tflite`	TFLite	~1,1 MB	Model FP16
`sensor1_current.csv`	CSV	~69,1 MB	Data sinyal arus
`sensor2_voltage.csv`	CSV	~78,2 MB	Data sinyal tegangan
`sensor3_acoustic_em.csv`	CSV	~73,3 MB	Data emisi akustik-elektromagnetik
`labels.csv`	CSV	~154 KB	Label kelas
`blok_diagram_arsitektur_dasnet.jpg`	JPG	~39 KB	Diagram arsitektur
`flowchart_sistem_dasnet.png`	PNG	~58 KB	Flowchart sistem
`confusion_matrix_dasnet.png`	PNG	~29 KB	Confusion matrix
`arsitektur_resnet1D.png`	PNG	~181 KB	Arsitektur Resnet 1D
`grafik_respon_anomali_dasnet.png`	PNG	~90 KB	Respons skor anomali
`kurva_akurasi_dasnet.png`	PNG	~26 KB	Kurva akurasi
`kurva_loss_dasnet.png`	PNG	~25 KB	Kurva loss
`kurva_roc_dasnet.png`	PNG	~42 KB	Kurva ROC

Cara Menggunakan Repositori

1. Eksplorasi Pipeline Machine Learning

Buka:

DASNet_ResNet1D_CNN.ipynb

Notebook menjadi titik utama untuk:

membaca dataset,
interpolasi,
segmentasi,
normalisasi,
pembagian data,
training ResNet 1D-CNN,
evaluasi,
visualisasi,
konversi model.

2. Model TensorFlow Lite

Model yang tersedia:

dasnet_float32.tflite
dasnet_float16.tflite

Untuk deployment ESP32-S3, model yang telah dikonversi ke array C/C++ digunakan melalui:

dasnet_model_data.h

3. Firmware ESP-IDF

Letakkan minimal:

main.cpp
dasnet_model_data.h

pada komponen aplikasi ESP-IDF yang telah dikonfigurasi dengan TensorFlow Lite Micro.

Contoh struktur proyek:

dasnet-firmware/
├── CMakeLists.txt
├── sdkconfig
└── main/
    ├── CMakeLists.txt
    ├── main.cpp
    └── dasnet_model_data.h

Lalu gunakan alur standar ESP-IDF:

idf.py set-target esp32s3
idf.py build
idf.py flash monitor

Konfigurasi pin, parameter kalibrasi sensor, bobot fusi, tensor arena, dan integrasi komponen TensorFlow Lite Micro harus disesuaikan dengan board serta environment pengembangan yang digunakan.

Status Klasifikasi

Status	Makna	Indikasi
🟢 Normal	Tidak terdapat anomali signifikan	Operasi normal
🟡 Waspada	Anomali awal / perlu observasi	Alarm awal
🔴 Bahaya	Indikasi kuat gangguan	Proteksi lokal / eskalasi

Mitigasi Risiko

Risiko	Mitigasi yang Diusulkan
Interferensi LoRa	Proteksi lokal tidak bergantung pada konfirmasi gateway
Sensor drift / noise	Moving-average / smoothing pada firmware
Overfitting dataset sintetis	Validasi HIL dan data lapangan
Data leakage	Statistik normalisasi dihitung dari training set
Ketidakseimbangan kelas	Class-weighted loss
Gangguan komunikasi	Failsafe FreeRTOS pada node
Keamanan transmisi	Pengembangan lanjutan dengan AES-128

Batasan Penelitian

Penelitian ini berada pada tahap studi kelayakan konseptual.

Beberapa batasan penting:

belum merupakan validasi purwarupa fisik pada PLTS atap riil,
pipeline TinyML menggunakan dataset sekunder/sintetis,
kanal model TinyML belum identik dengan tiga sensor fisik target,
performa 100% merupakan hasil pada dataset evaluasi terkontrol,
noise harmonik inverter lapangan belum sepenuhnya terepresentasi,
kondisi cuaca ekstrem nyata belum diuji secara hardware,
biaya casing, perakitan, sertifikasi, serta instalasi belum masuk BOM,
lapisan keamanan LoRa belum menjadi bagian dari evaluasi utama.

Pengembangan Lanjutan

Roadmap yang direkomendasikan:

Ringkasan Performa

Metrik	DASNet
Test Accuracy	100%*
Precision / Recall / F1	1,00*
AUC	1,00*
FPR proxy fusion	4,3%
Akurasi proxy fusion	91,2%
Model INT8	~604 KB
Inferensi	<350 ms
Latensi jaringan	340 ms
LoRa PDR	>98,6%
Simulasi jaringan	20 node
BOM per node	Rp313.000
Estimasi penghematan	87–94%

*Hasil pada dataset sekunder/sintetis dalam konteks studi kelayakan dan bukan klaim performa lapangan.

Referensi Utama

Anggriawan, D.O. et al. (2023). Implementation of fast Fourier transform and artificial neural network in series arc fault identification and protection system on DC bus microgrid. JTT, 11(2), 303–310. DOI: 10.32487/jtt.v11i2.1869
Dang, H.L. et al. (2021). Series DC arc fault detection using machine learning algorithms. IEEE Access, 9, 133346–133364. DOI: 10.1109/ACCESS.2021.3115512
Elhanashi, A. et al. (2024). Advancements in TinyML: applications, limitations, and impact on IoT devices. Electronics, 13(17), 3562. DOI: 10.3390/electronics13173562
Le, V. et al. (2020). Series DC arc fault detection based on ensemble machine learning. IEEE Transactions on Power Electronics, 35(8), 7826–7839. DOI: 10.1109/TPEL.2020.2969561
Lu, S.B. et al. (2019). DA-DCGAN: an effective methodology for DC series arc fault diagnosis in photovoltaic systems. IEEE Access, 7, 45831–45840. DOI: 10.1109/ACCESS.2019.2909267
Ray, P.P. (2022). A review on TinyML: state-of-the-art and prospects. Journal of King Saud University – Computer and Information Sciences, 34(4), 1595–1623. DOI: 10.1016/j.jksuci.2021.11.019
Taneza, E. & Firdaus, F. (2025). Smart system untuk pemantauan dan optimasi kinerja pembangkit listrik tenaga surya. Transmisi, 27(1), 20–32. DOI: 10.14710/transmisi.27.1.20-32

Sitasi

Jika repositori ini digunakan sebagai referensi akademik, gunakan identitas karya berikut:

DASNet: Kerangka Deteksi Dini Arc Fault DC Berbiaya Rendah pada PLTS Atap
Berbasis Fusi Proxy Indikator dan Edge-AI Terdistribusi Antar-Rumah.

Tim Xtal
Rafi Rafsanjani, Muhammad Yusuf Aditiya, Dimas Rifai
Institut Teknologi Sumatera, 2026.

Disclaimer

DASNet pada tahap ini merupakan proof-of-concept penelitian. Sistem, model, firmware, maupun hasil simulasi dalam repositori tidak dimaksudkan sebagai perangkat proteksi keselamatan listrik yang telah tersertifikasi.

Implementasi pada instalasi PLTS nyata memerlukan:

perancangan hardware yang memenuhi standar keselamatan,
validasi proteksi,
isolasi kelistrikan,
pengujian EMC,
pengujian kondisi gagal,
pengujian lapangan,
dan evaluasi terhadap standar/regulasi yang berlaku.

⚡ DASNet — Distributed Arc-Signature Network

Low-Cost DC Arc-Fault Detection · Proxy Fusion · TinyML · ESP32-S3 · LoRa Community Network

Tim Xtal · Institut Teknologi Sumatera

Name		Name	Last commit message	Last commit date
DASNet_ResNet1D_CNN.ipynb		DASNet_ResNet1D_CNN.ipynb
LICENSE.md		LICENSE.md
README.md		README.md
arsitektur_resnet1D.png		arsitektur_resnet1D.png
blok_diagram_arsitektur_dasnet.jpg		blok_diagram_arsitektur_dasnet.jpg
confusion_matrix_dasnet.png		confusion_matrix_dasnet.png
dasnet_float16.tflite		dasnet_float16.tflite
dasnet_float32.tflite		dasnet_float32.tflite
dasnet_model_data.h		dasnet_model_data.h
flowchart_sistem_dasnet.jpg		flowchart_sistem_dasnet.jpg
grafik_respon_anomali_dasnet.png		grafik_respon_anomali_dasnet.png
kurva_akurasi_dasnet.png		kurva_akurasi_dasnet.png
kurva_loss_dasnet.png		kurva_loss_dasnet.png
kurva_roc_dasnet.png		kurva_roc_dasnet.png
labels.csv		labels.csv
main.cpp		main.cpp
sensor1_current_part01.csv.gz		sensor1_current_part01.csv.gz
sensor1_current_part02.csv.gz		sensor1_current_part02.csv.gz
sensor1_current_part03.csv.gz		sensor1_current_part03.csv.gz
sensor2_voltage_part01.csv.gz		sensor2_voltage_part01.csv.gz
sensor2_voltage_part02.csv.gz		sensor2_voltage_part02.csv.gz
sensor2_voltage_part03.csv.gz		sensor2_voltage_part03.csv.gz
sensor2_voltage_part04.csv.gz		sensor2_voltage_part04.csv.gz
sensor3_acoustic_em.csv.gz		sensor3_acoustic_em.csv.gz

Latest commit

History

Folders and files

Repository files navigation