Image by freepik

Sistem artificial intelligence (AI) yang cepat, efisien, dan memiliki latensi sangat rendah akan sangat berguna bagi semua pihak, terutama bagi perusahaan baik kecil, menengah, maupun enterprise. Tentu hal itu dapat terwujud, adapun AI yang mampu melakukan pemrosesan langsung di perangkat atau server lokal dekat sumber data, yaitu edge AI. Cara kerjanya dengan memindahkan komputasi dari cloud ke ‘edge’ jaringan, waktu respons pun dapat ditekan, daripada aplikasi cloud yang memiliki latensi ratusan milisekon karena harus mengirim data bolak-balik ke pusat data. Inilah mengapa edge AI memungkinkan pengambilan keputusan secara real-time pada aplikasi kritikal, contohnya aplikasi untuk pengawasan mesin dan pengendali kualitas di pabrik, atau sistem-sistem lain yang memanfaatkan IoT. Penelitian oleh Pamadi & Singh (2025) menunjukkan bahwa edge AI dapat mencapai latensi hanya 10 – 50 ms, sedangkan AI berbasis cloud berkisar 100 – 300 ms.  Latensi rendah tersebut ideal untuk aplikasi yang memerlukan keputusan real-time. Sistem deteksi kerusakan mesin, inspeksi visual otomatis, atau monitoring lingkungan dapat langsung ‘bertindak’ tanpa penundaan signifikan. Selain itu, edge AI memberikan potensi besar karena adanya keberhasilan pencapaian ROI komputasi edge pada platform Dell hingga 130% (Tan, 2023).

Apakah Latensi Rendah dan Efisiensi Data itu Penting?

Sebelumnya, perlu dipahami terlebih dahulu mengenai inti dari edge AI. Edge AI merupakan penerapan AI yang memanfaatkan komputasi edge. Komputasi edge merupakan pemrosesan data yang dilakukan di dekat sumber datanya, seperti sensor atau gadget. Yang mana artinya adalah latensi menjadi rendah. Sehingga, dapat dikatakan edge AI dapat meningkatkan responsivitas dalam sistem AI dibanding sistem AI yang melakukan pemrosesan data di cloud (Pamadi & Singh, 2025).

Lalu bagaimana dengan latensi rendah dan efisiensi data? Keduanya adalah faktor yang saling terkait dan diperlukan dalam penerapan sistem real-time. Latensi rendah artinya semakin cepat, dan data yang efisien membuat pemrosesan menjadi lebih cepat lagi. Kelly (2024) menemukan bahwa komputasi edge secara signifikan mengurangi latensi dan meningkatkan efisiensi pemrosesan data real-time di berbagai industri. Hasil tersebut menjelaskan mengapa aplikasi mission-critical, seperti kendali robot, kendaraan otonom, atau sistem monitoring, menjadi lebih andal karena edge AI. Selain itu, pemrosesan secara lokal dapat mengurangi beban bandwidth jaringan karena data besar (gambar/ video) cukup dikirimkan sepintas atau hasil analisisnya saja, bukan keseluruhan sinyal mentah. Penelitian Suryadi et al. (2024) juga menegaskan bahwa penerapan komputasi edge signifikan menurunkan latensi sistem, meningkatkan efisiensi bandwidth, dan mengoptimalkan konsumsi daya. Dengan kata lain, edge AI menghemat biaya operasional jangka panjang dengan memotong kebutuhan pengiriman data terus-menerus ke cloud dan mengurangi penggunaan daya di pusat data.

Manfaat Utama Edge AI

Edge AI memberikan manfaat dan membuat penerapan AI menjadi lebih ‘hemat’, namun tidak hanya itu saja. Berikut adalah benefit ketika menerapkan edge AI.

• Penghematan energi, komputasi lokal relatif lebih hemat daya, Pamadi & Singh (2025) mencatat bahwa edge AI mengurangi kebutuhan daya berkat minimnya transfer data. Sebaliknya, cloud AI lebih boros energi karena infrastruktur besar dan koneksi terus-menerus.
• Responsiveness real-time, latensi end-to-end hanya 10 – 50 ms (Pamadi & Singh, 2025), sangat cocok untuk kontrol mesin, inspeksi otomatis, atau monitoring lingkungan (misalnya lingkungan budidaya akuakultur).
• Efisiensi bandwidth, data diolah secara lokal sehingga volume data ke cloud berkurang drastis (Suryadi et al., 2024), hal ini menekan biaya paket data dan memori cloud.
• Kecepatan kembali modal (ROI), penghematan bandwidth dan daya menjadikan investasi edge AI relatif cepat terbayar. Poin ini akan dibahas di sub berikutnya.
• Keamanan data, karena pengolahan dilakukan di lokasi, risiko privasi dan keamanan data lebih rendah, data sensitif tidak perlu dipindahkan ke cloud.

Contoh nyata dalam penerapan edge AI misalnya penurunan tingkat pencurian di sektor retail. Dalam blog resmi Dell Technologies dan laporan ESG, salah satu pelanggan di sektor retail berhasil mengurangi tingkat pencurian hingga 40% dengan edge AI. Sistem tersebut menggunakan analitik real-time (AI & ML) yang dijalankan di perangkat edge, sehingga memungkinkan deteksi kejadian secara langsung dan mencegah kerugian operasional lebih lanjut (Dell Technologies, 2025; International Security Journal, 2023).

Dell Technologies World 2023: Hasil Studi ROI Edge Computing Dell

Di sini Kami belum menemukan sumber yang eksplisit membahas ‘ROI dari edge AI’, namun terdapat sumber terkait dalam penggunaan edge computing. Namun tentu tetap relevan, karena contoh yang dibahas merupakan platform yang mengintegrasikan AI/ machine learning (ML) inferensi lokal sebagai bagian operasionalnya.

Menurut laporan dari Computer Weekly dari acara Dell Technologies World 2023, Dell melakukan studi internal terhadap hampir 100 pelanggan besar yang mengadopsi solusi manufaktur berbasis platform Dell NativeEdge, dan hasilnya menunjukkan bahwa dalam investasi selama tiga tahun, perusahaan dapat memperoleh ROI hingga 130%. Selain itu, melalui zero-touch provisioning, waktu onboarding perangkat dapat dipersingkat hingga 20 menit dan biaya operasional edge dapat berkurang (Tan, 2023).

Selain yang dipaparkan pada acara tersebut, adapun studi lain yang menunjukkan hasil ROI yang memuaskan. Studi yang sama dengan case pelanggan sektor retail yang berhasil mengurangi pencurian (sub sebelumnya), menyebutkan keberhasilan pengguna platform Dell (komputasi edge) dalam meraih ROI sebesar 300% dalam waktu kurang dari sembilan bulan (Dell Technologies, 2025; International Security Journal, 2023). 

Potensi Penerapan Edge AI di Sektor Pertanian

Di sektor pertanian, edge AI berpotensi mendukung pertanian presisi (precision agriculture). Misalnya, sensor kelembaban tanah, kamera pengawas tanaman, dan drone pemantau dapat dilengkapi modul AI kecil yang menganalisis data secara lokal. Pintus et al. (2025) menguraikan bagaimana kemajuan model deep learning dan perangkat edge memungkinkan klasifikasi citra real-time di lahan pertanian. Dengan sistem AIoT ini, masalah hama atau penyakit tanaman dapat dideteksi otomatis, kemudian alat semprot cerdas bekerja secara tepat tanpa perlu koneksi internet terus-menerus. Penerapan Edge AIoT membuat monitoring otomatis di kebun menjadi lebih murah dan ramah lingkungan karena kesalahan dalam perawatan dapat dihindari, dan penggunaan pestisida menjadi lebih minimal. Sebagai contoh, sistem AIoT di ladang padi mampu memberi peringatan dini soal peningkatan kelembaban atau hama berdasarkan analisis citra dan sensor lokal, sehingga petani dapat bertindak lebih cepat tanpa menunggu data diolah di cloud (Pintus et al., 2025).

Crocodic sebagai penyedia solusi digital di Indonesia dapat memberikan solusi IoT yang dapat memonitor data krusial dan automasi sistem dalam sektor pertanian. Dengan hal ini, Crocodic meyakini edge AI dapat memfasilitasi pertanian cerdas yang tanggap terhadap perubahan kondisi lapangan, sekaligus mengurangi beban konektivitas dan biaya komunikasi data.

Potensi Penerapan Edge AI di Industri Manufaktur

Di lini produksi manufaktur, edge AI memperkuat otomasi dan kontrol kualitas. AI vision di perangkat edge dapat langsung mendeteksi cacat produksi atau penurunan kinerja alat tanpa menunggu response dari cloud. Sebagai contohnya, Chen et al. (2024) memaparkan metode prediksi kualitas produk brake disc pada jalur produksi dengan memanfaatkan komputasi edge. Mereka menunjukkan bahwa penerapannya dapat mengatasi beban bandwidth yang besar dan keterbatasan sumber daya cloud, sehingga prediksi kualitas menjadi lebih cepat dan sistem produksi bisa menyesuaikan parameter mesin secara real-time. Secara umum, analisis data pabrik yang dilakukan langsung di lokasi (misalnya server lokal pabrik) mengartikan bahwa mesin dapat terus berjalan produktif. Jika terdeteksi masalah, sistem bisa secara otomatis mengatur ulang proses, mengganti tool, atau mengirim peringatan kepada operator. Hasilnya downtime berkurang dan produk cacat bisa diminimalisir. Kelly (2024) juga memaparkan peningkatan efisiensi keseluruhan sistem IoT di industri karena komputasi edge berupa latensi rendah yang dapat mempercepat respon darurat, dan terdistribusinya pemrosesan dapat mencegah kemacetan data di cloud.

Potensi Penerapan Edge AI di Sektor Konstruksi

Edge AI juga diterapkan di proyek konstruksi untuk keselamatan kerja (safety app) dan monitoring lokasi. Misalnya AIoT dapat mendeteksi kecelakaan di lokasi secara real-time. Danilenka et al. (2023) mengembangkan sistem deteksi jatuh berbasis AI-LSTM ringan pada perangkat yang digunakan pekerja. Data akselerometer dikumpulkan dari tag tubuh pekerja, lalu diproses di dekat sumbernya untuk mengidentifikasi kejadian jatuh atau kecelakaan, kemudian langsung mengirim peringatan ke site manager. Sistem tersebut beroperasi dengan keterbatasan bandwidth IoT (hanya puluhan byte per detik dikirim), namun tetap akurat (presisi >0.95) berkat pemodelan di edge. Selain deteksi jatuh, sensor gas/ bahaya lingkungan di lokasi bisa dipasangkan modul edge AI untuk mengeluarkan peringatan polusi udara atau gas beracun langsung di tempat. 

Secara ringkas, penerapan edge AI di konstruksi dapat menciptakan lapangan kerja yang lebih aman dan produktif. Sensor cerdas dan komputasi secara lokal mendukung inspeksi lokasi tanpa tiang pemancar internet yang kuat, serta memungkinkan sistem EHS (Environment, Health, Safety). 

Kesimpulan

Berbagai temuan riset menunjukkan bahwa Edge AI lebih hemat dan responsif dibanding AI konvensional berbasis cloud, khususnya pada aplikasi real-time. Dengan latensi hanya puluhan milisekon dan efisiensi bandwidth tinggi, edge AI memungkinkan pengawasan mesin, kontrol kualitas, dan monitoring lingkungan yang jauh lebih andal. Di sektor pertanian, manufaktur, dan konstruksi di Indonesia, adopsi teknologi ini memiliki potensi yang menguntungkan operasional. Di sinilah Crocodic siap menjadi mitra, dengan memanfaatkan keahlian kami dalam IoT dan pengembangan sistem digital. Kami telah berpengalaman mengembangkan aplikasi IoT dan digitalisasi proses bisnis seperti monitoring kualitas dan konsumsi air di proses pertambangan PAMA, monitoring tangki palm oil, sprayer otomatis di wilayah pertambangan, dan lainnya. Dengan Kami yang bergerak menuju solusi AI-driven, edge AI menjadi alternatif yang dapat menjawab kebutuhan bisnis untuk sistem efisien, cepat, dan berbiaya rendah. 

Daftar Pustaka

Chen, M., Wei, Z., Li, L. et al. Edge computing-based proactive control method for industrial product manufacturing quality prediction. Sci Rep 14, 1288 (2024). https://doi.org/10.1038/s41598-024-51974-z

Dell Technologies. (2025). Achieve greater ROI with AI in your datacenter. https://www.dell.com/en-us/blog/achieve-greater-roi-with-ai-in-your-datacenter 

Danilenka, A., Sowiński, P., Rachwał, K., Bogacka, K., Dąbrowska, A., Kobus, M., Baszczyński, K., Okrasa, M., Olczak, W., Dymarski, P., Lacalle, I., Ganzha, M., & Paprzycki, M. (2023). Real-Time AI-Driven Fall Detection Method for Occupational Health and Safety. Electronics, 12(20), 4257. https://doi.org/10.3390/electronics12204257

International Security Journal. (2023). Dell Technologies on the future of edge and AI data strategies. https://internationalsecurityjournal.com/dell-technologies-ai-data/ 

Kelly, Brian. (2024). The Impact of Edge Computing on Real-Time Data Processing. International Journal of Computing and Engineering. 5. 44-58. 10.47941/ijce.2042.

Pamadi, V. N., & Singh, P. (2025, March). Edge AI vs Cloud AI: A comparative study of performance latency and scalability. International Journal of Research in Modern Engineering and Emerging Technology (IJRMEET), 13(3). ISSN (o): 2320-6586. 

Pintus, M., Colucci, F., & Maggio, F. (2025). Emerging Developments in Real-Time Edge AIoT for Agricultural Image Classification. IoT, 6(1), 13. https://doi.org/10.3390/iot6010013

Suryadi, D., Octiva, C. S., Fajri, T. I., Nuryanto, U. W., & Hakim, M. L. (2024). Optimasi Kinerja Sistem IoT Menggunakan Teknik Edge Computing. Jurnal Minfo Politeknik Ganesha (Minfo), 13(2), 1456–1462Tan, A. (2023). How Dell is easing edge deployments. Computer Weekly. https://www.computerweekly.com/news/366541536/How-Dell-is-easing-edge-deployments