Kecerdasan buatan tidak lagi hanya hidup di pusat data raksasa atau di komputer mahal. Kini, kecerdasan buatan juga hadir dalam perangkat kecil yang ukurannya tidak jauh lebih besar dari koin atau kartu memori. Teknologi ini dikenal sebagai TinyML, singkatan dari Tiny Machine Learning. TinyML memungkinkan perangkat kecil seperti sensor, mikrofon, kamera mini, dan modul nirkabel menjalankan tugas cerdas secara mandiri tanpa harus terus terhubung ke internet. Teknologi ini membuka peluang besar bagi rumah pintar, mobil, pabrik, dan kota pintar. Namun, di balik ukurannya yang kecil, TinyML menyimpan tantangan keamanan yang besar.

Perangkat TinyML digunakan dalam berbagai situasi sehari hari. Di rumah, sensor suara dapat mengenali perintah seperti menyalakan lampu atau mematikan kipas. Di mobil, sensor kamera kecil dapat mendeteksi pejalan kaki atau rambu lalu lintas. Di pabrik, sensor getaran yang sangat kecil dapat memantau kondisi mesin dan memberi peringatan sebelum terjadi kerusakan. Semua perangkat ini bekerja secara semi mandiri. Mereka mengumpulkan data dari lingkungan, memprosesnya dengan model kecerdasan buatan yang tertanam, lalu mengambil keputusan dalam waktu singkat.

Baca juga artikel tentang: Arsitektur Cerdas Yang Bisa Mengurangi Emisi Dan Penggunaan Energi

Karena perangkat TinyML sering bekerja tanpa pengawasan langsung dan berada di lokasi yang mudah diakses, mereka menjadi target menarik bagi pihak yang berniat jahat. Jika seseorang dapat memanipulasi atau meretas perangkat kecil ini, dampaknya bisa sangat besar. Misalnya, jika sensor keselamatan di mesin industri dimanipulasi, mesin bisa beroperasi secara tidak aman. Jika sensor suara di rumah diretas, privasi penghuni bisa terganggu.

Ancaman terhadap TinyML datang dalam berbagai bentuk. Ada serangan yang mencoba membaca atau mencuri model kecerdasan buatan yang tertanam di dalam chip. Model ini sering kali merupakan hasil penelitian dan pengembangan yang mahal, sehingga menjadi target pencurian. Ada pula serangan yang mencoba memanipulasi input, misalnya dengan mengirimkan suara atau sinyal tertentu agar sistem membuat keputusan yang salah. Dalam dunia kecerdasan buatan, ini dikenal sebagai serangan adversarial.

Diagram ini menunjukkan bagaimana TinyML di perangkat IoT menggabungkan optimasi model, pembelajaran terdistribusi, keamanan, dan efisiensi energi agar kecerdasan buatan dapat berjalan dengan andal pada perangkat kecil (Shafik & Adam, 2026).

Serangan lain bisa menargetkan perangkat keras atau perangkat lunak TinyML. Karena perangkat ini sangat kecil dan murah, mereka sering memiliki perlindungan terbatas. Peretas dapat mencoba mengakses memori, memodifikasi firmware, atau memanfaatkan kelemahan komunikasi nirkabel. Dalam beberapa kasus, bahkan gelombang radio yang dikirim dari jarak jauh dapat memengaruhi cara sebuah perangkat TinyML belajar atau bertindak.

Masalah privasi juga menjadi perhatian besar. Perangkat TinyML sering memproses data sensitif seperti suara, gambar, atau pola perilaku. Jika data ini bocor atau digunakan tanpa izin, dampaknya bisa merugikan. Oleh karena itu, komunitas TinyML kini semakin menyadari pentingnya perlindungan di tingkat chip dan bahasa pemrograman. Artinya, keamanan harus dibangun langsung ke dalam perangkat, bukan hanya ditambahkan di luar.

Para peneliti mengembangkan berbagai skema keamanan untuk TinyML. Salah satu pendekatan adalah melindungi model kecerdasan buatan dengan enkripsi dan teknik penyamaran. Dengan cara ini, meskipun seseorang berhasil menyalin model dari perangkat, mereka tidak dapat dengan mudah memahami atau menggunakannya. Pendekatan lain adalah memverifikasi integritas perangkat lunak sebelum perangkat dijalankan, sehingga sistem hanya menjalankan kode yang sah.

Keamanan komunikasi juga sangat penting. Perangkat TinyML sering terhubung melalui Wi Fi, Bluetooth, atau jaringan nirkabel lain. Data yang dikirim harus dilindungi agar tidak dapat disadap atau diubah. Meskipun perangkat kecil memiliki sumber daya terbatas, teknik enkripsi yang efisien kini tersedia untuk melindungi komunikasi tanpa menghabiskan terlalu banyak daya.

Kecerdasan buatan itu sendiri juga dapat digunakan untuk meningkatkan keamanan. Model TinyML dapat dilatih untuk mendeteksi perilaku yang tidak biasa pada perangkat atau jaringan. Jika sebuah sensor tiba tiba mengirimkan data dalam pola yang aneh, sistem dapat menganggapnya sebagai tanda serangan dan mengambil tindakan pencegahan. Pendekatan ini membuat perangkat kecil menjadi lebih waspada terhadap ancaman.

Dalam konteks bangunan pintar dan kota pintar, TinyML memainkan peran penting. Sensor kecil tersebar di mana mana, memantau lingkungan dan membantu sistem besar membuat keputusan. Jika perangkat kecil ini tidak aman, seluruh sistem dapat terancam. Oleh karena itu, keamanan TinyML bukan hanya soal melindungi satu perangkat, tetapi melindungi keseluruhan ekosistem.

Masa depan TinyML sangat cerah. Teknologi ini memungkinkan kecerdasan buatan hadir di tempat tempat yang sebelumnya tidak mungkin, seperti di dalam sepatu, pakaian, atau mesin kecil. Namun, keberhasilan ini bergantung pada kemampuan kita untuk mengamankan perangkat tersebut. Penelitian terus berlanjut untuk mengembangkan metode yang lebih kuat dan efisien.

Ketika kecerdasan buatan menjadi sekecil koin, keamanan tidak boleh menjadi hal yang kecil. Dengan pendekatan yang tepat, TinyML dapat memberikan manfaat besar tanpa mengorbankan privasi dan keselamatan. Dunia yang dipenuhi oleh perangkat cerdas kecil dapat menjadi lebih aman, lebih efisien, dan lebih bermanfaat bagi semua orang.

Baca juga artikel tentang: Bagaimana Machine Learning Mengubah Cara Gedung Menggunakan Energi?

REFERENSI:

Shafik, Wasswa & Adam, Mumin. 2026. Advanced Security Schemes for TinyML Devices. Tiny Machine Learning: Design Principles and Applications, 367-402.