Praktikum: Implementasi Dasar Edge Computing

Level: Menengah Durasi: 2–4 jam Prasyarat: Dasar jaringan, Docker/Container, Python atau Node.js, akses ke VM atau single-board computer (Raspberry Pi atau setara).

Tujuan pembelajaran

Setelah menyelesaikan modul praktikum ini peserta diharapkan dapat:

1. Menjelaskan arsitektur lapisan Edge vs Cloud.
2. Mendeploy sebuah service sederhana di node edge (container).
3. Mengimplementasikan pipeline data ringan: akuisisi → pre-processing → inferensi sederhana.
4. Mengamankan komunikasi antara device dan edge gateway.
5. Mengevaluasi metrik latensi dan bandwidth serta membuat rekomendasi optimasi.

Bahan dan alat

• 1 VM/PC sebagai cloud (atau akun cloud)
• 1 perangkat edge (Raspberry Pi atau VM yang bertindak sebagai gateway)
• Sensor virtual atau dataset (disediakan)
• Docker / Podman, dan docker-compose atau k3s (opsional)
• Python 3.9+ atau Node.js 18+
• Akses SSH antara mesin

Ringkasan teori singkat

Ringkas konsep edge: pengertian, manfaat utama (latensi, bandwidth, privasi), serta trade-offs. Gambarkan arsitektur sederhana: Device → Edge Gateway → Cloud. Bahas keamanan dasar dan observability.

Langkah praktikum

Persiapan lingkungan (30 menit)

1. Siapkan dua mesin (cloud dan edge) dan pastikan dapat saling SSH.
2. Install Docker dan docker-compose pada kedua mesin.
3. Clone repository contoh (link diberikan oleh instruktur) yang berisi simulasi sensor dan service inferensi ringan.

Langkah 1 — Menjalankan sensor simulasi (15 menit)

• Jalankan container sensor yang mem-publish data telemetri (mis. suhu) ke MQTT broker lokal di edge node.

Contoh (di edge node):

# jalankan mqtt broker (eclipse-mosquitto)
docker run -d --name mosquitto -p 1883:1883 eclipse-mosquitto
# jalankan sensor simulator
docker run -d --name sensor-sim --env MQTT_HOST=localhost example/sensor-sim

Langkah 2 — Deploy pre-processing service (30 menit)

• Buat container yang subscribe ke topik MQTT, melakukan cleaning dan aggregasi, lalu menyimpan hasil ke storage lokal (file atau InfluxDB ringan).

Tugas:

• Siapkan Dockerfile sederhana untuk service preproc.
• Jalankan dan verifikasi data yang masuk tersimpan dan teragregasi.

Langkah 3 — Inferensi ringan di edge (30 menit)

• Gunakan model sederhana (regresi atau threshold) untuk mendeteksi anomali. Model bisa berupa skrip Python yang membaca data teragregasi.
• Deploy sebagai container dan buat endpoint HTTP lokal yang mengembalikan status.

Langkah 4 — Sinkronisasi ke Cloud & Analitik (30 menit)

• Konfigurasi service untuk mengirim ringkasan per 5 menit ke cloud (HTTP POST ke endpoint di mesin cloud).
• Di cloud, simpan ke database dan buat dashboard metrik sederhana (Grafana/Influx atau Prometheus/Grafana).

Langkah 5 — Pengukuran dan evaluasi (15–30 menit)

• Ukur latency end-to-end (sensor → preproc → inferensi → respon).
• Ukur bandwidth yang digunakan terutama saat mengirim data mentah vs ringkasan.
• Catat temuan dan optimasi yang mungkin (compress, sampling, model quantization).

Tugas akhir (penilaian)

1. Submit repository fork dengan Dockerfile dan instruksi deploy (README).
2. Jawab kuis singkat:
   • Jelaskan 3 trade-off utama Edge vs Cloud.
   • Sebutkan 4 teknik mitigasi keamanan di lingkungan edge.
3. Rekam video singkat (5 menit) yang menunjukkan alur kerja dan hasil pengukuran.

Rubrik penilaian

• Setup dan dokumentasi: 30%
• Fungsi pipeline (sensor → preproc → inferensi → sink): 40%
• Keamanan dan konfigurasi: 10%
• Analisis metrik & rekomendasi: 20%

Pertanyaan dan tantangan lanjutan

• Bagaimana menangani offline-first ketika koneksi sering terputus?
• Bagaimana mengelola update model aman di ratusan node edge?
• Optimalkan penggunaan energi pada perangkat berbasis baterai.

Referensi dan sumber

• Materi ringkasan praktik edge (dokumen sumber)
• Contoh container: eclipse-mosquitto, example/sensor-sim
• Tools: Docker, k3s, Grafana, InfluxDB

Catatan: modul dapat dipecah menjadi beberapa sesi lab jika diperlukan. Jika ingin konversi ke MDX (menambahkan worksheet dan link file), beri tahu instruksi tambahan.