Saat ini kontrol untuk pengaturan rumah pintar masih dilakukan secara manual, belum sepenuhnya otomatis. Pada penelitian ini akan dibangun sistem rumah pintar yang dikendalikan oleh kecerdasan buatan untuk mengendalikan pemakaian energi berdasarkan besaran nilai tagihan bulanan. ESP32 digunakan sebagai perangkat Internet of Things (IoT) yang berfungsi mendeteksi keberadaan manusia dan mengukur energi listrik yang dikonsumsi. Data-data tersebut disimpan dalam online web server yang dibangun dari Raspberry Pi. Sistem ini dapat dimonitor dan dikendalikan oleh aplikasi berbasis Web. Aplikasi ini sudah diuji dengan menggunakan metode Black Box, hasilnya 100% aplikasi berjalan lancar. Artificial Neural Network diimplementasikan menggunakan bahasa Python, dengan 4 input, 2 layer, dan 4 output dimana masing-masing layer terdiri dari 4 neuron. Variabel masukan yang digunakan dalam ANN yaitu intensitas cahaya, temperatur ruangan, durasi waktu penggunaan ruangan, dan target biaya bulanan, sedangkan keluaran dari ANN ini yaitu durasi penggunaan peralatan listrik, dalam purwarupa ini yaitu durasi penggunaan AC, TV, refrigerator, dan lampu. Sistem sudah mampu berjalan dengan baik, mampu memberikan rekomendasi durasi maksimal penggunaan peralatan listrik dengan tingkat kesalahan sebesar 1,64%.
2. Abstract [kembali]
Apart from this, the controls for smart home settings are still manually, not fully automatic. In this study, a smart home system controlled by artificial intelligence will be built to handle energy consumption based on the monthly bill. ESP32 is used as an Internet of Thing (IoT) device to detect human presence and measure the electrical energy consumed. The data is stored on an online web server built from the Raspberry Pi. This system can be monitored and controlled by an Android application. This application has been tested using the Black Box method; the results are 100% running smoothly. Artificial Neural Network is implemented using python language, with four inputs, two layers, and four outputs, where each layer consists of four neurons. The input variables used in ANN are light intensity, room temperature, room usage, time duration, and monthly cost target. Simultaneously, the output of this ANN is the duration of the use of electrical equipment. In this prototype, the period of use of air conditioner, TV, refrigerator, and light. The system can run properly and provide recommendations for the maximum duration of use of electrical equipment with an error rate of 1.64%.
3. Pendahuluan [kembali]
Dalam rumah tangga terdapat banyak peralatan elektronik yang dalam pemakaiaanya mengkonsumsi energi listrik. Akan tetapi, konsumsi energi di kalangan rumah tangga tergolong boros. Hal ini dikarenakan masyarakat belum bisa mengatur konsumsi energi listrik di dalam rumah tangga dengan baik. Penelitian ini melakukan implementasi smart home dengan menggunakan sistem pengontrolan biasa tanpa melibatkan kecerdasan buatan. Tantangan teknologi kedepan adalah sistem rumah pintar harus mampu mengendalikan konsumsi penggunaan energi pada rumah tersebut. Dari beberapa penelitian yang sudah dilakukan sebelumnya, masih terdapat gap teknologi dimana pengendalian konsumsi energi di rumah tangga belum sepenuhnya otomatis. Penelitian ini akan merancang sistem rumah pintar berbasis Internet of Thing (IoT) yang dikendalikan oleh kecerdasan buatan Artificial Neural Network (ANN) untuk mengendalikan pemakaian energi sesuai dengan target finansial berupa besaran tagihan bulanan. Sistem kecerdasan buatan ini akan mampu menyalakan dan mematikan komponen listrik secara otomatis.
4. Metode Penelitian [kembali]
4.1 Smarthome System
Aplikasi smart home yang dikembangkan mengikuti flowchart seperti pada Gambar 1.
Gambar 1. Flowchart sederhana aplikasi
Aplikasi tersebut menggunakan database MySQL yang disimpan dalam web server dalam Arduino. Beberapa tabel yang digunakan ditunjukan seperti pada Tabel 1, Tabel 2, dan Tabel 3.
Tabel 1. Komponen Database Tabel “history_usage”
Tabel 1 menunjukan data penggunaan komponen listrik.
Tabel 2. Komponen Database “component_status”
Pada Tabel 2 digunakan untuk menentukan status ON dan OFF dari peralatan listrik yang digunakan.
Tabel 3. Komponen Database “rekomendasi_penggunaan”
Pada Tabel 3 merupakan hasil keluaran dari sistem ANN. Data ini yang menjadi acuan untuk menentukan ON atau OFF komponen.
4.2 Neural Network
Artificial Neural Network (ANN) merupakan model penalaran yang didasarkan pada otak manusia. Penalaran ANN berdasarkan history atau data training yang diberikan ke algoritma ANN. ANN terdiri dari perceptron dan neuron. Perceptron bisa dikategorikan sebagai masukan atau juga bisa disebut input vector, sedangkan neuron adalah hasil sebuah matematis pengalian dan penjumlahan berupa persamaan 1 [8].
n = neuron
W = Weight matriks
p = perceptron
B = Bias matriks
Fungsi(f) yang digunakan dalam penelitian ini adalah fungsi log-sigmoid seperti pada persamaan 2 dan fungsi linear pada persamaan 3.
Pada Gambar 2 menunjukkan bahwa penggunaan beberapa layar merupakan salah satu mencari solusi dari data input yang kompleks.
Mengimbangi pengalian matriks sebelumnya, sehingga dapat diproses secara dot product antar matriks [12].
Pada ANN terdapat dua siklus yaitu siklus dalam training (Gambar 3.a) dan siklus dalam penggunaan (Gambar 3b). Untuk siklus training menghasilkan weight dan bias matriks yang nantinya akan digunakan oleh siklus penggunaan. Jika purelin (persamaan 3) a=n diturunkan terhadap n maka menjadi 1 (konstanta). Sedangkan untuk layer 1, turunan dari logsig (persamaan 2) menjadi persamaan 9.
Nilai RMSE dari hasil tiap-tiap iterasi disimpan begitu juga dengan nilai W dan B. Nantinya akan digunakan nilai W dan B tiap layer yang mempunyai nilai RMSE terkecil.
Gambar 3. (a)Diagram Alir Siklus Training ANN, (b) Diagram Alir Siklus Penggunaan ANN
5.1 Gambaran Umum Alat
Konfigurasi umum sitem yang terdapat pada Gambar 4a, dimana masing-masing komponen peralatan listrik terhubung dengan IoT : Smart Meter + Relay. Pada Gambar 4b, ditunjukan komponen detail pada alat IoT tersebut, yang terdiri dari relay, sensor suhu, sensor energi, sensor Okupansi, sensor cahaya dan juga mikroprosesor berupa perangkat EPS32.
Gambar 4. (a) Konfigurasi umum alat, (b) Skema diagram IoT : Smart Meter + Relay
5.2 Aplikasi RIS-Smart Home
Halaman Login ditunjukan seperti pada Gambar 5a. Setelah Login berhasil akan masuk ke dalam halaman Monitoring Beban Listrik seperti ditunjukan pada Gambar 5b. Daftar tampilan Menu ditunjukan seperti pada Gambar 5c. Pada Menu Monitoring Beban Listrik, apabila dipilih salah satu komponen litrik, maka akan ditampilkan data detail tentang status komponen tersebut seperti ditunjukan pada Gambar 6a, data yang ditampilkan dalam Gambar 6a. Pada Gambar 6b ditunjukan menu Kontrol Beban Listrik. Pada Gambar 6c, ditunjukan halaman Riwayat Pengggunaan. Hasil data ditampilkan dalam bentuk grafik dan tabel.
Gambar 5. a. Halaman login, b. Halaman monitoring, c. Pilihan menu utama
Gambar 6. a. Halaman monitoring detail komponen, b. halaman kontrol, c. halaman history
Untuk menjalankan sistem rekomendasi kecerdasan buatan, dapat dilakukan pada halaman Smart ANN System seperti ditunjukan pada Gambar 7a. Pengguna cukup memasukan nilai target tagihan dalam satu bulan. Selama proses perhitungan akan tampil progress bar seperti pada Gambar 7b. Hasil keluaran system akan ditampilkan seperti pada Gambar 7c.
Gambar 7. Tampilan antarmuka halaman “Smart ANN System”
Hasil pengujian terhadap semua halaman aplikasi sesuai ditunjukan pada Tabel 4.
Tabel 4. Pengujian Black Box Aplikasi
5.3 Sistem ANN
Pada Tabel 5 dapat dilihat nilai RMSE training terhadap 5 macam target uji.
Tabel 5. Pengujian Artificial Neural Network
Pada Tabel 5, nilai RMSE yang baik pada jumlah neuron 4 (weight 4x4) dengan kondisi iterasi 20000- 30000 menghasilkan RMSE yang sama sebesar 2,32% dan RMSE uji pada kondisi bernilai 4,42 %. Pengujian dilakukan sesuai dengan Tabel 6.
Tabel 6. Pengujian Sistem ANN Terhadap Beberapa Skenario Tagihan Bulanan
6. Kesimpulan [kembali]
Berdasarkan pengujian aplikasi menggunakan ANN ini, secara keseluruhan didapatkan bahwa sistem ini berjalan dengan baik dengan hasil tampilan program android berjalan 100%. Untuk hasil pengujian keseluruhan program didapatkan nilai rata-rata error sebesar 1,64%.
Error pada skenario tagihan bulan tergantung dari komputasi ANN yang mana nilai RMSE dengan kisaran 0,82% - 4,5%. Faktor yang mempengaruhi nilai RMSE tersebut adalah jumlah Iterasi, dan jumlah neuron yang digunakan. Hasil pengujian pada saat siklus training ANN menunjukkan jumlah neuron dan iterasi yang besar belum tentu menghasilkan RMSE yang kecil dan komputasi yang optimal.
7. Referensi [kembali]
[1.] O. : Yona, A. Pembimbing, R. B. Ningsih, and N. Aqualdo, “PENGARUH PERTUMBUHAN EKONOMI DAN PENDUDUK TERHADAP KONSUMSI ENERGI DI INDONESIA The effect of economic and population growth of energy consumption in Indonesia,” 2015.
[2.] D. Kurnianto, A. M. Hadi, and E. Wahyudi, “Perancangan Sistem Kendali Otomatis pada Smart Home menggunakan Modul Arduino Uno,” J. Nas. Tek. ELEKTRO, 2016, doi: 10.25077/jnte.v5n2.276.2016.
[3.] Z., . Z., and K. Amri, “Desain Sistem Kontrol Penyalaan Lampu dan Perangkat Elektronik untuk Meniru Keberadaan Penghuni Rumah,” J. Nas. Tek. ELEKTRO, 2016, doi: 10.25077/jnte.v5n1.182.2016.
[4.] M. Fajar Wicaksono, “IMPLEMENTASI MODUL WIFI NODEMCU ESP8266 UNTUK SMART HOME,” 2017.
[5.] S. N. Ishak, N. N. N. Abd Malik, N. M. Abdul Latiff, N. Effiyana Ghazali, and M. A. Baharudin, “Smart home garden irrigation system using Raspberry Pi,” 2018, doi: 10.1109/MICC.2017.8311741.
[6.] B. Zhou et al., “Smart home energy management systems: Concept, configurations, and scheduling strategies,” Renewable and Sustainable Energy Reviews. 2016, doi: 10.1016/j.rser.2016.03.047.
[7.] M. Alaa, A. A. Zaidan, B. B. Zaidan, M. Talal, and M. L. M. Kiah, “A review of smart home applications based on Internet of Things,” Journal of Network and Computer Applications. 2017, doi: 10.1016/j.jnca.2017.08.017.
[8.] Y. Goldberg, “Neural Network Methods for Natural Language Processing,” Synth. Lect. Hum. Lang. Technol., 2017, doi: 10.2200/S00762ED1V01Y201703HLT037.
[9.] K. Muralitharan, R. Sakthivel, and R. Vishnuvarthan, “Neural network based optimization approach for energy demand prediction in smart grid,” Neurocomputing, 2018, doi: 10.1016/j.neucom.2017.08.017.
[10.] E. Hodo et al., “Threat analysis of IoT networks using artificial neural network intrusion detection system,” 2016, doi: 10.1109/ISNCC.2016.7746067.
[11.] J. C. R. Whittington and R. Bogacz, “Theories of Error Back-Propagation in the Brain,” Trends Cogn. Sci., vol. 23, no. 3, pp. 235–250, Mar. 2019, doi: 10.1016/j.tics.2018.12.005.
[12.] M. T. Hagan, H. B. Demuth, and M. H. Beale, “Neural Network Design,” Bost. Massachusetts PWS, 1995, doi: 10.1007/1-84628-303-5.
[13.] Y. Ganin et al., “Domain-Adversarial Training of Neural Networks,” Adv. Comput. Vis. Pattern Recognit., May 2015, doi: 10.1007/978-3-319-58347-1_10.
[14.] B. Baker, O. Gupta, N. Naik, and R. Raskar, “Designing neural network architectures using reinforcement learning,” 2017.
[15.] T. Han, Y. Lu, S. C. Zhu, and Y. N. Wu, “Alternating back-propagation for generator network,” 2017.
[16.] . Ye and M. K. Kim, “Predicting electricity consumption in a building using an optimized backpropagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China,” Sustain. Cities Soc., 2018, doi: 10.1016/j.scs.2018.05.050.
[17.] Z. He, X. Zhang, Y. Cao, Z. Liu, B. Zhang, and X. Wang, “Litenet: Lightweight neural network for detecting arrhythmias at resource-constrained mobile devices,” Sensors (Switzerland), 2018, doi: 10.3390/s18041229.
8. Link Download [kembali]Download jurnal klik link Disini
Tidak ada komentar:
Posting Komentar