Saat ini sistem yang dapat mengontrol suatu ruangan secara otomatis masih sangat hangat dan digemari masyarakat modern melihat fungsinya yang sangat berkesesuaian dengan fungsi utama dari teknologi itu sendiri yaitu mempermudah serta membantu kebutuhan manusia. Agar kondisi rumah bisa di kontrol jarak jauh tentunya banyak teknologi-teknologi yang harus diterapakan seperti pemasangan sensor agar bisa mendeteksi secara otomatis bila terjadi pemasalahan dan juga biasanya ada juga alat kontrol berupa mikro kontroler yang bertujuan untuk mengontrol peralatan elektronik yang dipadukan dengan konsep internet of things.
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. 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]
Currently, a system that can control a room automatically is still very warm and popular with modern society seeing its function which is very compatible with the main function of the technology itself, namely facilitating and helping human needs. So that the condition of the house can be controlled remotely, of course, there are many technologies that must be applied, such as the installation of sensors so that it can detect automatically when a problem occurs and usually there is also a control device in the form of a micro controller that aims to control electronic equipment combined with the concept of the internet of things.
In this study, a smart home system that is controlled by artificial intelligence will be built to control energy consumption based on the amount of the monthly bill. ESP32 is used as an Internet of Things (IoT) device that functions to detect human presence and measure the electrical energy consumed. The data is stored in an online web server built from the Raspberry Pi. This system can be monitored and controlled by a Web-based application. Artificial Neural Network is implemented using Python language, with 4 inputs, 2 layers, and 4 outputs where each layer consists of 4 neurons. The input variables used in the ANN are light intensity, room temperature, duration of room use, and monthly cost targets, while the output of this ANN is the duration of use of electrical equipment, in this prototype the duration of use of AC, TV, refrigerator, and lights. The system has been able to run well, able to provide recommendations for the maximum duration of use of electrical equipment with an error rate of 1.64%
3. Pendahuluan [kembali]
Rumah merupakan suatu bangunan yang tidak dapat dipisahkan dari kehidupan menusia karena rumah merupakan kebutuhan primer bagi manusia sebagai tempat berlindung. Smart Home merupakan perpaduan antara teknologi informasi dan teknologi komputasi yang di terapkan di dalam rumah ataupun bangunan yang dihuni oleh manusia dengan mengandalkan efisiensi, otomatisasi perangkat, kenyamanan, keamanan, dan penghematan perangkat elektronik rumah. Memasuki revolusi 4.0 semua hal di lakukan dengan cara otamatisasi dengan menggunakan konsep Internet of Things (IoT). Peralatan yang lupa untuk dimatikan akan menyala selama 24 jam, hal tersebut merupakan pemborosan terhadap sumber listrik apalagi banyak peralatan elektronik yang masih menyala di waktu tidak ada kegiatan perkuliahan hal ini menyebabkan tingginya tagihan listrik yang akan dibayar. Secara umum gambaran dari sistem yang akan dibuat pada penelitian ini adalah mengembangkan rangkaian arduino pada smart room dengan mengimplementasikan konsep internet of things yang dikendalikan oleh kecerdasan buatan Artificial Neural Network (ANN) untuk mengendalikan pemakaian energi sesuai dengan target finansial berupa besaran tagihan bulanan.serta perangkat elektronik dapat dikontrol jarak jauh.
4. Landasan Teori [kembali]
Rumah Cerdas (Smart Home) adalah aplikasi gabungan antara teknologi dan pelayanan yang dikhususkan pada lingkungan rumah dengan fungsi tertentu yang bertujuan meningkatkan keamanan, efisiensi dan kenyamanan penghuninya.
Internet of Thing atau IoT adalah sebuah istilah yang dimaksudkan dalam penggunaan internet, komputasi yang bersifat mobile dan konektivitas kemudian menggabungkannya ke dalam kehidupan sehari-hari.
ESP32 adalah salah satu keluarga mikrokontroler yang dikenalkan dan dikembangkan oleh Espressif System. ESP32 ini merupakan penerus dari mikrokontroller ESP8266. Mikrokontroler satu ini compatible dengan Arduino IDE. Arduino IDE (Integrated Development Environment) adalah software yang di gunakan untuk memprogram di arduino, dengan kata lain Arduino IDE sebagai media untuk memprogram board arduino.
Artificial Neural Network (ANN) merupakan model penalaran yang didasarkan pada otak manusia. Penalaran ANN berdasarkan history atau data training yang diberikan ke algoritma ANN.
1. Sensor Energi
2. Sensor Suhu
3. Sensor Okupansi
4. Sensor Cahaya
Raspberry pi adalah komputer seukuran kartu kredit yang mudah diprogram dan digunakan bahkan untuk orang yang tidak memiliki latar belakang TI.
7. Relay
Relay adalah Saklar (Switch) yang dioperasikan secara listrik dan merupakan komponen Electromechanical (Elektromekanikal) yang terdiri dari 2 bagian utama yakni Elektromagnet (Coil) dan Mekanikal (seperangkat Kontak Saklar/Switch).
Metode pada penelitian ini diawali dengan menyimpan data-data yang dihasilkan oleh beberapa sensor dengan mikrokontroler sebagai pembaca nilai ouput dan mengirimkan data tersebut kedatabase melalui jaringan internet. Selain itu juga akan dirancang hardware Internet of Things berbasis Arduino yang berisi Occupancy Sensor, PIR sensor, sensor temperatur dan photo sensor yang berfungsi mendeteksi keberadaan manusia dan dipasang sensor energi listrik untuk mencatat penggunaan daya listrik. Aplikasi smart home yang dikembangkan mengikuti flowchart seperti pada Gambar 4.
Tabel 1. Komponen Database Tabel “history_usage”
Tabel 2. Komponen Database “component_status”
Tabel 3. Komponen Database “rekomendasi_penggunaan”
Konfigurasi umum sitem yang terdapat pada Gambar 5. Pada Gambar 6, ditunjukan komponen detail pada alat IoT tersebut.
1. Aplikasi RIS-SmartHome
2. Sistem ANN
7. 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.
8. Referensi [kembali]
1. Lubis Aswadi. 2015. “Lingkungan Kerja yang Kondusif dan Faktor-Faktor yang Mempengaruhinya”. Al-Masharif. No.1. Volume 3. Halaman 34. Online. http://jurnal.iainpadangsidimpuan.ac.id/index.php/Almasharif/article/download/292/273. Diakses tanggal 19 Desember 2017.
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. K. Jha, A. Doshi, P. Patel, and M. Shah, “Arti fi cial Intelligence in Agriculture A comprehensive review on automation in agriculture using arti fi cial intelligence,” Artif. Intell. Agric., vol. 2, pp. 1–12, 2019.
8. B. C. Chifor, I. Bica, V. V. Patriciu, and F. Pop, “A security authorization scheme for smart home Internet of Things devices,” Futur. Gener. Comput. Syst., vol. 86, pp. 740–749, 2018.
9. Masykur, F., & Prasetyowati, F. (2016). Aplikasi rumah pintar (smart home) pengendali peralatan elektronik rumah tangga berbasis web.
10. Y. Goldberg, “Neural Network Methods for Natural Language Processing,” Synth. Lect. Hum. Lang. Technol., 2017, doi: 10.2200/S00762ED1V01Y201703HLT037.
11. 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.
12. E. Hodo et al., “Threat analysis of IoT networks using artificial neural network intrusion detection system,” 2016, doi: 10.1109/ISNCC.2016.7746067.
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. Z. 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.
15. B. Baker, O. Gupta, N. Naik, and R. Raskar, “Designing neural network architectures using reinforcement learning,” 2017.
16. T. Han, Y. Lu, S. C. Zhu, and Y. N. Wu, “Alternating back-propagation for generator network,” 2017.
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.
9. Link Download [kembali]
Download jurnal klik link Disini
Tidak ada komentar:
Posting Komentar