Desain dan Implementasi Alat Participatory Environmental Sensing Untuk Meningkatkan Densitas Ketersediaan Data Lingkungan

• a)

• – data tersebut ke database, diolah dan ditampilkan di web agar mudah untuk diakses. Untuk mengolah data digunakan metode algoritma pengelompokan K – Means. Hasilnya sistem bekerja dengan baik.
• – Means berhasil diaplikasikan pada kumpulan data parameter lingkungan dengan memberikan hasil data yang terbagi menjadi empat kelompok beserta label kondisi lingkungan saat itu.
• – stasiun pemantau. Namun stasiun pemantau ini berjumlah sedikit dan memiliki jarak yang jauh antar stasiun. Sehingga densitas ketersedian data mengenai kondisi lingkungan masih sedikit. Dan juga, dalam jarak yang dekat kondisi lingkungan disuatu tempat dapat berbeda. Dengan jauhnya jarak antar stasiun tersebut, data parameter lingkungan lokasi yang jauh dari stasiun pemantau menjadi kurang akurat.
• – parameter lingkungan seperti suhu, kelembapan, intensitas UV dan kebisingan. Bentuk dari participatory sensing dapat bermacam
>– macam diantaranya adalah mengumpulkan data dengan sensor modul yang ada, membagikan keadaan lingkungan sesuai dengan yang diraskan, membantu menempatkan modul sensor di tempat
• – tempat tertentu dan ikut serta dalam menganalisa kondisi lingkungan dalam konteks
• – ahli. Sehingga dapat mengetahui kondisi lingkungan dengan lebih baik.

  adalah sebuah konsep yang melibatkan individu dan/atau masyarakat luas untuk berpatisipasi dalam mendeteksi parameter

  Participatory Environmental Sensing

  2.1 Participatory Environmental Sensing

  II. TINJAUAN PUSTAKA

  membuat sebuah prototype sistem yang mampu mendeteksi kondisi lingkungan dan dapat diakses dengan mudah di website. Untuk mendeteksi parameter kondisi lingkungan dibuat sebuah alat terintegrasi yang didalamnya terdapat sensor

  environmental sensing ini penulis berencana

  dimana konsep ini melibatkan masyarakat untuk mendeteksi parameter – parameter kondisi lingkungan. Untuk mengimplementasikan konsep participatory

  participatory environmental sensing

  Dari permasalahan dan latar belakang diatas penulis mengemukakan gagasan berupa konsep

  Saat ini cara paling mudah untuk mengetahui kondisi lingkungan adalah dari stasiun

  I. PENDAHULUAN Beberapa tahun terakhir ini kondisi lingkungan disekitar kita semakin memburuk akibat dari pencemaran yang datang dari mana saja dan diperparah dengan masyarakat yang kurang peduli dengan kondisi lingkungannya. Hal ini dikarenakan sulitnya mengetahui kondisi lingkungan dengan akurat dan mudah untuk diakses. Dengan mengetahui kondisi lingkungan dapat memberikan informasi bagaimana keadaan lingkungan di daerah tersebut.

  Jumlah data yang terkumpul selama dua minggu pengambilan data mencapai 800 data. Dan algoritma K

  Kata Kunci: Algoritma K – Means, Lingkungan, Participatory Sensing, Database, Web.

  Untuk dapat mengimplementasikan dibuat sistem yang dapat mendeteksi parameter lingkungan seperti suhu, kelembapan, kebisingan dan intensitas uv serta dapat mengetahui lokasi dan waktu pengambilan data dan mengirim data

  Dengan adanya konsep participatory environmental sensing yang mengikutsertakan masyarakat dalam mendeteksi lingkungan untuk meningkatkan densitas ketersediaan data sehinggal akan lebih mudah untuk mengetahui kondisi lingkungan. Dengan mudahnya mengetahui kondisi lingkungan masyarakat diharapkan lebih peduli terhadap lingkungan.

  a) Abstrak: Beberapa tahun terakhir kondisi lingkungan kita samakin memburuk akibat dari pencemaran yang datang dari mana saja dan diperparah dengan measyarakat yang kurang peduli terhadap lingkungan.

  , Muhammad Rifa’i

  a)

  , Indrazno Siradjuddin

  Diwangkara Prastowo

  

Ketersediaan Data Lingkungan

  

Desain dan Implementasi Alat Participatory

Environmental Sensing Untuk Meningkatkan Densitas

  Prosiding Seminar Nasional Teknologi Elektro Terapan 2017 Vol.01 No.01, ISSN: 2581-0049

  2.2 Algoritma K-Means Clustering K- means clustering adalah jenis pengelompokan unsupervised learning, yang digunakan bila ada data yang tidak berlabel (yaitu, data tanpa kategori atau kelompok tertentu). Tujuan dari algoritma ini adalah untuk menemukan kelompok dalam data, dengan jumlah kelompok yang ditunjukkan oleh variabel K. Algoritma bekerja secara iteratif untuk menetapkan setiap titik data ke

• – sensor, GPS dan WiFi module. Data yang dikumpulkan dari alat ini dapat di kirim ke database server kemudian diklasifikasikan menjadi beberapa kelompok dengan menggunakan metode K-Means Clustering untuk mengGambarkan kondisi lingkungan di suatu tempat, kemudian data ditampilkan di website. Alat ini memiliki dimensi yang relatif kecil sehingga dapat dibawa kemanapun. Dengan desain yang mudah dibawa alat ini mampu mendeteksi kondisi lingkungan dimana kita membawa alat tersebut.
• ) Korespondensi : diwangkara.p@gmail.com
salah satu kelompok K berdasarkan fitur yang disediakan.

  Algoritma pengelompokan Κ – Means menggunakan penyempurnaan berulang untuk menghasilkan hasil akhir. Input algoritma adalah jumlah cluster Κ dan kumpulan data. Kumpulan data adalah kumpulan fitur untuk setiap titik data. Algoritma dimulai dengan perkiraan awal untuk Κ centroids, yang dapat dihasilkan secara acak atau dipilih secara acak dari kumpulan data. Algoritma kemudian iterasi antara dua langkah yaitu pelabelan suatu data sesuai dengan kelompok yang telah dibuat dan pembaruan centroid dari data. Pembaruan centroid ini bertujuan untuk mendapatkan centroid dan data hasil pengelompokan tidak lagi berubah. Keberhasilan dari algoritma K

• – Means ini dapat diketahui ketika algoritma ini mampu mengelompokkan data sesuai dengan jumlah kelompok yang ditentukan sebelumnya dan dapat menentukan dalam kelompok mana jika terdapat data baru yang muncul atau menetukan label untuk data baru yang masuk. Untuk pelebelan atau pemberian nama dari setiap kelompok dilakukan setelah data – data tersebut berhasil dikelompokkan. Dari hasil pengelompokan tersebut dapat dianalisis nilai data dari setiap kelompoknya, dari hasil analisis tersebut nama atau lebel setiap kelompok itu ditentukan.
• – Means Secara matematis langkah – langkah kerja algoritma pengelompokan K – Means dapat dituliskan sebagai berikut ini:

  III. PERANCANGAN DAN PEMBUATAN 3.1.

  Tahapan Penelitian Berikut adalah diagram alir tahapan penelitian yang dilakukan

  Gambar 1. Diagam Alir Tahapan Penelitian 3.2. Diagram dan Prinsip Kerja Sistem

  Gambar 2. Diagram Sistem Gambar 3. Flowchart Prinsip Kerja 3.3.

  Perencanaan Algoritma K – Means Gambar 4. Flowchart Algoritma K

  a. Pengambilan seluruh data yang akan dikelompokkan dari database server.

  Data x

  i m

  (1) Dimana : i indeks data I panjang data atau anyaknya data yang dikelompokkan i *1,2,3 I+ m indeks varia el M jumlah sensor atau varia el m *1,2,3 M+ b. Menentukan jumlah kelompok (cluster) yang dikehendaki. Setiap cluster yang ditentukan, memiliki titik pusat (centroid) pada tiap variabel data.

  Centroid Cluster c

  k m

  (2) Dimana : k indeks cluster K umlah cluster k *1,2,3 K+ c. Menghitung jarak antara titik pusat setiap kelompok (Centroid Cluster) dengan seluruh data yang dikelompokkan. Setiap proses perhitungan jarak antara centroid cluster dengan data menggunakan nilai centroid cluster yang terbaru. Distance

  k M m m

• Gambar 7. Skema Wiring DHT11

  i k i ) ‖∑ (c m 1 ) ‖ k i

  (3) d (c , x x

  d. Proses selanjutnya adalah labeling setelah 3.7.

  Aplikasi Sensor UV ML-8511 didapat jarak antara titik pusat kelompok Sensor UV ini mampu mendeteksi sinar UV-

  (Centroid Cluster) dengan data, selanjutnya A dan UV-B. Bekerja pada tegangan 3,3 V dengan data akan diberi label masuk dalam kelompok

  output analog.

  (cluster) yang mana data tersebut. Labeling

  k

  l argmin d , x (4)

  i i (c k i )

  e. Langkah selanjutnya adalah memperbarui Gambar 8. Skema Wiring Sensor ML

• – 8511 titik pusat kelompok (Centroid Cluster).

  Perhitungan dari data analog menjadi nilai intensitas Proses update centroid cluster dilakukan

  2 UV dengan satuan mW/cm :

  untuk mendapatkan centroid cluster yang baru. Cara update centroid cluster ini adalah

  ouput voltage-0.99 15.0-0.0

  UVIntesity (6) dengan menghitung rata

• – rata dari data yang

  2.8 -0.99 0.0

  ada dalam cluster tersebut. Jika masih ada 3.8.

  centroid cluster dan/atau data yang berubah Aplikasi Sound Sensor

  harus dilakukan iterasi proses kembali hingga Sensor ini mampu mendeteksi suara yang ada didapat kondisi konvergen. disekitarnya menggunakan microphone. Tegangan kerja 5V dengan ouput analog.

  Update Centroid Cluster:

  I m,k *k w+ m ∑ xi i 1

  k

  I ∑ 1 *k w+ i 1

  (5) for each c

  Dimana : w varia el sementara untuk menyatakan k Gambar 9. Skema Wiring Sound Sensor 3.4. Perancangan dan Pembuatan Web

  Perhitungan konversi ADC ke dB:

  nilai A ( 1023 5)

  5 3.9.

  (7) d ( 120)

  Aplikasi GPS GY-GPS6MV2 Modul ini adalah standalone GPS yang dapat memberikan data lokasi dimana modul ini berada. Gambar 5. Tampilan halaman website Tegangan kerja 5V dan output berupa data.

3.5. Perancangan dan Pembuatan Mekanik

  Gambar 10. Skema Wiring GPS GY-GPS6MV2 3.10.

  Aplikasi WiFi WeMos D1 Mini Modul WiFi yang menggunakan chip

  ESP8266. Bekerja pada tegangan 3,3V untuk chip Gambar 6. Alat Participatory Environmental dan 5V untuk modul, memiliki output berupa data.

  Sensing 3.6.

  Aplikasi Modul DHT11 DHT11 adalah sensor yang dapat mendeteksi dua paramter sekaligus yaitu suhu dan kelembapan.

  Menggunakan tegangan kerja 5V dan output digital.

• – rata error pada pengujian suhu sebesar 2,03% dan untuk kelembaban dengan rata – rata

  ∑ ∑ pengukuran

  Tanggal Jam Hygrometer DHT11 Error 01/09/2017 10.27.49 52,0 52 0,00% 01/09/2017 10.27.13 52,0 53 1,92% 01/09/2017 10.26.37 52,0 52 0,00% 01/09/2017 10.26.01 53,0 52 1,89% 01/09/2017 10.24.25 52,0 51 1,92% 01/09/2017 10.23.49 52,0 53 1,92% 01/09/2017 10.23.13 53,0 53 0,00% 01/09/2017 10.22.37 53,0 53 0,00% 01/09/2017 10.23.01 54,0 53 1,85% 01/09/2017 10.22.25 53,0 52 1,89% 01/09/2017 10.21.39 54,0 54 0,00% 01/09/2017 10.20.53 52,0 54 3,85% 01/09/2017 10.20.17 52,0 53 1,92% 01/09/2017 10.19.41 53,0 53 0,00% 01/09/2017 10.19.05 52,0 52 0,00% 1,14% Rata - Rata Error ^{01/09/2017 10.27.49 0,12 0,13 1,005687 8,33% 01/09/2017 10.27.13 0,13 0,14 1,006893 7,69% 01/09/2017 10.26.37 0,13 0,13 1,005687 0,00% 01/09/2017 10.26.01 0,16 0,15 1,008100 6,25% 01/09/2017 10.24.25 0,15 0,13 1,005687 13,33% 01/09/2017 10.23.49 0,15 0,13 1,005687 13,33% 01/09/2017 10.23.13 0,15 0,14 1,006893 6,67% 01/09/2017 10.22.37 0,15 0,14 1,006893 6,67% 01/09/2017 10.23.01 0,15 0,15 1,008100 0,00% 01/09/2017 10.22.25 0,12 0,13 1,005687 8,33% 01/09/2017 10.21.39 0,15 0,14 1,006893 6,67% 01/09/2017 10.20.53 0,15 0,14 1,006893 6,67% 01/09/2017 10.20.17 0,12 0,13 1,005687 8,33% 01/09/2017 10.19.41 0,12 0,13 1,005687 8,33% 01/09/2017 10.19.05 0,15 0,14 1,006893 6,67% 7,15% Error Rata - Rata Error Tanggal Jam UV Meter ML8511 Output Voltage (V)}

  4.4. Pengujian Sound Sensor Tabel 4. Perbandingan Pembacaan Sound Sensor dengan Sound –meter ^{Tanggal Jam Thermometer DHT11 Error 01/09/2017 10.27.49 30,6 29 5,23% 01/09/2017 10.27.13 30,8 31 0,65% 01/09/2017 10.26.37 31,0 30 3,23% 01/09/2017 10.26.01 31,0 31 0,00% 01/09/2017 10.24.25 30,6 31 1,31% 01/09/2017 10.23.49 30,8 30 2,60% 01/09/2017 10.23.13 30,8 30 2,60% 01/09/2017 10.22.37 30,6 30 1,96% 01/09/2017 10.23.01 30,6 30 1,96% 01/09/2017 10.22.25 30,6 30 1,96% 01/09/2017 10.21.39 30,0 30 0,00% 01/09/2017 10.20.53 31,3 30 4,15% 01/09/2017 10.20.17 31,3 31 0,96% 01/09/2017 10.19.41 30,6 31 1,31% 01/09/2017 10.19.05 30,8 30 2,60% 2,03% Rata - Rata Error}

  error didapat dari persamaan (8) dan perhitungan error dari peramaan (9).

  ML – 8511 yang dibandingkan dengan alat ukur UV meter. Memiliki rata

  4.3. Pengujian Sensor ML8511 Tabel 3. Perbandingan Pembacaan Sensor ML – 8511 dengan alat ukur UV

  Pada pengujian ini terdapat error yang cukup tinggi, dikarena alat ukur yang digunakan untuk kalibrasi atau proses membandingkan data adalah alat ukur yang tersedia banyak dipasaran dan tidak diketahui spesifikasi detailnya, sehingga hasil pengukuran suhu dan kelembapan antara alat ukur dan sensor memiliki selisih yang cukup banyak.

  100 (9)

  ( ) Aktual-Pem acaan Sensor Aktual

  (8)

  error sebesar 1,14 %. Perhitungan rata

  Dari hasil pengujian sensor DHT11 pada Tabel 1 dan Tabel 2 pembacaan sensor dengan alat ukur rata

• – rata error pada persamaan (8) dan perhitungan error pada persamaan (9) rata-rata ( )

  Tabel 2. Perbandingan Pembacaan Sensor DHT11 (kelembapan) Dengan Hygrometer

  Tabel 1. Perbandingan Pembacaan Sensor DHT11 (suhu) Dengan Thermometer

  Gambar 13. Data pada tanggal 23-06-2017 di halaman web Dari Gambar 12 menunjukkan halaman web bekerja dengan baik sesuai dengan yang direncanakan karena mampu menampilkan data yang sesuai dengan yang ada di database.

  Database

  Gambar 12. Data Pada Tanggal 23-06-2017 Di

  IV. PENGUJIAN DAN ANALISA 4.1. Pengujian Tampilan Web

  Gambar 11. Skema Wiring WiFi Wemos D1 Mini.

• –meter Berdsasarkan dari data hasil pengujian sensor

4.2. Pengujian Sensor DHT11

• – rata error sebesar 7,15%. Angka yang cukup besar ini dapat dipengaruhi karena pengujian dilakukan di dalam ruangan yang mana pada saat itu sinat matahari yang masuk hanya sedikit dan sebaiknya untuk mengetahui intensitas UV yang benar dapat dilakukan di luar ruangan. Namun hal ini terpaksa dilakukan karena alat ukur UV – meter yang ada hanya bisa untuk pengukuran di dalam ruangan. Untuk perhitungan rata
• – rata

Dari data hasil perbandingan sound sensor dengan sound meter ini rata – rata error-nya sebesar 2,30%. Terdapat error yang tinggi tersebut dapat ditinjau dari beberapa hal. Yang pertama adalah nilai kebisingan sangat cepat cepat berubah. Diduga waktu untuk mendapatkan nilai kebisingan anatara sound sensor dengan sound meter meter berbeda sehingga terdapat perbedaan pada nilai kebisingan yang dihasilkan. Yang kedua dapat dikarenakan senstitivitas dari microphone yang digunakan pada sound meter dengan sound sensor berbeda. Dari beberapa faktor tersebut yang disinyalir dapat menghasilkan selisih nilai kebisingan yang cukup nesar antara sound meter dengan sound meter.

• – rata adalah 36 detik, bahkan ada yang lebih dari 30 detik. Terjadi keterlambatan data masuk ke database dapat dikarenakan kecepatan koneksi wifi router pada saat itu yang kurang stabil. Kecepatan koneksi wifi

  4.5. Pengujian GPS GY-GPS6MV2 Untuk membuktikan benar atau tidaknya data lokasi yang di dapatkan oleh modul GPS dibutuhkan google maps untuk mengetahuinya. Pada tanggal 23 Juni 2017 pengambilan data dilakukan di Dusun Bekucuk, Kec. Sooko Kab. Mojokerto.

• – Means pada data kondisi lingkungan ini memiliki empat variabel dan dibagi menjadi empat kelompok. Empat variabel data jika divisualisasikan akan menjadi Grafik dengan empat dimensi, maka untuk keperluan analisa, data di plotkan pada Grafik dua dimensi agar dapat divisualisasikan. Grafik yang disajikan merupakan kombinasi dari keempat variabel data. Berikut adalah hasil visualisasi Grafik dari kombinasi keempat variabel data.

  (a) (b)

  Gambar 14 (a) Data lokasi berupa koordinat latitude dan longitude pada tanggal 23-06-2017, (b) Lokasi yang ditunjukkan oleh google maps. Dari Gambar 14 (a) dan (b) terlihat bahwa lokasi yang ditunjukkan oleh gps modul yang berupa koordinat longitude dan latitude sesuai dengan lokasi pada saat pengambilan data yang dibuktikan menggunakan google maps.

  4.6. Pengujian Konektifitas Modul Wifi Wemos D1 Mini

  Gambar 15. Penggalan data pada tanggal 23-06- 2017

  Gambar 14. dibagian yang diberi garis bawah berwarana biru merupakan waktu dimana data tersebut masuk ke database. Dari kolom waktu tersebut terlihat bahwa selang waktu dari data satu dengan data lainnya rata

  router dapat mempengaruhi kecepatan daat

  mengirimkan data dan waktu saat data tersebut berhasil masuk ke database.

  4.7. Analisa Hasil Pengelompokan Algoritma K –

  means Clustering yang di Terapkan Pada

  Data Parameter Kondisi Lingkungan Penerapan algoritma pengelompokan K

  Grafik 1. Data Suhu Dan Kelembapan Grafik 2. Data Suhu dan Kebisingan ^{Tanggal Jam Sound Meter Sound Sensor Nilai ADC Error 01/09/2017 10.27.49 70,0 70 596,750 0,00% 01/09/2017 10.27.13 71,0 70 596,750 1,41% 01/09/2017 10.26.37 64,0 70 596,750 9,38% 01/09/2017 10.26.01 67,0 70 596,750 4,48% 01/09/2017 10.24.25 68,0 69 588,225 1,47% 01/09/2017 10.23.49 70,0 70 596,750 0,00% 01/09/2017 10.23.13 72,0 72 613,800 0,00% 01/09/2017 10.22.37 71,0 70 596,750 1,41% 01/09/2017 10.23.01 64,0 60 511,500 6,25% 01/09/2017 10.22.25 68,0 71 605,275 4,41% 01/09/2017 10.21.39 68,0 68 579,700 0,00% 01/09/2017 10.20.53 70,0 68 579,700 2,86% 01/09/2017 10.20.17 68,0 68 579,700 0,00% 01/09/2017 10.19.41 70,0 71 605,275 1,43% 01/09/2017 10.19.05 70,0 69 588,225 1,43% 2,30% Rata - Rata Error} akan semakin baik karena denstitas ketersediaan data akan semakin bertambah.

  2. Alat yang dibuat mampu mendeteksi parameter kondisi lingkungan dan dapat mengumpulkan dan menyimpan data tersebut di database server. Kemudian melakukan pengelompokan data dan ditampilkan hasilnya ditampilkan di halaman web. Grafik 3. Data Suhu dan Intensitas UV

  3. Pada penelitian ini untuk pengiriman data menggunakan modul wifi didapatkan hasil yang sesuai dengan yang direncanakan, setiap 30 detik. Hanya saja kecepatan pengiriman tergantung dengan kecepatan wifi router sehingga ada beberapa saat yang lebih 3 hingga 6 detik.

  4. Pengaplikasian metode pengelompokan algoritma K

• – Means untuk mengolah data Grafik 4. Data Kelembapan dan Kebisingan kondisi lingkungan mendapatkan hasil sesuai dengan yang direncanakan. Karena dapat mengelompokkan data menjadi empat kelompk dan setiap ada data baru dapat dikelompokkan sesuai dengan range data pada kelompok yang ada. Setiap kelompok memiliki range data sebagai berikut:

  o

  Sangat Nyaman, suhu: 23-38

  C, kelembapan: 29-63%, kebisingan: 10-174, intensitas UV:

  Grafik 5. Data Kelembapan dan Intensitas UV

  2 0,0 - 0,68 mW/cm . o

  Nyaman, suhu:23-33

  C, kelembapan: 29- 62%, kebisingan: 105-126, intensitas UV: 0,0

  2 - 0,742 mW/cm . o

  Cukup, suhu:23-41

  C, kelembapan: 29-63%, kebisingan: 120-147, intensitas UV: 0,0 -

  2 0,988 mW/cm . o

  Kurang Nyaman, suhu: 23-33

  C, kelembapan: 28-64%, kebisingan: 10-182,

  2 Grafik 6 Data Kebisingan dan Intensitas UV intensitas UV: 0,0 - 0,705 mW/cm .

  Pada Grafik 1 hingga Grafik 6 adalah Grafik DAFTAR PUSTAKA tampilan data yang terkumpul selama satu bulan yang didalam database server. Data

• – data ini di [1.] KUZNETSOV, Stacey; PAULOS, Eric.

  dapat menggunakan sensor

• – sensor pendeteksi

  Participatory sensing in public spaces: activating parameter kondisi lingkungan yang telah dibuat. urban surfaces with sensor probes. In: Proceedings

  Grafik 1 hingga Grafik 6 merupakan tampilan data of the 8th ACM Conference on Designing Interactive Systems . ACM, 2010. p. 21-30. yang telah diolah dengan algoritma pengelompokan [2.] Teknomo, Kardi. K-Means Clustering Tutorials. K

• – Means. Dari Grafik 1 hingga Grafik 6 tampak http:\\people.revoledu.com\kardi\ tutorial\kMean\ data
• – data yang telah terkumpul menjadi empat diakses pada 26 Desember 2016 kelompok. Masing – masing terdapat label yaitu,

  [3.]

  X. Wu and V. Kumar, eds., The Top Ten Sangat Nyaman, Nyaman, Cukup dan Kurang

  Algorithms in Data Mining.Chapman and Hall, Nyaman buruk untuk memudahkan mengetahui 2009. kondisi lingkungan saat itu. Pelabelan ini dilakukan oleh penulis sendiri karena data yang ada belum cukup untuk dianalisa oleh ahli.

5.1. KESIMPULAN

  1. Sistem yang dibuat implementasi dari konsep

  participatory environmental sensing ini dapat

  meningkatkan densitas ketersediaan data kondisi lingkungan. Dalam pengambilan data selema 13 hari data yang dikumpulkan sudah mencapai 700 data. Jika dilakukan lebih lama