Participatory Air Quality Sensing Menggunakan Wireless Multisensor

• 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. Setiap 30 detik mampu memberikan data kualitas udara dan dapat ditampilkan di web secara lokal. Dan algoritma K – Means berhasil diaplikasikan pada kumpulan data parameter lingkungan dengan memberikan hasil data yang terbagi menjadi empat kelompok beserta label kondisi kualitas udara saat itu..

1. Pendahuluan

• – tempat yang berbeda. Sehingga dapat memperbanyak data parameter kualitas udara yang terkumpul.
• – stasiun pemantau udara ini hanya ada di beberpa tempat saja sehingga udara yang terpantau terbatas hanya disekitar lokasi tersebut. Untuk lokasi yang jauh dari stasiun pemantau atau bahkan tidak ada stasiun pemantaunya, tidak dapat mengetahui kualitas udara tempat tersebut.
>– parameter kualitas udara seperti contoh karbon monoksida, karbon dioksida, ozon dan debu. Untuk dapat mendeteksi parameter
• – parameter kualitas udara ini dibutuhkan suatu sistem yang dilengkapi dengan se
• – sensor yang mampu mendeteksi parameter kualitas udara tersebut, sensor untuk menunjukkan lokasi beserta sistem komunikasi data, penyimpanan, pengolahan dan penyajian data. Sistem ini dibutuhkan untuk mengolah data – data parameter kualitas udara yang telah didapatkan sehingga dapat digunakan untuk mengetahui kondisi kualitas udara dan penyajian data kondisi kualitas udara ditampilkan di halaman web agar lebih mudah untuk dikases.
>– sensor yang mampu mendeteksi parameter
• – parameter kualitas udara. Di alat itu juga terdapat GPS untuk mengatahui lokasi yang terdeteksi dan modul WiFi yang berfungsi untuk mengirimkan data sensor ke webserver. Kemudian data diklasifikasikan dan dikelompokkan dengan menggunakan metode K-Means Clustering Alogoritm. Data yang telah diolah selanjutnya ditampilkan di web yang dapat diakses dengan mudah kapanpun dan dimanapun. Dimensi alat ini dibuat relatif kecil dan dilengkapi dengan baterai yang dapat di charge kembali agar mudah untuk dibawa ke te
• – Means Clustering K- meansclustering adalah jenis pengelompokan

  Korespondensi: dwinurul.rahma@gmail.com

  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 ^＊

  unsupervised learning , yang digunakan bila ada data yang

  2.2 Algoritma K

  konsep yang melibatkan individu dan/atau masyarakat luas untuk berpatisipasi dalam memberikan data parameter

  Participatory air quality sensing adalah sebuah

  2.1 Participatory air quality sensing

  2. Tinjauan Pustaka

  yang dapat mendeteksi kualitas udara secara real time dan hasilnya dapat dengan mudah diakses. Untuk mendapatkan data mengenai kualitas udara dibuat sebuah alat yang terintegrasi dengan sensor

  Dari latar belakang dan permasalahan diatas penulis mengemukakan sebuah gagasan konsep participatory air

  quality sensing . Untuk menerapkan konsep Participatory air quality sensing penulis membuat suatu prototype sistem

  Untuk mengetahui kualitas udara disuatu tempat saat ini sudah terdapat stasiun yang memantau udara di sekitar lokasi tersebut. Dari stasiun tersebut dapat tahu bagaimana kualitas udara ditempat tersebut. Namun stasiun

  Berdasarkan data yang dikutip dari WHO, pencemaran lingkungan merupakan hal yang mengakibatkan kematian disebagaian besar negara di seluruh dunia. Namun banyak dari masyarakat yang kurang peduli dengan pencemaran yang terjadi di sekitar mereka. Bahkan juga banyak dari mereka tidak sadar jika keadaan lingkungan disekitar mereka telah tercemar.

  Kata-kata kunci : Algoritma K – Means, Kualitas Udara, Participatory Sensing, Database, Web.

  sekitar 300 juta anak dan 220 juta diantaranya tinggal di Asia Selatan, tinggal di lingkungan yang kadar polusinya udaranya 6 kali melebihi standard internasional. Konsep Participatory air quality sensing adalah konsep yang mengikutsertakan masyarakat dalam mendeteksi kualitas udara sehingga dapat menambah data kualitas udara dan dapat meningkatkan kepedulian masyarakat terhadap bahaya polusi udara. Untuk mengimplementasikan konsep tersebut dibuat sistem yang dapat mendeteksi parameter kualitas seperti karbon monoksida, karbon dioksida, ozon dan debu serta dapat mengetahui lokasi dan waktu pengambilan data dan mengirim data

  a)

Abstrak: Polusi udara saat ini memang tengah menjadi wacana yang ramai dibicarakan. Menurut data UNICEF,

  a) , Beauty Anggraheny Ikawanty

  , Indrazno Siradjuddin

  Dwi Nurul Rahmawati

  

Participatory Air Quality Sensing Menggunakan Wireless Multisensor

dan K-Means Clustering

a) Teknik Elektro, Politeknik Negeri Malang

  109 Prosiding Seminar Nasional Teknologi Elektro Terapan 2017 Vol.01 No.01, ISSN: 2581-0049 bekerja secara iteratif untuk menetapkan setiap titik data ke salah satu kelompok K berdasarkan fitur yang disediakan. Poin data dikelompokkan berdasarkan kemiripan fitur.

  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 Gambar 4. Flowchart Algoritma K-Means Clustering

  centroid dan data hasil pengelompokan tidak lagi berubah.

  3.3. Perencanaa dan Pembuatan Halaman Web 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.

  Gambar 5. Tampilan Halaman Web

3. Perancangan Dan Pembuatan 3.4.

  Perancangan dan Pembuatan Mekanik 3.1. Diagram Sistem dan Prinsip Kerja

  Gambar 1. Diagram Sistem Gambar 6. Alat Participatory air quality sensing 3.5.

  Aplikasi Sensor MQ-7 Gambar 7. Sensor MQ-7

  Keluaran dari modul senor MQ-7 ini berupa analog

  output . Rumus konversi ADC adalah sebagai berikut : ( 1023 ×5)

  (1) = ( × 1980) + 20

  5 Gambar 2. Diagram Alir Prinsip Kerja

  Nilai ADC dibagi dengan 1023 karena menggunakan ADC 3.2. Perencanaan Algoritma K – Means 10 bit. Kemudian 1980 adalah Range pembacaan sensor

  MQ-7 20 – 2000 ppm.

  3.6. Aplikasi Sensor MQ-135 modul, memiliki output berupa data.

  Gambar 8. Sensor MQ-7 Keluaran dari modul sensor ini adalah analog output. Gambar 12. Modul WiFi Wemos D1 mini

  Pembacaan dengan satuan ppm dengan persamaan berikut 3.11.

  Perencanaan Algoritma K – Means ini.

  ( 1023 ×5)

  (2) = ( × 990) + 10

5 Nilai ADC dibagi dengan 1023 karena menggunakan ADC

  10 bit. Kemudian 990 adalah Range pembacaan sensor MQ-135 10 – 1000 ppm.

3.7. Aplikasi Sensor MQ-131

  Gambar 13. Diagram Alir Algoritma K-Means di Bahasa Pemrograman php

  Gambar 9. Skema Sensor MQ-131

  4. Pengujian Dan Analisa

  Hasil output dari rangkaian pembagi tegangan yang berupa tegangan. Rumus konversi ppm:

  4.1. Pengujian Tampilan Web

  ( 1023 ×5)

  (3) = ( × 95) + 5

5 Nilai ADC dibagi dengan 1023 karena menggunakan

  ADC 10 bit. Kemudian 95 adalah Range pembacaan sensor

  MQ-135 5 – 100 ppm 3.8.

  Aplikasi Sensor SHARP – GP2Y1010AU0F Gambar 14. Cuplikan Data pada Tanggal 05-07-2017 di Sensor ini mampu mendetaksi debu yang ada disekitar.

  Database Memiliki tegangan kerja 5V dengan output digital.

  Gambar 10. Sensor SHARP – GP2Y1010AU0F 3.9.

  Gambar 15. Cuplikan Data pada Tanggal 05-07-2017 di AplikasiGPS GY-GPS6MV2

  Halaman Web Modul ini adalah standalone GPS yang dapat memberikan data lokasi dimana modul ini berada. Dari contoh cuplikan data Gambar15 menunjukkan

  Tegangan kerja 5V dan output berupa data. bahwa tampilan halaman web bekerja dengan baik karena mampu menampilkan data yang ada di database.

  4.2. Pengujian Konektifitas WiFi Modul Pada Gambar16. dibagian yang diberi kotak kuning adalah waktu dimana data tersebut sampai di tempat penyimpanan

  Gambar 11. Modul GPS GY-GPS6MV2 data atau database. Disitu terlihat bahwa selang waktu dari data satu dengan data lainnya rata 3.10.

• – rata adalah 30 detik, Aplikasi WiFi Wemos D1 Mini namun ada juga selisih waktu yang lebih dari 30 detik ini Modul WiFi yang menggunakan chip ESP8266.

  dikarenakan kecepatan koneksi WiFi router pada saat itu. Bekerja pada tegangan 3,3V untuk chip dan 5V untuk Konektifitas WiFi modul dapat dikatakan sesuai dengan rencana karena rata

• – rata waktu pengiriman data setiap 30 detik sekali.

  Gambar 18. Perubahan Nilai Karbon Monoksida Saat Sensor di Udara Normal

  Dari Gambar 18 data menunjukkan pada saat sensor Gambar 16. Cuplikan Data pada Tanggal 05-07-2017

  MQ-7 dibiarkan di udara normal nilai yang diberikan 4.3. Pengujian GPS Modul sensor ini kecil namun ketika didekatkan dengan asap

  Pada tanggal 5 juli 2017 dilakukan pengambilan data kendaraan bemotor nilai naik menjadi besar. Dari berubahan ini dapat diketahui bahwa sensor MQ-7 bekerja di Jl. Sudimoro Gg 5. sesuai dengan yang direncanakan.

  4.5. Pengujian Sensor MQ-135 (a)

  Gambar 19. Data Perubahan Nilai Karbon Dioksida (CO ) Saat di Udara Normal

  2 Dari data di Gambar 19 terlihat perubahan nilai

  karbon dioksida (CO ) saat di udara normal dan

  2

  didekatkan dengan asap pembakaran. Saat didekatkan dengan asap pembakaran menunjukkan kenaikan nilai dan jika di taruh di udara normal nilai kembali turun. Berdasarkan perubahan data ini dapat diketahui bahwa sensor bekerja sesuai dengan perancangan. (b) 4.6.

  Pengujian Sensor MQ-131 Gambar 17. (a) Cuplikan Data pada Lokasi Tanggal

  05-07-2017, (b) Lokasi yang Ditunjukkan oleh Google Maps

  Dari Gambar 17. (a) dan (b) terlihat bahwa lokasi yang ditunjukkan oleh gps yang berupa koordinat longitude dan latitude sesuai dengan lokasi pada saat pengambilan data yang dibuktikan menggunakan google maps.

4.4. Pengujian Sensor MQ-7

  Gambar 20. Data Perubahan Nilai Gas Ozon (O ) Saat di

  3 Udara Normal dan Dekat dengan Asap Pembakaran

  Dari data di Gambar 20. terlihat perubahan nilai gas ozon (O ) saat di udara normal dan didekatkan dengan asap

  3

  pembakaran. Saat didekatkan dengan asap pembakaran menunjukkan kenaikan nilai dan jika diletakkan di udara normal nilai kembali turun. Berdasarkan perubahan data ini dapat diketahui bahwa sensor MQ-131 bekerja sesuai dengan perancangan.

• 4.7.

  Pengujian Sensor Sharp GP2Y1010AU0F

  c. Menghitung jarak antara titik pusat setiap kelompok (CentroidCluster) dengan seluruh data yang dikelompokkan. Setiap proses perhitungan jarak antara centroidclusterdengan data menggunakan nilai centroidcluster yang terbaru.

  Distance (6)

  ( ) ‖∑ ( ) ‖ -

  Gambar 21. Perubahan Nilai Densitas Debu Saat di Dalam

  d. Proses selanjutnya adalah labeling setelah didapat jarak antara titik pusat kelompok (CentroidCluster) Ruangan dan di Luar Ruangan dengan data, selanjutnya data akan diberi label

  Gambar 21. menunjukkan adanya perubahan nilai masuk dalam kelompok (cluster) yang mana data densitas debu saat di dalam ruangan dan di luar ruangan. tersebut. Saat di luar ruangan dengan debu yang lebih banyak nilai densitas debu yang di hasilkan oleh sensor semakin besar,

  Labeling begitu pula sebaliknya saat sensor berada di dalam ruangan nilai densitas debu menurun. Dari hal tersebut dapat

  (7) ( ) disimpulakan bahwa sensor debu Sharp GP2Y1010AU0F bekerja dengan baik sesuai dengan yang direncanakan.

  e. Langkah selanjutnya adalah memperbarui titik pusat Secara matematis langkah kelompok (CentroidCluster). Proses update

4.8. Analisa Proses Algoritma K-Means Clustering

• – langkah kerja algoritma

  centroidcluster dilakukan untuk mendapatkan

  pengelompokan K

• – Means dapat dituliskan sebagai berikut

  centroidcluster yang baru. Cara update

  ini:

• – centroidcluster ini adalah dengan menghitung rata

  a. Pengambilan seluruh data yang akan dikelompokkan rata dari data yang ada dalam cluster tersebut. Jika dari database server. masih ada centroidclusterdan/atau data yang berubah harus dilakukan iterasi proses kembali hingga didapat

  m

  i

  Data (4) x kondisi konvergen.

  Dimana : Update CentroidCluster: i indek data

• ∑

  (8)

  ∑ * +

  yang Dimana : pan ang data atau anyaknya data dikelompokkan w varia el ementara untuk menyatakan k i * +

  4.9. Hasil Algoritma K-Means Clustering yang di Terapkan pada Data Parameter Kualitas Udara m indek varia el umla en or atau varia el m * + b. Menentukan jumlah kelompok (cluster) yang dikehendaki. Setiap cluster yang ditentukan, memiliki titik pusat (centroid) pada tiap variabel data.

  Grafik 1. Range Data Dalam Kategori Baik

  CentroidCluster (5)

  Dimana :

  2. Sistem pendeteksi kualitas udara ini mampu memberikan data lokasi dimana pengambilan data itu dilakukan. Dan berhasil mengolah data dengan mengelompokkan menjadi empat kategori.

  3. Dengan menggunaan database server untuk menyimpan data, data lebih mudah untuk bisa ditampilkan di web sehingga orang lebih mudah untuk melihat data kualitas udara tersebut.

  4. Pengaplikasian metode pengelompokkan algoritma

  K-Means untuk mengolah data kualitas lingkungan

  mendapatkan hasil yang baik yang ditampilkan pada Grafik 1 hingga Grafik 4. Grafik 2.Range Data Dalam Kategori Cukup

  Daftar Pustaka

  [1.] Amelia, A. 2014. Polusi Udara: Pengertian dan Dampak Polusi Udara.http://sehatsatu.com/pengertian-dan-dampak-polusi- udara/. Diakses pada 27 Desember 2016.

  [2.] Arboleda, C. R. 1981. Communications Research. Manila: CFA.

  [3.] Teknomo, Kardi. K-Means Tutorials.

  Clustering

  http:\\people.revoledu.com\kardi\ tutorial\kMean\. Diakses pada 26 Desember 2016. Grafik 3. Range Data Dalam Kategori Buruk

  Grafik 4. Range Data Dalam Kategori Sangat Buruk Grafik 1 hingga Grafik 4 adalah tampilan Grafik yang menunjukkan Rangedata dari setiap kategori yang berhasil di kelompokkan dengan menggunakan metode

  K-Means Clustering menjadi empat kategori. Pelabelan

  ke-empat kategori ini didapat dari analisa dari Rangedata yang berhasil dikelompokkan oleh K-Means Clustering. Proses pelabelan dan penamaan kategori ini dilakukan oleh penulis sendiri dikarenakan data yang terkumpul belum mencukupi untuk dapat diaanalisa oleh ahli.

5. Kesimpulan

  1. Pada penelitian ini dari sistem yang menggunakan konsep participatory air quality sensing. Berhasil mengumpulkan data yang jumlahnya mencapai 750 data, dengan durasi pengambilan data 13 hari, dari hal ini sistem dapat meningkatkan jumlah ketersediaan data kualitas udara. Apabila durasi pengambilan data diperpanjang akan lebih baik lagi kerana semakin banyak data yang terkumpul.