Sistem Pengenalan Peralatan Elektronik Dapur yang Terhubung pada Stop Kontak Menggunakan Metode K-Nearest Neighbor (K-NN)
Vol. 2, No. 12, Desember 2018, hlm. 6485-6494 http://j-ptiik.ub.ac.id
Sistem Pengenalan Peralatan Elektronik Dapur yang Terhubung pada Stop
Kontak Menggunakan Metode K-Nearest Neighbor (K-NN)
1
2
3 Rizka Ayudya Pratiwi , Dahnial Syauqy , Hurriyatul Fitriyah
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
2
3 Email: dahnial87@ub.ac.id, hfitriyah@ub.ac.id
Abstrak
Penggunaan alat elektronik secara berlebihan dan tidak terkontrol oleh penyewa pada rumah kos tentunya akan berdampak buruk pada sisi pemilik kos dalam segi ekonomi. Banyak dari pemilik kos yang menyedikan peraturan untuk tidak menggunakan beberapa peralatan elektronik tambahan seperti peralatan elektronik dapur dan apabila digunakan maka akan dikenakan biaya tambahan. Namun peraturan tersebut juga banyak dilanggar oleh penyewa tanpa sepengetahuan dari pemilik kos tersebut. Pada penelitian ini dirancang sistem untuk mengetahui peralatan elektronik dapur apa yang tertancap pada stop kontak untuk memudahkan pemantauan pemakian listrik. Sistem yang dirancang menggunakan metode K-Nearest Neighbor (K-NN) sebagai metode klasifikasinya, NodeMCU sebagai pengontrol utama sistem dan sensor YHDC SCT-013-100 sebagai sensor pembaca arus. Sistem akan mengklasifikasi peralatan elektronik dapur rice cooker, blender, juicer, heater dan mixer berdasarkan parameter arus total yang keluar dari stop kontak tersebut. Kelima peralatan tersebut diklasifikasi pada stop kontak dengan 3 lubang sehingga menghasilkan 10 kelas dalam klasifikasinya. Selanjutnya data arus yang didapat akan dikirimkan pada NodeMCU untuk melakukan proses klasifikasi menggunakan metode K-Nearest Neighbor (K-NN). Hasil dari klasifikasi tersebut kemudian dikirimkan pada Android smartphone. Berdasakan hasil pengujian didapatkan presentase sebesar 90.00% dengan nilai k=1. Sistem dapat melakukan klasifikasi terhapat perangkat yang sedang digunakan dan membutuhkan rata-rata waktu selama 10072,2 ms untuk melakukan akuisisi data serta membutuhkan rata-rata waktu selama 12,4 ms untuk melakukan klasifikasi.
stop kontak, YHDC SCT-013-100, klasifikasi, K-Nearest Neighbor Kata kunci:
Abstract
The use of electronic devices that are used excessively and uncontrolled by the tenants in a
boarding house will certainly have a negative impact on the owner side in terms of economy. Many of
the board owners who provide rules to not use some additional electronic equipment such as
electronic kitchen equipment and when used it will incur additional costs. But the regulation is also
much violated by the tenant without the knowledge of the owner of the boarding. In this study designed
a system to find out what kind of electronic kitchen equipment plugged into electric socket to facilitate
the monitoring of electrical appliances. The system designed using the K-Nearest Neighbor (K-NN)
method as its classification method, NodeMCU as the system's main controller and YHDC SCT-013-
100 sensor as the current reader sensor. The system will classify the kitchen utensils of rice cooker,
blender, juicer, heater and mixer based on the total current parameters out of the socket. The five
equipments are classified on 3-hole so resulting in 10 classes in their classification. Furthermore, the
current data obtained will be sent to NodeMCU to perform the classification process using K-Nearest
Neighbor (K-NN) method. Results from the classification are then sent on Android smartphone. Based
on the test results obtained percentage of 90.00% with a value of k = 1. The system can classify
kitchen devices that are in use and require an average time of 10072.2 ms to perform data acquisition
and require an average time of 12.4 ms for classification.Keywords: electric socket, YHDC SCT-013-100, classification, K-Nearest Neighbor Fakultas Ilmu Komputer Universitas Brawijaya
6485
1. PENDAHULUAN
Listrik telah menjadi kebutuhan utama selain kebutuhan manusia terhadap makanan, pakaian dan rumah pada era modern saat ini. Di Indonesia saja jumlah pengguna listrik negara (PLN) selalu meningkat secara drastis dari tahun ke tahun dan mencapai 61.214.562 pelanggan pada tahun 2015 (Badan Pusat Statistik, 2017). Menurut data Badan Pusat Statistik, penggunaan listrik yang bersumber dari Perusahaan Listrik Negara (PLN) sebagian besar digunakan pada skala rumah tangga dengan total 56.649.029 pelanggan pada tahun 2015 (Badan Pusat Statistik, 2017). Penggunaan listrik rumah tangga sebagian besar digunakan untuk mengoperasikan alat elektronik pada rumah dengan daya rata-rata 900 watt untuk setiap rumah. Penggunaan tersebut sebagian besar juga berasal dari rumah kos yang khususnya berada pada kota yang sebagaian besar penduduknya berstatus pekerja dan mahasiswa. Hal tersebut dibuktikan dengan data Badan Pusat Statistik Kota Jakarta Timur tahun 2014 pada jumlah rumah kos sebanyak 1.560 rumah hanya pada tingkat Kecamatan Jakarta Timur (Suku Dinas Perumahan Kota Administrasi Jakarta Timur, 2018). Oleh karena itu, penghematan daya listrik pada skala rumah tangga khusunya pada penelitian ini ditekankan pada penghematan untuk rumah kos akan sangat efisien untuk mengurangi jumlah energi listrik yang digunakan.
Penghematan daya listrik pada penelitian ini ditekankan pada rumah kos dengan tingkat pengawasan pada penggunaan listrik yang rendah. Berbeda dengan penggunaan daya listrik pada skala rumah tangga biasa yang hanya pemilik rumah dan keluarga sebagai penggunanya, penggunaan daya listrik pada rumah kos cenderung tidak terkontrol oleh pemilik kos sendiri. Penggunaan alat elektronik yang digunkan secara berlebihan dan tidak terkontrol oleh penyewa pada rumah kos tentunya akan berdampak buruk pada sisi pemilik kos dalam segi ekonomi. Penghematan daya listrik pada skala rumah dapat dilakukan menggunaan kemajuan teknologi dengan memanfaatkan sistem
smarthome atau home automation. Sistem
smarthome adalah fitur atau sistem yang terpasang pada suatu rumah dengan tujuan untuk mengontrol peralatan ataupun kebutuhan penghuni rumah secara otomatis. Tujuan dari sistem Home Automation mencakup kemudahan, efisiensi energi, keamanan, dan kenyamanan.
Berdasarkan semua permasalahan tentang penghematan energi listrik dan pemanfaatan teknologi smarthome atau home automation tersebut, perlu adanya suatu perancangan atau sistem yang berfokus pada pengembangan dan menciptakan teknologi pada smarthome atau
home automation yang nantinya akan bertujuan untuk penghematan energi listrik itu sendiri.
Pada penelitian ini, penulis mengusulkan sebuah sistem untuk pengenalan peralatan elektronik yang terhubung atau tertancap pada stop kontak. Dengan mengetahui peralatan elektronik yang tertancap pada stop kontak tersebut, khususnya pada penelitian ini ditekankan pada penggunaan pada rumah kos, maka pemilik kos dapat mengontrol dan memantau penggunaan listrik pada rumah kosnya dengan mengetahui peralatan apa saja yang tertancap pada stop kontak kamar kos. Peralatan yang diklasifikasikan pada penelitian ini berfokus pada peralatan dapur berupa rice
cooker, heater, mixer, blender dan juicer yang
diaplikasikan pada stop kontak dengan 3 lubang. Sistem dilengkapi dengan pengiriman hasil klasifikasi peralatan elektronik dapur tersebut ke perangkat Android yang terhubung dengan internet, sehingga pemilik kos bisa memantau penggunaan dari peralatan elektronik dapur yang tertancap pada stop kontak dari jarak jauh. Metode K-Nearest Neighbor (K-NN) dipilih karena pada beberapa jurnal dan penelitian yang telah dilakukan, algoritma ini merupakan algoritma yang sederhana namun memiliki tingkat akurasi yang tinggi, sehingga algoritma ini cocok diterapkan pada mikrokontroller yang memliki penyimpanan terbatas khususnya NodeMCU. Hal ini dibuktikan dengan beberapa penelitian yang telah dilakukan menggunakan metode K-
Nearest Neighbor (K-NN), antara lain
penelitian Sistem Klasifikasi Status Gizi Bayi dengan Metode K-NN Berbasis Sistem Embedded yang menghasilkan tingkat keakurasian mencapai 97,14% (Putri, 2017). Sedangkan pada penelitian Klasifikasi alat rumah berdasarkan data sensor yang juga menggunakan metode K-Nearest Neighbor (K- NN) juga menghasilkan tingkat akurasi yang baik (SeungJun Kang, 2016). Penelitian lain yang menjadi dasar dari penelitian ini yaitu berkaitan dengan sistem identifikasi peralatan DC menggunakan teknik K-Means Clustering dan Klasifikasi K-NN. Pada penelitian ini penulis menidentifikasi beban listrik pada rumah untuk pengelolaan energi cerdas yang efisien. Sistem ini mendeteksi arus DC pada kondisi stabil dan tidak (Y.T. Quek, 2016).
Sistem dirancang menggunakan metode K-
Nearest Neighbor (K-NN) sebagai metode
klasifikasinya, NodeMCU sebagai pengontrol utama sistem dan sensor YHDC SCT-013-100 sebagai sensor pembaca arus. Sistem akan mengklasifikasi peralatan elektronik dapur apa yang tertancap pada stop kontak berdasarkan parameter arus total yang keluar dari stop kontak tersebut. Selanjutnya data arus yang didapat akan dikirimkan pada NodeMCU untuk melakukan proses klasifikasi menggunakan metode K-Nearest Neighbor (K-NN). Hasil dari klasifikasi tersebut kemudian dikirimkan pada Android smartphone sehingga pengguna atau dalam penelitian ini dikhususkan pada pemilik kos dapat mengetahui dari jarak jauh peralatan elektronik apa yang sedang digunakan atau tertancap pada stop kontak kamar kosnya.
Gambar 1. Diagram Alir Metodologi Penilitian
Pada aa Gambar 1 d dijelaskan ddd tahapan metodologi d yang digunakan d pada s penelitian ini ff yang meliputi ff studi literatur FF sebagai pendukung ff teori implementasi fff penelitian, analisis ff kebutuhan yang hh mengidentifikasi perangkat ggg keras dan ggg perangkat ggf lunak. Perancangan vv pada sistem gi ini akan ff dibagi menjadi gg perancangan t perangkat f keras g yang menjelaskan ff bagaimana NodeMCU, Stop Kontak, Sensor YHDT SCT-013-100 dirancang sehingga menghasilkan sistem sebagai pemrosesan sistem penelitian dan perancangan perangkat lunak yang meliputi perancangan sistem yang diterapkan pada Arduino IDE, Firebase dan Android Studio. fff Proses selanjutnya f setelah system d selesai dibuat s yaitu melakukan q pengujian serta f menganalisis s hasil yang ff diperoleh. Langkah ss terakhir yaitu melakukan e penarikan t kesimpulan.
2.1. Perancangan Perangkat Keras
Pada ff perancangan aa sistem qq ini, ff untuk memudahkan fffff pemahaman wwww terhadap perancangan r sistem secara f keseluruhan a maka dijelaskan d dalam bentuk d diagram blok d sistem. Pada d diagram blok cc dibawah ini d dijelaskan langkah-langkah d secara garis c besar d mengenai pembuatan sistem secara keseluruhan. Diagram blok dari sistem Pengenalan Peralatan Elektronik Dapur yang Terhubung pada Stop Kontak Menggunakan Metode K-Nearest
Neighbor (K-NN) dapat s dilihat pada s gambar 2 dibawah f ini.
2. METODOLOGI PENELITIAN
Gambar 2. Diagram Blok Sistem
Pada perancangan d perangkat f keras d pada sistem d ini terdiri f dari serangkaian perangkat keras yang dirancang menjadi sebuah sistem untuk sistem klasifikasi ini yang mencangkup NodeMCU v1.0 sebagai mikrokontroller pengontrol utama sistem dan pemrosesan klasifikasi, stop kontak, sensor YHDT SCT- 013-100 beserta rangkaian elektronik tambahannya, power bank sebagai penyedia daya sistem, access point sebagai penyedia jaringan lokal dan smartphone sebagai antarmuka pengguna untuk melihat hasil klasifikasi. Adapun gambar skematik dari rangkaian Sistem Pengenalan Peralatan Elektronik Dapur yang Terhubung pada Stop Kontak Menggunakan fff Metode ff K-Nearest
Neighbor f (K-NN) ini ditunjukkan pada Gambar 3. referensi analog, (AREF/2) / Secondary
peak-current . Pada f sistem v digunakan
NodeMCU ff v1.0 dengan ff tegangan referensi g sebesar 3.3V. Maka burden resistor yang ideal adalah :
Ideal burder resistance = (AREF/2) / Secondary peak-current
= (3.3 V / 2) /
Gambar 3. Skematik Perancangan Perangkat
0.0707 A
Keras
= 23.3380 Ω Sensor YHDT SCT-013-100 yang
Nilai burder resistor dari perhittungan telah digunakan dalam sistem ini memerlukan didapatkan yaitu sebesar 23.3380 Ω, namun rangkaian elektronik tambahan yang berfungsi resistor dengan nilai umum. Resistor yang agar outputan dari sensor yaitu nilai arus yang umum dijual adalah 22Ω dan 24Ω Maka dihasilkan dapat diterima oleh NodeMCU v1.0 diambil nilai 22 Ω disebabkan karena nilai sebagai pemroses nilai arus tersebut. Sinyal
burden resistor yang diambil sebaiknya nilai
output dari sensor YHDT SCT-013-100 harus terkecil, sehingga dapat menghasilkan keluaran dikondisikan terlebih dahulu dengan rangkaian arus yang lebih maksimal. Sehingga burden tambahan ini yang terdiri dari kapasitor, burden resistor atau resistor beban yang dipakai pada resistor dan dua resistor lain sebagai pembagi sistem ini adalah sebesar 22 Ω. tegangan. Untuk melakukan perhitungan
burden resistor maka perlu diketahui terlebih 2.2.
Perancangan Perangkat Lunak
dahulu bahwa sensor YHDT-SCT yang dipakai yaitu YHDT-SCT-013-100 memiliki output Perancangan f perangkat lunak g sistem pada maksimal arus hingga 100 Ampere. Berikut perangkat f keras yang f digunakan dan f perangkat adalah penjelasan langkah perhitungan burden lunak f yang digunakan f sebagai program f utama resistor. pada f sistem f ini. Perancangan f perangkat g lunak
Mencari nilai puncak arus primer meliputi f proses perancangan f proses f klasifikasi (primary peak- current) dengan peralatan gf elektronik dapur dd menggunakan mengkonversi arus RMS maksimum ke metode g K-Nearest Neighbour, perancangan arus puncak dengan cara mengalikan perangkat ff lunak Android untuk ff tampilan antarmuka dan perangkat lunak konfigurasi dengan √2. sistem yang ada pada IDE Arduino yang
Primary peak-current
= arus RMS x √2 digunakan oleh NodeMCU v1.0. Pada perancangan Sistem Pengenalan Peralatan
= 100 A x 1.414 Elektronik Dapur yang Terhubung pada Stop
= 141.4 A Kontak Menggunakan ff Metode ff K-Nearest
Neighbor f (K-NN) secara umum dapat d dilihat
Membagi arus puncak dengan jumlah pada Gambar 4. putaran dalam CT untuk memberikan arus puncak pada kumparan d sekunder.
Sensor fff CT YHDC dd SCT-013-100 memiliki w 2000 putaran, sehingga arus puncak f sekunder akan f menjadi:
Secondary peak-current =Primary peak-current / number of turns
= 141.4 / 2000 = 0.0707 A memaksimalkan resolusi
Untuk pengukuran, g tegangan yang f melintasi resistor e beban pada d arus puncak f harus sama g dengan setengah f dari i tegangan
Gambar 4. Flowchart Perancangan Sistem Keseluruhan
! !( − )! (1)
2.4. Implementasi Perangkat Keras
(5,3) = 10 Berdasarkan perhitungan kombinasi maka didapatkan nilai i 10 sebagai banyak b kombinasi yang i memungkinkan i untuk diuji i dalam sistem. 10 m kombinasi ini f akan menjadi f kelas f untuk proses v klasifikasi.
5×4×3×2×1 3×2×1(2)!
(5,3) =
5! 3!(5−3)!
(5,3) =
Sistem klasifikasi menggunakan stop kontak dengan 3 lubang sehingga didapatkan perhitungan sebagai berikut:
dihitung i kombinasi yang memungkinkan i terjadi dengan g rumus pada g persamaan 1 g berikut: ( , ) =
Seperti yang terlihat pada Gambar 4 dapat dilihat bahwa sebelum sistem sampai pada pengguna smartphone untuk menampilkan hasil klasifikasi kombinasi alat elektronik dapur apa saja yang tertancap pada stopkontak, maka sistem terlebih dahulu melakukan berbagai proses. Pertama sistem melakukan inisialisasi sensor YHDT SCT-013-100, inisialisasi dilakukan pada
blender, mixer, heater dan juicer. Maka
Perangkat f elektronik f yang digunakan dalam sistem m sebanyak n 5 jenis m yaitu rice b cooker,
2.3. Perhitungan Kombinasi Perangkat Elektronik Dapur
Euclidean Distance. Dimana pada metode ini, sistem akan menghitung jarak dan membandingkan jarak tersebut pada masing- masing kelas pada data latih. Kelas yang memiliki jarak terdekat dengan data latih akan muncul sebagai hasil klasifikasi. Hasil klasifikasi yang telah diproses pada NodeMCU v1.0 kemudian dikirimkan pada smartphone pengguna menggunakan jaringan lokal bermedia access point yang sama. Pengguna dapat melihat hasil klasifikasi kombinasi peralatan dapur yang tertancap pada stop kontak melalau aplikasi Android smartphone.
data latih, dimana pada sistem ini diberikan pendeklarasian data latih sebanya 100 data. Langkah selanjutnya adalah kembali menghitung data arus yang masuk selama 10 detik yang sudah dirata-rata kemudian dijalankan proses prediksi menggunakan algoritma K-Nearest Neighbour dengan metode
Nearest Neighbour. Setelah sistem memiliki
IDE Arduino dengan menginputkan library dari sensor tersebut yaitu Emon.lib dan inisialisasi EnergyMonitor emon1 untuk mendeklarasikan sensor YHDT SCT- 013-100 pada sistem. Setelah proses inisialisasi dilakukan, maka sistem akan menghitung nilai arus total yang didapatkan dari sensor. Nilai yang didapatkan dirata-rata setiap waktu 1 detik. Kemudian setiap 1 detik akan ditampilkan nilai rata-rata arus yang dihasilkan. Data rata-rata 1 detik tersebut akan terus dijalankan sampai 10 kali data atau jika telah mencapai 10 detik. Data tersebut nantinya akan dijadikan sebagai data latih sistem, sehingga sistem dapat melakukan klasifikasi menggunkan metode K-
Tahap ini mmm menjelaskan vvv proses pengimplementasian m perangkat keras. f Sistem ini menggunakan vv beberapa ccc komponen perangkat keras i yang memiliki f fungsi masing- masing. gg Tampilan perangkat ff keras sistem klasifikasi dd dapat dilihat pada Gambar 5. Gambar 5. Implementasi Perangkat Keras
Gambar 5 d menunjukkan hasil i implementasi sensor YHDT-SCT-013-100 dengan f nodeMCU v1.0, d dimana terdapat f komponen f pendukung seperti 2 d buah resistor d
3 Sistem mampu melakukan klasifikasi terhadap perangkat elektronik dapur yang sedang tertancap pada stop kontak.
3.1. Hasil Pengujian Fungsionalitas Sistem
Tujuan dilakukan pengujian d ini untuk mengetahui a apakah sistem s sudah berjalan sesuai s dengan fungsinya s dan sesuai s dengan keinginan s peneliti. Pengujian s fungsionalitas dari sistem dapat dilihat pada Tabel 2.
Tabel 2. Hasil Pengujian Fungsionalitas Sistem No Pengujian yang Dilakukan Status
1 YHDC SCT-013-100 mampu membaca arus yang mengalir pada stop kontak ketika terdapat perangkat elektronik yang tertancap.
Berhasil
2 Sistem mampu terhubung dengan jaringan internet.
Berhasil
Berhasil
3. PENGUJIAN DAN HASIL
4 Sistem mampu mengirimkan data hasil klasifikasi pada cloud penyimpanan melalui jaringan internet.
Berhasil
5 Aplikasi pada Android Smartphone dapat menampilkan hasil klasifikasi secara real time.
Berhasil
Pada dd Tabel 2 dapat ss dilihat ww bahwa keseluruhan ww pengujian fungsional ss yang dilakukan w pada sistem w berhasil dijalankan.
3.2. Hasil Pengujian Keakuratan Sistem
Pengujian ini bertujuan untuk mengetahui seberapa akuratnya sistem w dalam w melakukan
Pengujian q pada sistem d ini akan b dibagi menjadi a tiga bagian a secara garis s besar, s yang terdiri sd dari beberapa s pengujian d fungsional, pengujian s keakuratan, dan s pengujian waktu yang mm dibutuhkan cc sistem untuk mm dapat mengakuisisi c data dan c melakukan d klasifikasi perangkat w elektronik s dalam dapur.
10 Juicer, Heater, Mixer CDE
10kΩ sebagai
A = Rice Cooker B = Blender C = Juicer D = Heater E = Mixer Kombinasi d dengan 5 jenis s perangkat elektronik a dapat dilihat a pada Tabel 1. klasifikasi w perangkat e elektronik dapur yang sedang e tertancap pada e stop kontak dan i akan di bandingkan i dengan keadaan e yang sebenarnya terjadi. Pada pengujian ini juga diterapkan pengujian pada nilai K dengan menguji nilai K=1, K=3, dan K=5. Hal tersebut bertujuan untuk mengetahui dari ketiga nilai K tersebut, manakah yang menghasilkan keakurasian paling tinggi.
d pembagi
tegangan dan ddd kapasitor 10μF
ddd sebagai
penyimpan d daya sementara s dan burden resistor 22Ω sebagai
s tegangan beban. NodeMCU v1.0
berfungsi sss sebagai mikrokontroler ddd yang mengatur ddd input dan ddd output dari ss sistem perangkat keras. d Sensor arus d YHDT-SCT-013- 100 digunakan w untuk d mendeteksi arus d listrik yang mengalir w pada stop w kontak. Sistem w ini menggunakan w powerbank sebagai w sumber daya listrik d dengan tegangan v sebesar 3,3V. Sedangkan pada Gambar 5.8 dapat dilihat implementasi dari stop kontak. Stop kontak yang digunakan memiliki tiga lubang sebagai tempat untuk menancapkan peralatan elektronik dapur yang akan diklasifikasikan. Pada ujung keluaran kabel dari stop kontak, pembungkus kabelnya telah dibuka agar arus yang dapat diukur dengan melingkarkan atau meletakkan sensor arus YHDT SCT-013-100 pada salah satu kabel yang ada pada pembungkus kabel stop kontak. Aliran arus yang mengalir pada kabel itulah yang dibaca oleh sensor dan dikirimkan ke NodeMCU v1.0.
Implementasi kombinasi perangkat elektronik yang diimplementasikan sesuai dengan kombinasi perangkat sebagai berikut:
Tabel 1. Kombinasi Perangkat Elektronik Dapur No Perangkat Elektronik Kombinasi
9 Blender, Heater, Mixer BDE
1 Rice Cooker, Blender, Juicer ABC
2 Rice Cooker, Blender, Heater ABD
3 Rice Cooker, Blender, Mixer ABE
4 Rice Cooker, Juicer, Heater ACD
5 Rice Cooker, Juicer, Mixer ACE
6 Rice Cooker, Heater, Mixer ADE
7 Blender, Juicer, Heater BCD
8 Blender, Juicer, Mixer BCE
2.5. Implementasi Kombinasi Perangkat Elektronik
Tabel 3. Hasil Pengujian Keakuratan Sistem Klasifikasi dengan K=1 No Kombina si Hasil Keadaan yang Sebenarnya Status
Mixer
22 BCE Blender,
Berhasil
Blender, Juicer, Heater
Juicer, Heater
21 BCD Blender,
Berhasil
Blender, Juicer, Heater
Blender, Juicer, Heater
20 BCD
Gagal
Juicer, Heater
Heater, Mixer Blender,
19 BCD Juicer,
Berhasil
Cooker, Heater,
Juicer, Mixer
Mixer
Cooker, Juicer,
Mixer
Berhasil
16 ADE Rice Cooker,
Heater, Mixer Rice
Cooker, Heater,
Berhasil
Heater, Mixer Rice
17 ADE Rice Cooker,
Heater, Mixer Rice
Cooker, Heater,
Mixer
Berhasil
18 ADE Rice Cooker,
Juicer, Mixer Blender,
Berhasil
15 ACE Rice Cooker,
Heater, Mixer Blender,
Berhasil Total Keberhasilan
Heater, Mixer
Heater, Mixer Juicer,
30 CDE Juicer,
Berhasil
Heater, Mixer
Heater, Mixer Juicer,
29 CDE Juicer,
Berhasil
Heater, Mixer
Heater, Mixer Juicer,
28 CDE Juicer,
Berhasil
Heater, Mixer
27 BDE Blender,
23 BCE Blender,
Berhasil
Juicer, Mixer Blender,
Juicer, Mixer
Berhasil
24 BCE Blender,
Juicer, Mixer Blender,
Juicer, Mixer
25 BDE Blender,
Berhasil
Heater, Mixer Blender,
Heater, Mixer
Berhasil
26 BDE Blender,
Heater, Mixer Blender,
Heater, Mixer
Juicer, Mixer Rice
Berhasil
1 ABC Rice Cooker,
Rice Cooker,
Blender, Mixer
7 ABE Rice Cooker,
Gagal
Heater
Cooker, Blender,
Heater, Mixer Rice
6 ABD Blender,
Berhasil
Blender, Heater
Rice Cooker,
Blender, Heater
5 ABD Rice Cooker,
Berhasil
Blender, Heater
Blender, Heater
Blender, Mixer
Rice Cooker,
Blender, Juicer
Rice Cooker,
Blender, Juicer
Berhasil
2 ABC
Rice Cooker, Blender, Juicer
Blender, Juicer
4 ABD Rice Cooker,
Berhasil
3 ABC
Rice Cooker, Blender, Juicer
Rice Cooker,
Blender, Juicer
Berhasil
Rice Cooker,
Berhasil
Mixer
13 ACE Rice Cooker,
Gagal
12 ACD Rice Cooker,
Juicer, Heater
Rice Cooker,
Juicer, Heater
Berhasil
Juicer, Mixer Rice
Rice Cooker,
Cooker, Juicer,
Mixer
Berhasil
14 ACE Rice Cooker,
Juicer, Mixer Rice
Cooker, Juicer,
Juicer, Heater
Blender, Heater
8 ABE Rice Cooker,
Rice Cooker,
Blender, Mixer
Rice Cooker,
Blender, Mixer
Berhasil
9 ABE Rice Cooker,
Blender, Mixer
Blender, Mixer
11 ACD Rice Cooker,
Berhasil
10 ACD Rice Cooker,
Juicer, Heater
Rice Cooker,
Juicer, Heater
Berhasil
27 Tabel 4. Hasil Pengujian Keakuratan Sistem Klasifikasi dengan K=3 No Kombina si Hasil Keadaan yang Sebenarnya Status
1 ABC Rice Cooker,
Juicer, Mixer
21 BCD Blender,
Juicer, Heater
Blender, Juicer, Heater
Berhasil
22 BCE Rice Cooker,
Heater, Mixer Blender,
Gagal
Blender, Juicer, Heater
23 BCE
Blender, Juicer, Mixer
Blender, Juicer,
Mixer
Berhasil
24 BCE Blender,
Juicer, Mixer Blender,
Berhasil
Juicer, Heater
Berhasil
18 ADE Rice Cooker,
Berhasil
17 ADE Rice Cooker,
Heater, Mixer Rice
Cooker, Heater,
Mixer
Berhasil
Heater, Mixer Rice
20 BCD Blender,
Cooker, Heater,
Mixer
Berhasil
19 BCD Juicer,
Heater, Mixer Blender,
Juicer, Heater
Gagal
Juicer, Mixer
25 BDE Blender,
Cooker, Heater,
Blender, Juicer
Juicer, Heater,
Mixer
Gagal Total Keberhasilan
22 Tabel 5. Hasil Pengujian Keakuratan Sistem Klasifikasi dengan K=5
No Kombina si Hasil Keadaan yang Sebenarnya Status
1 ABC Rice Cooker,
Rice Cooker,
30 CDE Rice Cooker,
Blender, Juicer
Berhasil
2 ABC Rice Cooker,
Blender, Juicer
Rice Cooker,
Blender, Juicer
Berhasil
Juicer, Heater
Berhasil
Heater, Mixer Blender,
Heater, Mixer Blender,
Heater, Mixer
Berhasil
26 BDE Blender,
Heater, Mixer Blender,
Heater, Mixer
Berhasil
27 BDE Blender,
Heater, Mixer
Heater, Mixer
Berhasil
28 CDE Juicer,
Heater, Mixer Juicer,
Heater, Mixer
Berhasil
29 CDE Juicer,
Heater, Mixer Juicer,
Mixer
Heater, Mixer Rice
Blender, Juicer
Cooker, Blender,
Heater, Mixer Rice
Cooker, Blender,
Heater
Gagal
6 ABD Blender,
Heater, Mixer Rice
Heater
Berhasil
Gagal
7 ABE Rice Cooker,
Blender, Mixer
Rice Cooker,
Blender, Mixer
Berhasil
8 ABE Rice Cooker,
5 ABD Blender,
Blender, Heater
Rice Cooker,
Blender, Juicer
Rice Cooker,
Blender, Juicer
Berhasil
2 ABC Rice Cooker,
Blender, Juicer
Rice Cooker,
Berhasil
Rice Cooker,
3 ABC Blender,
Juicer, Mixer Rice
Cooker, Blender,
Juicer
Gagal
4 ABD Rice Cooker,
Blender, Heater
Blender, Mixer
Blender, Mixer
16 ADE Rice Cooker,
Blender, Mixer
13 ACE Rice Cooker,
Juicer, Mixer Rice
Cooker, Juicer,
Mixer
Berhasil
14 ACE Rice Cooker,
Rice Cooker,
Juicer, Heater
Juicer, Mixer
Gagal
15 ACE Rice Cooker,
Juicer, Mixer Rice
Cooker, Juicer,
Mixer
Berhasil
Berhasil
Rice Cooker,
Berhasil
Rice Cooker,
9 ABE Rice Cooker,
Blender, Mixer
Rice Cooker,
Blender, Mixer
Berhasil
10 ACD Rice Cooker,
Juicer, Heater
Juicer, Heater
Juicer, Heater
Berhasil
11 ACD Rice Cooker,
Blender, Heater
Rice Cooker,
Juicer, Heater
Gagal
12 ACD Rice Cooker,
3 ABC Rice Cooker, Rice Berhasil
Blender, Juicer
Blender, Juicer, Heater
Berhasil
Juicer, Mixer
Juicer, Mixer Blender,
23 BCE Blender,
Gagal
Juicer, Mixer
Heater, Mixer Blender,
22 BCE Rice Cooker,
Berhasil
Blender, Juicer, Heater
Juicer, Heater
21 BCD Blender,
Berhasil
Juicer, Heater
Juicer, Mixer Blender,
20 BCD Blender,
Gagal
Juicer, Heater
Heater, Mixer Blender,
19 BCD Juicer,
Berhasil
Mixer
Cooker, Heater,
Heater, Mixer Rice
18 ADE Rice Cooker,
Berhasil
Mixer
Cooker, Heater,
Heater, Mixer Rice
24 BCE Blender,
Juicer, Mixer
Berhasil
Heater, Mixer
elektronik dapur yang telah dilakukan sebanyak 30 kali dengan pengujian nilai K=1, K=3 dan K=5 didapatkan hasil bahwa nilai keakurasian paling tinggi berada pada nilai K=1 dengan presentase 90.00% dari 30 kali percobaan. Sedangkan prosentase nilai K=3 adalah 73.33% dan K=5 sebanyak 83.33%. Untuk grafik dari hasil percobaan tersebut dapat dilihat pada Gambar 6.
25 Dari hasil percobaan klasifikasi perangkat
Gagal Total Keberhasilan
Mixer
Juicer, Heater,
Juicer, Heater
30 CDE Rice Cooker,
Berhasil
Mixer
Juicer, Heater,
Juicer, Heater, Mixer
29 CDE
Berhasil
Heater, Mixer Juicer,
Berhasil
28 CDE Juicer,
Berhasil
Mixer
Blender, Heater,
Blender, Heater, Mixer
27 BDE
Berhasil
Heater, Mixer
Heater, Mixer Blender,
26 BDE Blender,
Berhasil
Heater, Mixer
Heater, Mixer Blender,
25 BDE Blender,
17 ADE Rice Cooker,
Mixer
Cooker, Blender,
Berhasil
Rice Cooker,
Blender, Mixer
9 ABE Rice Cooker,
Berhasil
Blender, Mixer
Rice Cooker,
Blender, Mixer
8 ABE Rice Cooker,
Berhasil
Blender, Mixer
Rice Cooker,
Blender, Mixer
7 ABE Rice Cooker,
Blender, Heater
Berhasil
Rice Cooker,
Blender, Heater
6 ABD Rice Cooker,
Gagal
Heater
Cooker, Blender,
Heater, Mixer Rice
5 ABD Blender,
Berhasil
Blender, Heater
Rice Cooker,
Blender, Heater
4 ABD Rice Cooker,
Juicer
Blender, Mixer
10 ACD
Cooker, Heater,
Cooker, Juicer,
Heater, Mixer Rice
16 ADE Rice Cooker,
Berhasil
Mixer
Cooker, Juicer,
Juicer, Mixer Rice
15 ACE Rice Cooker,
Berhasil
Mixer
Cooker, Juicer,
Juicer, Mixer Rice
14 ACE Rice Cooker,
Berhasil
Mixer
Juicer, Mixer Rice
Rice Cooker, Juicer, Heater
13 ACE Rice Cooker,
Berhasil
Juicer, Heater
Rice Cooker,
Juicer, Heater
12 ACD Rice Cooker,
Gagal
Juicer, Heater
Rice Cooker,
Blender, Heater
11 ACD Rice Cooker,
Berhasil
Juicer, Heater
Rice Cooker,
Gambar 6. Grafik Hasil Pengujian Nilai K
3.3. Pengujian Waktu Mendapatkan Data dan Melakukan Klasifikasi
Pengujian v ini bertujuan w untuk mengetahui waktu www yang diperlukan ww sistem untuk mendapatkan w data nilai w rata-rata arus w yang dibutuhkan w untuk melakukan w klasifikasi dan mengetahui w waktu yang w diperlukan sistem untuk i melakukan klasifikasi dan w menampilkan hasil klasifikasi w tersebut berdasarkan i data yang telah didapatkan e sebelumnya.
Perusahaan Listrik Negara (PLN), 1995-2015. Jakarta: Badan Pusat
IEEE .
KNN with sensor data. IEEE. Y.T. Quek, W. W. (2016). DC equipment identification using K-means clustering and kNN classification techniques.
Statistik Kota Jakarta Timur. SeungJun Kang, J. W. (2016). Classification of home appliance by using Probabilistic
Rumah Kos Menurut Kecamatan, 2012-2014. Jakarta: Badan Pusat
Statistik. Suku Dinas Perumahan Kota Administrasi Jakarta Timur. (2018). Jumlah
Badan Pusat Statistik . (2017). Pelanggan
Tabel 6. Hasil Pengujian Waktu Mendapatkan Data dan Melakukan Klasifikasi No Waktu yang Dibutuhkan
5. DAFTAR PUSTAKA
memaanfaatkan apliaksi Android Studio.
smartphone. Untuk aplikasi Android smartphone sendiri dibuat dengan
Perancangan pengiriman data menuju aplikasi Android smartphone dirancang dengan melibatkan Firebase sebagai server dan database penyimpanan data hasil klasifikasi yang telah diproses pada NodeMCU. NodeMCU dan Aplikasi smartphone saling berpatokan pada database yang sama yang ada dalam Firebase, sehingga setiap data hasil klasifikasi oleh NodeMCU telah didapat, maka data akan dikirim melalui internet menuju Firebase, dan Firebase akan secara real time mengirim data tersebut menuju Android
Berdasarkan berbagai analisis dari hasil yang diperoleh melalui pengujian yang dilakukan pada penelitian ini, maka dapat disimpulkan bahwa Sistem dirancang menggunakan metode K-Nearest Neighbor (K- NN) sebagai metode klasifikasinya, NodeMCU sebagai pengontrol utama sistem dan sensor YHDC SCT-013-100 sebagai sensor pembaca arus. Sistem akan mengklasifikasi peralatan elektronik dapur apa yang tertancap pada stop kontak berdasarkan parameter arus total yang keluar dari stop kontak tersebut. Selanjutnya data arus yang didapat akan dikirimkan pada NodeMCU untuk melakukan proses klasifikasi menggunakan metode K-Nearest Neighbor (K- NN). Hasil dari klasifikasi tersebut kemudian dikirimkan pada Android smartphone sehingga pengguna atau dalam penelitian ini dikhususkan pada pemilik kos dapat mengetahui dari jarak jauh peralatan elektronik apa yang sedang digunakan atau tertancap pada stop kontak kamar kosnya. Dari hasil percobaan klasifikasi perangkat elektronik dapur yang telah dilakukan sebanyak 30 kali dengan pengujian nilai K=1, K=3 dan K=5 didapatkan hasil bahwa nilai keakurasian paling tinggi berada pada nilai K=1 dengan presentase 90.00% dari 30 kali percobaan. Sedangkan prosentase nilai K=3 adalah 73.33% dan K=5 sebanyak 83.33%.
Pada Tabel 6 diatas dapat dilihat dalam melakukan pengambilan data, rata-rata waktu yang dibutuhkan selama 10072,2 ms, hal tersebut dikarenakan memang waktu mengambil data dilakukan selama 10 detik. Sedangkan n dalam melakukan e klasifikasi i rata- rata waktu w yang dibutuhkan w jauh lebih i cepat yaitu w selama 12,4 ms.
Mengambil Data Melakukan Klasifikasi 1 10098 ms 12 ms 2 10021 ms 11 ms 3 10080 ms 13 ms 4 10079 ms 14 ms 5 10060 ms 11 ms 6 10077 ms 14 ms 7 10099 ms 12 ms 8 10087 ms 13 ms 9 10076 ms 13 ms 10 10045 ms 11 ms Rata- rata 10072,2 ms 12,4 ms