Pengembangan Smart Home System Berbasis Kecerdasan Buatan untuk Memanajemen Konsumsi Energi Rumah Tangga dengan Pendekatan Finansial
DOI:
https://doi.org/10.36085/jsai.v4i1.1218Abstract
Teknologi rumah pintar yang dikembangkan saat ini belum sepenuhnya mampu mendukung program konservasi energi yang dicanangkan pemerintah. Selain 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%.References
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.
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.
. 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.
M. Fajar Wicaksono, “IMPLEMENTASI MODUL WIFI NODEMCU ESP8266 UNTUK SMART HOME,†2017.
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.
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.
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.
Y. Goldberg, “Neural Network Methods for Natural Language Processing,†Synth. Lect. Hum. Lang. Technol., 2017, doi: 10.2200/S00762ED1V01Y201703HLT037.
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.
E. Hodo et al., “Threat analysis of IoT networks using artificial neural network intrusion detection system,†2016, doi: 10.1109/ISNCC.2016.7746067.
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.
M. T. Hagan, H. B. Demuth, and M. H. Beale, “Neural Network Design,†Bost. Massachusetts PWS, 1995, doi: 10.1007/1-84628-303-5.
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.
B. Baker, O. Gupta, N. Naik, and R. Raskar, “Designing neural network architectures using reinforcement learning,†2017.
T. Han, Y. Lu, S. C. Zhu, and Y. N. Wu, “Alternating back-propagation for generator network,†2017.
Z. Ye and M. K. Kim, “Predicting electricity consumption in a building using an optimized back-propagation 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.
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.
