LAPORAN PENELITIAN

PERAMALAN JUMLAH ARUS LISTRIK PADA RUMAH PINTAR

INTERNET UNTUK SEGALA MENGGUNAKAN HIBRIDISASI
ALGORITMA PCA DAN ARIMA

DOSEN PEMBIMBING :
1. Ir. M Bachtiar Nappu, S.T, M.T, M.Phil, Ph.D
2. Dr-Eng. Zulkifli Tahir, S.T, M.Sc

PROGRAM PASCASARJANA
DEPARTEMEN TEKNIK ELEKTRO

2021
 DAFTAR ISI

LEMBAR PENGESAHAN .............................................................................................. ii

PERNYATAAN KEASLIAN .......................................................................................... iii
DAFTAR ISI......................................................................................................................iv
DAFTAR GAMBAR ........................................................................................................vii
DAFTAR TABEL ........................................................................................................... viii
BAB I PENDAHULUAN .................................................................................................. 1
1.1 Latar Belakang ................................................................................................. 1
1.2 Rumusan Masalah ............................................................................................ 2
1.3 Tujuan Penelitian ............................................................................................. 2
1.4 Manfaat Penelitian ........................................................................................... 3
1.5 Batasan Masalah ............................................................................................... 4
1.6 Sistematika Penulisan....................................................................................... 6
BAB II TINJAUAN PUSTAKA....................................................................................... 8
2.1 SOTA Penelitian Terkait ................................................................................. 8
2.2 Algoritma Peramalan ..................................................................................... 10
2.2.1 PCA .................................................................................................................. 10
2.2.2 ARIMA ............................................................................................................. 14
2.2.2.1 Model AR ......................................................................................................... 14
2.2.2.2 Model MA ........................................................................................................ 15
2.2.2.3 Model ARMA ................................................................................................... 16
2.2.2.4 Proses Diferensiasi ........................................................................................... 16
2.2.2.5 ACF dan PACF ................................................................................................. 16
2.2.2.6 Tahapan Pemodelan .......................................................................................... 17
2.3 Rumah Pintar IoT .......................................................................................... 18
2.3.1 Elemen Perangkat Keras ................................................................................... 19
2.3.1.1 Mikrokontroler ESP32 ...................................................................................... 19
2.3.1.2 Sensor Arus ACS712 ........................................................................................ 19
2.3.1.3 Saklar Elektromekanik SSR ............................................................................. 20
2.3.1.4 Mikrokontroler Raspi 3 Model B ..................................................................... 20
2.3.1.5 Sensor Cahaya LDR ......................................................................................... 21
2.3.1.6 Kamera RPi (E) 5 Megapixel Fitur Visi Malam ............................................... 22

iv
 2.3.1.7 Mikrokontroler Raspi 4 Model B ..................................................................... 22
2.3.1.8 LCD Layar Sentuh XPT2046 10.1 Inci TFT .................................................... 23
2.3.2 Elemen Perangkat Lunak .................................................................................. 23
2.3.2.1 Arduino IDE ..................................................................................................... 23
2.3.2.2 Raspberry Pi OS ............................................................................................... 23
2.3.2.3 Python 3 IDE .................................................................................................... 24
2.3.2.4 Visual Studio Code ........................................................................................... 27
2.3.2.5 Platform Internet ............................................................................................... 28
2.4 Rancangan Sistem IoT ................................................................................... 29
2.5 Kerangka Pikir ............................................................................................... 30
BAB III METODE PENELITIAN ................................................................................ 31
3.1 Tahapan Penelitian ......................................................................................... 31
3.2 Waktu dan Lokasi Penelitian ........................................................................ 32
3.2.1 Waktu................................................................................................................ 32
3.2.2 Lokasi ............................................................................................................... 33
3.3 Jenis Penelitian ............................................................................................... 33
3.4 Sumber Data ................................................................................................... 33
3.4.1 Data Sekunder Kondisi Cuaca .......................................................................... 33
3.4.1.1 Temperatur........................................................................................................ 34
3.4.1.2 Kelembapan ...................................................................................................... 35
3.4.1.3 Kecepatan Angin .............................................................................................. 35
3.4.2 Data Sekunder Jumlah Individu........................................................................ 36
3.4.3 Data Sekunder Intensitas Cahaya ..................................................................... 37
3.4.4 Data Sekunder Arus Listrik .............................................................................. 38
3.5 Instrumentasi Penelitian ................................................................................ 38
3.6 Pengembangan Perangkat Keras .................................................................. 39
3.6.1 Perangkat Keras Stop Kontak IoT .................................................................... 39
3.6.2 Perangkat Keras Fiting IoT............................................................................... 39
3.6.3 Perangkat Keras Kamera IoT............................................................................ 42
3.6.4 Perangkat Keras Stasiun Kerja Lokal ............................................................... 42
3.7 Pengembangan Program Antarmuka ........................................................... 42
3.7.1 Program Antarmuka Stop Kontak IoT .............................................................. 43
3.7.2 Program dan Antarmuka Fiting IoT ................................................................. 44

v
 3.7.3 Program dan Antarmuka Kamera IoT .............................................................. 45
3.7.4 Program dan Antarmuka Stasiun Kerja Lokal Serta Situs Laman Internet ...... 46
BAB IV ANALISIS DAN PEMBAHASAN .................................................................. 48
4.1 Hasil Uji Coba Peramalan dan Kondisi Nyatanya ...................................... 48
4.2 Uji Akurasi Peramalan .................................................................................. 48
4.2.1 MAE dan MSE ................................................................................................. 49
4.2.2 MAPE ............................................................................................................... 50
4.3 Uji Performa ................................................................................................... 51
4.3.1 Latensi .............................................................................................................. 51
4.3.2 Agregat Hasil .................................................................................................... 52
4.3.3 Reliabilitas dan Ketersediaan Fungsional ......................................................... 53
BAB V KESIMPULAN DAN SARAN .......................................................................... 56
5.1 Kesimpulan...................................................................................................... 56
5.2 Saran ................................................................................................................ 57
DAFTAR PUSTAKA ...................................................................................................... 59

vi
 DAFTAR GAMBAR

Gambar 1.1 Metode Peramalan Beban Jangka Pendek, Menengah, dan Panjang .............. 4
Gambar 2.1 Langkah Umum Algoritma PCA .................................................................. 13
Gambar 2.2 Skema Pendekatan Metode ARIMA ............................................................. 15
Gambar 2.3 Pinout ESP32 ................................................................................................ 19
Gambar 2.5 SSR SPDT 5 Terminal .................................................................................. 20
Gambar 2.4 Fungsi Terminal ACS712 ............................................................................. 20
Gambar 2.6 Pinout Raspberry Pi Model B ....................................................................... 21
Gambar 2.8 Fitur Kamera RPi Visi Malam ...................................................................... 21
Gambar 2.9 Fitur LCD Layar Sentuh XPT2046 10.1 Inci TFT ........................................ 22
Gambar 2.10 (a) Pemrograman Arduino IDE Terhadap ESP32 Melalui Komputer, dan
(b) Koneksi Raspi dan Komputer Menggunakan Kabel LAN untuk Pemrograman......... 24
Gambar 2.11 Rancangan Sistem IoT ................................................................................ 29
Gambar 2.12 Kerangka Pikir ............................................................................................ 30
Gambar 3.1 Diagram Alir Penelitian ................................................................................ 31
Gambar 3.2 Tata Letak Perangkat IoT Berdasarkan Denah Lokasi Uji Coba .................. 32
Gambar 3.3 Suhu di Tempat Uji Pada 12 Januari — 11 Februari 2021 ........................... 34
Gambar 3.4 Kelembapan di Tempat Uji Pada 12 Januari — 11 Februari 2021 ............... 35
Gambar 3.5 Kecepatan Angin di Tempat Uji Pada 12 Januari — 11 Februari 2021 ........ 36
Gambar 3.6 Jumlah Individu di Tempat Uji Pada 12 Januari — 11 Februari 2021.......... 36
Gambar 3.7 Kecerahan Gambar di Tempat Uji Pada 12 Januari — 11 Februari 2021 ..... 37
Gambar 3.8 Jumlah Arus Listrik di Tempat Uji Pada 12 Januari — 11 Februari 2021 .... 38
Gambar 3.9 (a) Algoritma dan (b) Rangkaian Stop Kontak IoT....................................... 40
Gambar 3.10 (a) Algoritma dan (b) Rangkaian Fiting IoT ............................................... 40
Gambar 3.11 (a) Algoritma dan (b) Rangkaian Kamera IoT ............................................ 41
Gambar 3.12 (a) Algoritma dan (b) Rangkaian Stasiun Kerja Lokal................................ 41
Gambar 3.13 Antarmuka Stop Kontak IoT di Situs Laman .............................................. 43
Gambar 3.14 Antarmuka Fiting IoT di Situs Laman ........................................................ 44
Gambar 3.15 Antarmuka Kamera IoT di Situs Laman ..................................................... 45
Gambar 3.16 Antarmuka Stasiun Kerja Lokal dan Situs Laman ...................................... 47
Gambar 4.1 Hasil Peramalan dan Arus Listrik Nyata Pada 12 Februari 2021.................. 48
Gambar 4.2 Latensi Data Pada 12 Januari — 11 Februari 2021 ....................................... 52
Gambar 4.3 Agregat Hasil Data Pada 12 Januari — 11 Februari 2021 ............................ 53
Gambar 4.4 Reliabilitas Data Pada 12 Januari — 11 Februari 2021 ................................ 54
Gambar 4.5 Ketersediaan Fungsional Data Pada 12 Januari — 11 Februari 2021 ........... 54

vii
 DAFTAR TABEL

Tabel 2.1 SOTA Berhubungan Dengan Penelitian ............................................................. 8

Tabel 2.2 Pola Umum ACF dan PACF untuk model AR dan MA ................................... 17
Tabel 3.1 Waktu Penelitian ............................................................................................... 32
Tabel 4.1 Kategori Penilaian Latensi Berdasarkan ETSI TIPHON TR 101 329 .............. 52
Tabel 4.2 Kategori Penilaian Agregat Hasil Berdasarkan ETSI TIPHON TR 101 329 ... 53
Tabel 4.3 Kategori Penilaian Reliabilitas dan Ketersediaan Fungsional .......................... 55

viii
 BAB I PENDAHULUAN

PENDAHULUAN

1.1 Latar Belakang

Arti penting kelistrikan menjadi sangat vital bagi individu modern di era
revolusi industri 4.0. Ditambah dengan potensi untuk melakukan Usaha Mikro,
Kecil dan Menengah (UMKM), intensitas penggunaan listrik rumah tangga menjadi
bertambah luas, baik sebagai prasarana produksi maupun sebagai alat bantu
konsumsi keluarga. Sebagai faktor produksi, ketersediaan daya listrik akan
menentukan laju perkembangan UMKM tersebut. Sementara sebagai faktor
konsumsi rumah tangga, listrik adalah sumber energi penting yang dipakai anggota
keluarga untuk mempermudah hidupnya.
Pola konsumsi listrik untuk rumah tangga sangat stokastik, sering berubah
dan berbeda jauh antar pelanggan [1]. Konsumsi listrik rumah tangga salah satunya
bergantung pada banyaknya peralatan listrik yang digunakan, jumlah individu yang
menghuni rumah, intensitas cahaya, cuaca, dan lain-lain [2]. Selain itu, karakteristik
penghuni juga dipertimbangkan sebagai faktor yang berpengaruh. Lama
penggunaan waktu luang di dalam rumah ternyata mempengaruhi besaran konsumsi
listrik juga [3].
Saat ini, penggunaan internet untuk segala atau Internet of Thing (IoT) pada
peralatan listrik rumah tangga sudah banyak dilakukan. Para praktisi IoT telah
memproduksi banyak jenis perangkat IoT yang bisa mengontrol alat listrik rumah
tangga dari jarak jauh (remote). Teknologi perabot elektronik seperti itu biasa
disebut dengan istilah rumah pintar (smart home). Apabila smart home IoT
ditambahkan fitur peramalan konsumsi listrik, maka peralatan rumah tangga dapat
lebih dioptimalisasi untuk menghemat listrik, meningkatkan efisiensi kerja, dan
otomatisasi.
Penentuan cara menghemat listrik juga akan lebih kompleks ketika suatu
rumah dihuni oleh banyak individu dan digunakan untuk banyak kepentingan.
Ragam kemungkinan cara menghemat listrik untuk mendapatkan biaya minimal

1
menjadi hal yang perlu diteliti (menggunakan perkembangan teknologi terkini).
Dari sisi riset, penelitian integrasi perangkat keras (hardware) dan lunak (software)
untuk meramal konsumsi listrik juga sudah banyak dikerjakan. Sementara secara
praktek, ada beragam cara merangkai hardware, algoritma, bahasa pemrograman,
platform, dan software sebagai bahan baku sistem smart home IoT yang memiliki
fungsi peramalan. Karena itulah, timbul ketertarikan untuk melakukan penelitian
ini dengan judul peramalan konsumsi listrik pada rumah pintar internet untuk segala
menggunakan hibridisasi algoritma PCA dan ARIMA.

1.2 Rumusan Masalah

Selanjutnya uraian masalah yang dipertanyakan pada penelitian ini

(berkaitan dengan upaya meramalkan konsumsi listrik) adalah:

1. Bagaimana pengaruh nilai arus listrik waktu nyata, jumlah penghuni rumah,
kondisi cuaca secara temperatur, kelembapan, dan kecepatan angin, serta
intensitas cahaya di dalam ruangan terhadap besaran konsumsi energi?
2. Bagaimana cara mengaplikasikan algoritma peramalan konsumsi listrik
terhadap variabel-variabel terukur pada rumah tangga?
3. Bagaimana cara mengembangkan hardware dan software yang cocok
dengan peralatan listrik rumah tangga lalu meramalkan konsumsi
listriknya?
4. Bagaimana cara mengintegrasikan hardware, software, dan algoritma
peramalan yang dibangun terpisah menjadi sistem IoT terpadu dengan
bantuan platform internet?
5. Bagaimana akurasi peralaman konsumsi listrik dan performa sistem IoT
yang diimplementasikan pada rumah hunian yang nyata?

1.3 Tujuan Penelitian

Sebagai jawaban atas rumusan masalah, tujuan pada penelitian ini

(berkaitan dengan upaya meramalkan konsumsi listrik) adalah:

2
1. Untuk mengetahui pengaruh nilai arus listrik waktu nyata, jumlah penghuni
rumah, kondisi cuaca secara temperatur, kelembapan dan kecepatan angin,
serta intensitas cahaya di dalam ruangan terhadap besaran konsumsi energi
2. Untuk mengetahui cara mengaplikasikan algoritma peramalan konsumsi
listrik terhadap variabel-variabel terukur pada rumah tangga
3. Untuk mengetahui cara mengembangkan hardware dan software yang
cocok dengan peralatan listrik rumah tangga lalu meramalkan konsumsi
listriknya
4. Untuk mengetahui cara mengintegrasikan hardware, software, dan
algoritma peramalan yang dibangun terpisah menjadi sistem IoT terpadu
dengan bantuan platform internet
5. Untuk mengetahui akurasi peralaman konsumsi listrik dan performa sistem
IoT yang diimplementasikan pada rumah hunian yang nyata

1.4 Manfaat Penelitian

Segala hal yang ditinjau pada penelitian ini bukan penemuan baru. Namun
sampai sekarang, hanya sedikit produsen perangkat smart home IoT yang
menambahkan fitur peramalan konsumsi listrik pada produknya. Sehingga hal
tersebut masih tergolong pionir inovasi ketika diintergrasikan, mengingat
kompleksnya keterkaitan antara variabel, algoritma, hardware, software, dan
platform yang semuanya dipadukan secara internet. Harapannya, hasil penelitian
ini bisa dilanjutkan implementasinya secara luas sebagai alat Industri Internet of
Things (IIoT) pada semua perangkat elektronik rumah tangga. Khususnya
perangkat elektronik yang berinteraksi dengan stop kontak (receptacle) dan fiting
(fitting) tegangan 220 Volt frekuensi 50 Hz.
Lalu apabila ditinjau secara peramalan, ada beragam algoritma yang bisa
digunakan [4] seperti diperlihatkan pada Gambar 1.1. Diantaranya adalah Analisis
Komponen Utama (AKU) atau Principal Component Analysis (PCA) dan
Otoregresif Rataan Bergerak Terintegrasi atau Autoregressive Integrated Moving
Average (ARIMA). Beberapa kelebihan metode PCA yaitu dapat digunakan untuk
segala kondisi data, dapat menghilangkan korelasi sehingga masalah

3
multikolinearitas teratasi, dan dapat memberikan kesimpulan yang lebih akurat
dibandingkan metoda lain [5]. Sementara kelebihan metoda ARIMA diantaranya
adalah memiliki sifat yang fleksibel (mengikuti pola data) dan memiliki tingkat
akurasi yang cukup tinggi jika digunakan untuk peramalan jangka pendek [6]. Pada
penelitian ini, diharapkan hibridisasi PCA dan ARIMA memberikan hasil
perhitungan yang mengombinasikan sifat unggul dari keduanya.

Gambar 1.1 Metode Peramalan Beban Jangka Pendek, Menengah, dan Panjang

1.5 Batasan Masalah

Agar memperoleh hasil penelitian yang jelas, tinjauan riset ini harus
dikerjakan secara spesifik dengan batasan masalah tertentu. Dengan
menggolongkan lima partisi tinjauan, yaitu secara hardware, software, variabel
yang berpengaruh, platform, dan algoritma peramalannya maka batasan masalah
penelitian ini adalah:

1. Bahan baku hardware pada penelitian ini ditujukan untuk membuat

rangkaian sensor, aktuator, dan pengontrol dengan komponen yang
ditentukan sebagai berikut:

4
 a. Stop kontak (receptacle) dan fiting (fitting) IoT: Mikrokontroler
EPS32, sensor arus ACS712 kapasitas 5 Ampere, saklar
elektromekanik Solid State Relay (SSR) 5 Volt kapasitas 10 Ampere
beban 220 VAC, dan modul catu daya 220 VAC ke 3.5-5 VDC.
b. Kamera pintar IoT: Mikrokontroler Raspberry Pi disingkat Raspi 3
Model B, RPi Camera (E) 5 megapixel dengan LED inframerah
untuk visi malam (night vision), sensor cahaya LDR (Light
Dependant Resistor), dan modul catu daya 220 VAC ke 3.5 VDC.
c. Stasiun kerja lokal: Mikrokontroler Raspi 4 Model B, LCD layar
sentuh (touch screen) XPT2046 ukuran 10.1 Inci tipe TFT (Thin
Film Transistor), papan ketik (keyboard) terintegrasi bantalan
sentuh (touchpad) dengan konektor mini USB, dan modul catu daya
220 VAC ke 3.5 VDC.
2. Variabel: Yang ditinjau pada penelitian ini adalah nilai arus listrik waktu
nyata, jumlah penghuni rumah, cuaca secara temperatur, kelembapan, dan
kecepatan angin, serta intensitas cahaya di dalam ruangan.
3. Algoritma peramalan konsumsi listrik: Digunakan hibridisasi metoda PCA
dan ARIMA.
4. Ada beberapa software dan pustaka (library) tambahan agar perangkat
smart home IoT dapat bekerja sebagai sistem terpadu, yaitu:
a. Arduino Interactive Development Environment (IDE) untuk
pemrograman fungsi-fungsi di ESP32.
b. Visual Studio Code untuk mengembangkan program Python dan
antarmuka di stasiun kerja LCD touch screen Raspi serta website.
c. Raspberry Pi OS sebagai sistem operasi Raspi berbasis Debian
GNU/Linux.
d. Python 3 IDE untuk mengembangkan aplikasi berbahasa Python di
Raspberry Pi OS.
e. OpenCV (Open Source Computer Vision) 4, TensorFlow, dan
Yolov3-Tiny sebagai library Python untuk mengolah informasi
pada pengolahan citra (image processing).

5
 f. NumPy (Numerical Python) dan Pandas sebagai library Python
untuk membantu perhitungan matematis agar lebih optimal dan
mengolah variabel secara Comma Separated Values (CSV) dan
array.
g. Scikit-Learn dan Pmdarima sebagai library Python untuk
memudahkan perhitungan pada proses peramalan jumlah arus listrik
menggunakan algoritma PCA dan ARIMA.
h. Matplotlib sebagai library Python untuk mengolah visualisasi data
numerik secara dua dimensi (kartesius), tiga dimensi, ataupun yang
bersifat kategori seperti diagram batang (bar chart) dan diagram
lingkaran (pie chart).
5. Sebagai kombinasi software dan hardware untuk menjalankan sebuah
program di internet, ada beberapa platform yang digunakan, yaitu:
a. GitHub sebagai layanan web bersama untuk pengembangan
software menggunakan sistem kendali versi Git dan layanan
penyimpanan data (hosting).
b. Amazon Web Services (AWS) sebagai layanan untuk menyimpan
data secara permanen di dalam server internet, pengiriman konten,
atau fungsionalitas lainnya yang berbasis komputasi awan (cloud
computing).

1.6 Sistematika Penulisan

Adapun sistematika penulisan pada penelitian ini adalah:

1. Bab I Pendahuluan: Berisi penjelasan tentang latar belakang masalah,

rumusan masalah, tujuan penelitian, manfaat penelitian, batasan masalah,
serta sistematika penulisan.
2. Bab II Tinjauan Pustaka: Berisi penjelasan tentang landasan teori yang
digunakan dalam penelitian. Diuraikan pula tentang penelitian terkait (berisi
penjelasan tentang hasil penelitian yang menjadi acuan dengan penelitian
yang dilakukan). Termasuk kutipan tulisan dari buku, artikel, jurnal,
prosiding, dan lain sebagainya untuk mengetahui perkembangan yang

6
 relevan dengan judul atau tema penelitian, dan sebagai arahan dalam
memecahkan masalah yang diteliti. Kerangka pikir juga diuraikan pada bab
ini, berisi penjelasan untuk memecahkan masalah yang sedang diteliti,
termasuk menguraikan objek penelitian.
3. Bab III Metodologi Penelitian: Berisi penjelasan tentang metode penelitian,
penentuan masalah, metode integrasi hardware, software, algoritma, kode
program, dan juga bagaimana pengembangan dan penerapan sistem obyek
penelitian. Selain itu bab III juga menjelaskan metode pengumpulan data,
analisis data, penerapan masalah penelitian, dan pengujian sistem secara riil.
4. Bab IV Analisis dan Pembahasan: Berisi penjelasan tentang hasil uji coba
serta implikasi dari penelitian yang dilakukan. Analisis merupakan
penjelasan mengenai data kuantitatif yang dikumpulkan (sesuai dengan
metodologi yang telah ditetapkan). Pembahasan berisi penjelasan tentang
pengolahan data dan interpretasinya, baik dalam bentuk deskriptif ataupun
penarikan inferensinya. Dijelaskan pula implikasi sebagai suatu argumen
tentang tindak lanjut yang terkait dengan aspek sistem, maupun aspek
penelitian lanjutan.
5. Bab V Kesimpulan dan Saran: Berisi penjelasan ringkasan implementasi
penelitian, rangkuman, kesimpulan (sementara) dan saran. Kesimpulan
merupakan pernyataan secara umum atau spesifik yang berisi hal-hal
penting dan menjadi temuan penelitian yang bersumber pada Bab IV Hasil
dan Pembahasan. Saran merupakan pernyataan atau rekomendasi yang
berisi hal-hal penting yang perlu dilakukan pada penelitian berikutnya.

7
 BAB II TINJAUAN PUSTAKA

TINJAUAN PUSTAKA

2.1 SOTA Penelitian Terkait

Tabel 2.1 menjelaskan tentang State of the Arts (SOTA). Artinya penelitian
ini merupakan perekaciptaan dan inovasi dari beberapa penelitian sebelumnya.
Sehingga mampu memberikan hasil yang lebih optimal dari yang telah ada
sebelumnya.

Tabel 2.1 SOTA Berhubungan Dengan Penelitian

Peneliti dan
No Judul Tahun Metode Hasil
Identitas Ilmiah
Memperkirakan Terdapat galat output yang
tagihan listrik pada dianggap wajar karena
Javier Contreras, keesokan harinya perhitungan tagihan listrik
Rosario Espínola, menggunakan dua memiliki kompleksitas
ARIMA Models
Francisco J. model algoritma tinggi. Galat prediksi
to Predict Next-
1 Nogales, Antonio 2003 ARIMA. Peramalan model pertama lebih besar
Day Electricity
J. Conejo (IEEE model pertama daripada model kedua. Ini
Prices
Transactions on dilakukan pada jam menambah bukti bahwa
Power Systems) kelima, sementara ARIMA lebih cocok
model yang lain pada dipakai untuk peralaman
jam kedua. jangka pendek.
Simulasi peramalan Simulasi pemodelan AR
beban listrik terhadap periodik tidak akurat
populasi & dibandingkan dengan
Short-Term Load perubahan cuaca metode PCA & ARIMA
J. W. Taylor, P. E.
Forecasting menggunakan (yang hasil prediksinya
McSharry (IEEE
2 Methods: An 2008 metode ARIMA, cukup baik). Sementara
Transactions on
Evaluation Based pemodelan AR simulasi menggunakan
power Systems)
on European Data periodik, pemulusan pemulusan data
data eksponensial dua eksponensial dua musiman
musiman Holt- Holt-Winters memberikan
Winters, dan PCA hasil paling akurat.

Analysis &
Modeling for
Short- to
George P. Medium-Term Simulasi peramalan
Papaioannou, Load Forecasting beban listrik terhadap
Christos Using a Hybrid kebutuhan sistem Prediksi regresi PCA
Dikaiakos, Manifold yang diamati & adalah metode yang paling
Anargyros Learning perubahan cuaca baik, sementara metode
3 Dramountanis, Principal 2016 menggunakan SARIMAX berada di
Panagiotis G. Component metode SARIMAX, urutan kedua mengungguli
Papaioannou Model & pemulusan data metode Holt-Winters,
(Energies, MDPI, Comparison with eksponensial Holt- ETS, ANN, & SVM
Open Access Classical Winters, ETS, regresi
Journal) Statistical Models PCA, ANN, & SVM
& Artificial
Intelligence
Models

8
 Peneliti dan
No Judul Tahun Metode Hasil
Identitas Ilmiah
Manajemen energi
Sistem IoT sanggup
perangkat IoT untuk
melakukan manajemen
mengontrol kipas
Vignesh Mani, energi dengan mengontrol
angin & bohlam
Abhilasha, kecepatan kipas angin &
secara otomatis
Gunasekhar, tingkat penerangan lampu
IoT Based Smart dilakukan
Lavanya & berdasarkan kelembapan,
Energy berdasarkan
4 Sankaranarayanan 2017 suhu, dan intensitas
Management informasi
(International cahaya. Data konsumsi
System kelembapan, suhu, &
Journal of Applied energi juga mampu
intensitas cahaya.
Engineering diakumulasikan &
Disamping itu, data
Research) ditampilkan pada
konsumsi listrik juga
antarmuka website sebagai
ditampilkan melalui
informasi tambahan
cloud repository

Simulasi peramalan
beban listrik harian Peramalan nonparametrik
terhadap perubahan memberikan output yang
cuaca menggunakan lebih baik daripada model
Improved
transformasi FS, BS, parametrik. Transformasi
Azadeh Arjmand, Forecasting of
SR, & PCA pada Box-Cox meningkatkan
Reza Samizadeh, Short-Term
praproses data lalu kinerja semua metode
Mohammad Electricity
mengaplikasikan peramalan. Dan setelah
5 Dehghani Saryazdi Demand by using 2018
tujuh metode membandingkan nilai
(Journal of Energy of Integrated
peralaman yang MAPE, Metode PCA &
Management and Data Preparation
berbeda, secara NARX menjadi yang
Technology) & Input Selection
parametrik (ARIMA, paling akurat diantara
Methods
ARIMAX, & MLR) semuanya, disusul oleh
serta nonparametrik metode ARIMAX
(NAR, SVR, ANFIS, berdasarkan temperatur.
& NARX)

Sistem IoT dengan

siklus nonaktif
otonom untuk Konsumsi energi pada
Achieving
menghemat energi peralatan elektronik rumah
Srishti Sharma, Energy
dikembangkan pada tangga berhasil dihemat
Hiren B. Patel, Efficiency using
peralatan elektronik menggunakan prototipe
Bela Shrimali Green Internet of
rumah tangga. Pola sistem IoT. Algoritma
6 (International Things through 2018
penggunaan alat ARIMA dapat
Journal of Incorporation of
disimpan di cloud ditingkatkan akurasi
Computer Machine
database lalu peramalannya jika
Applications) Learning
diproses dengan dihibridisasi dengan
Architecture
metode ARIMA metoda lain
menggunakan
Python.

Mikrokontroler
Prabakaran
dipakai untuk
Selvaraj, Parthiban Otomatisasi perangkat
mengontrol &
Mohandas, elektronik memberikan
memantau perangkat
Gunasekaran manfaat untuk menghemat
Power elektronik rumah
Sankar, S listrik & menambah
Consumption in tangga dari jarak jauh
Sugambari, R keamanan rumah.
7 Smart Home 2018 melalui website.
Subashini, T Prototipe yang dibuat
Using Raspberry Ditambah sensor
Sujitha dapat dilanjutkan
Pi temperatur untuk
(International pengembangannya menjadi
mengetahui keadaan
Journal of Pure & produk industri dengan
ruangan
Applied biaya yang murah.
menggunakan Raspi
Mathematics)
sebagai server.

9
 Peneliti dan
No Judul Tahun Metode Hasil
Identitas Ilmiah
Melakukan
S. Hadria, Y.
pengambilan data
Naitmalek, M.
kelistrikan melalui Penerapan praproses data
Najib, M.
alat IoT lalu diperlukan untuk
Bakhouya, Y. A Comparative
meramalkan meningkatkan kinerja
Fakhri, M. Study of
konsumsi energinya metode peramalan.
Elaroussid Predictive
terhadap tingkat Dimana metode
8 (International Approaches for 2019
okupansi bangunan & XGBOOST memberikan
Conference on Load Forecasting
pemakaian perangkat hasil paling akurat dengan
Emerging in Smart
elektronik kecepatan kalkulasi yang
Ubiquitous Buildings
menggunakan metode paling tinggi dibandingkan
Systems and
ARIMA, SARIMA, metode lainnya
Pervasive
XGBoost, RF, &
Networks)
LSTM
Pengembangan alat dapat
Kamal Rastogi, Mengembangkan alat
memberikan peringatan
Manish Kumar IoT, cloud
apabila ditemukan
Thakur computing, &
IoT Based Power penggunaan listrik yang
(International interface berbasis
9 Consumption 2019 tidak diinginkan. Dengan
Journal of Android sebagai
Controller cloud computing, data
Engineering sistem pemantauan
kelistrikan bisa dipakai
Research & konsumsi energi pada
untuk peramalan konsumsi
Technology) rumah tangga
energi
Pengembangan
sistem IoT Pengolahan citra
terintegrasi telepon pembelajaran mesin
genggam & platform OpenCV & TensorFlow
Marinheiro, R., Integration of
otomasi rumah memberikan kestabilan
Nunes, P., Mobile Devices
(Home Assistant & output yang lebih baik
Passinhas, R (Euro in Home
MQTT) berbasis dibandingkan algoritma
American Automation with
10 2020 Kontroler Raspi tradisional. MQTT juga
Conference on Use of Machine
melalui pengolahan menghemat jumlah
Telematics and Learning for
citra berbasis Python transmisi data sehingga
Information Object
(OpenCV & latensi interaksi mesin ke
Systems) Recognition
TensorFlow) untuk mesin (M2M) dapat
mendeteksi objek diterima pada operasi
menggunakan sensor waktu nyata
kamera

2.2 Algoritma Peramalan

2.2.1 PCA

PCA dibuat pertama kali oleh para ahli statistik dan ditemukan oleh Karl
Pearson pada tahun 1901, kemudian dikembangkan oleh Harold Hotelling. Tahun
1947, teori ini disempurnakan kembali oleh Karhunen, dan kemudian
dikembangkan lagi oleh Loeve pada tahun 1963, sehingga Metode PCA juga
dinamakan transformasi Karhunen-Loeve. Dalam statistika, PCA adalah teknik
yang digunakan untuk menyederhanakan suatu data, dengan cara transformasi linier
sehingga terbentuk sistem koordinat baru dengan varian maksimum [7]. PCA dapat

10
digunakan untuk penyederhanaan tanpa mengurangi karakteristik data secara
signifikan, sehingga lebih mudah untuk menginterpretasikan data-data tersebut [5].

Fungsi dari PCA adalah merangkum banyak variabel bebas X yang

memiliki indikasi saling berkorelasi ataupun saling mempengaruhi menjadi satu
atau lebih variabel baru yang memuat kombinasi dari variabel-variabel bebas X
sebelumnya. Hal ini akan memungkinkan hilangnya masalah multikolinearitas
ketika dibentuk suatu model regresi. Banyaknya variabel baru (komponen utama
atau principal component) yang terbentuk sama dengan banyaknya variabel asli.
Pereduksian (penyederhanaan) dimensi dilakukan dengan kriteria persentase
keragaman data yang diterangkan oleh beberapa komponen utama pertama. Apabila
beberapa komponen utama pertama telah menerangkan lebih dari 75% keragaman
data asli, maka analisis cukup dilakukan sampai dengan komponen utama tersebut.

Andaikan X’ = (X1, X2, ..., Xp) merupakan vektor peubah acak asal yang
diamati dengan matriks kovarian Σ = [ σ ij], maka komponen utama pertama yang
dilambangkan oleh Y1 didefinisikan sebagai Y1 = Σ aij Xj = a1’ X, yang
memaksimumkan ragam Y1, yaitu a1’ Σ a1, dengan kendala a1’ a1 = 1. Dengan kata
lain, komponen utama pertama adalah kombinasi linear terbobot dari variabel asal
yang dapat menerangkan keragaman terbesar.
Komponen utama kedua, dilambangkan oleh Y2 didefinisikan sebagai Y2 =
a2’ X, yang memaksimumkan ragam Y2, dengan kendala a2’ a2 = 1, dan tidak ada
korelasi antara Y1 dan Y2 (kovarian Y1 dan Y2 yaitu a1 Σ a2 = 0 yang nantinya akan
berarti a1’ a2 = 0). Dengan kata lain, komponen utama kedua adalah kombinasi
linear terbobot dari variabel asal yang tidak berkorelasi dengan komponen utama
pertama, serta memaksimumkan sisa keragaman data setelah diterangkan oleh
komponen utama pertama.
Komponen utama yang ketiga dilambangkan oleh Y3 didefinisikan sebagai
Y3 = a3’ X, yang memaksimumkan ragam Y3, dengan kendala a3’ a3 = 1, dan tidak
ada korelasi antara Y1 dan Y3 (kovarian Y1 dan Y3 yaitu a1’ Σ a3 = 0 yang nantinya
akan berarti a1’ a3 = 0), dan tidak ada korelasi antara Y2 dan Y3 (kovarian Y2 dan

11
Y3 yaitu a2’ Σ a3 = 0 yang nantinya akan berarti a2’ a3 = 0). Demikian seterusnya
untuk komponen utama ke-4 sampai yang ke-p seperti pada persamaan berikut:
Y1 = a11 X1 + a12 X2 + a13 X3 + … + ap1 Xp
Y2 = a21 X1 + a22 X2 + a23 X3 + … + ap2 Xp
... ... ... ...
… … … …
… ... ... ...
Yj = a1j X1 + a2j X2 + a3j X3 + … + apj Xp
Dengan menggunakan pengganda Lagrange diperoleh a1, a2, ..., ap sebagai
eigenvector yang berpandanan dengan eigenvalue λ1 ≥ λ2 ≥ ... λp dari matriks
kovarian Σ. Nilai eigenvalue ke-i merupakan komponen utama ke-i. Karena solusi
bagi vektor a merupakan eigenvector maka vektor ini tidak bersifat khas, misalnya
penggandaannya dengan -1 juga akan merupakan solusinya. Sementara salah satu
ukuran kesesuaian untuk memperoleh gambaran layak tidaknya penggunaan k
komponen utama pertama yang digunakan untuk interpretasi atau analisis
lanjutannya ialah persentase keragaman yang dapat dijelaskan oleh k komponen
utama pertama tersebut, yaitu (λ1 + λ2 + ... + λk)/(λ1 + λ2 + ... + λp) x 100%; dimana
λ1 + λ2 + ... + λk merupakan eigenvalue, matriks yang ditata dari yang terbesar ke
yang terkecil. Makin besar nilai ukuran kesesuaian tersebut, makin layak k
komponen utama pertama tersebut digunakan.
Penentuan banyaknya komponen utama yang akan digunakan dapat
ditentukan melalui beberapa cara diantaranya:
1. Kriteria eigenvalue: Ditentukan dengan memilih komponen utama yang
memiliki nilai eigen lebih besar atau sama dengan satu. Komponen utama
dengan nilai eigen kurang dari satu dikeluarkan dari analisis.
2. Kriteria apriori: Sudah ditetapkan terlebih dahulu berapa banyak komponen
utama yang akan digunakan
3. Kriteria persentase varian: Banyaknya komponen utama yang akan
digunakan ditentukan oleh persentase kumulatif varian
4. Kriteria scree (plot) test: Dilakukan dengan membuat plot eigenvalue
terhadap komponen utama berdasarkan urutan perolehannya. Kurva yang

12
 diperoleh menjadi dasar penetapan banyaknya komponen utama yang akan
digunakan. Banyak komponen utama ditentukan apabila kurva menjadi
datar dengan melihat pada sumbu komponen utama.

Gambar 2.1 Langkah Umum Algoritma PCA

Secara diagram, Gambar 2.1 memperlihatkan langkah umum algoritma

PCA untuk mendapatkan solusi komponen utama. Namun interpretasi dari peubah
baru yang diperoleh, komponen utama, kadangkala mudah, kadang sukar, bahkan
kadangkala dapat pula meragukan. Tidak ada jaminan bahwa komponen utama ini
mudah diinterpretasikan selain bahwa komponen utama ini merupakan peubah-
peubah baru (dengan segala sifat yang diinginkan) yang diharapkan dapat
mereduksi banyaknya peubah-peubah asal. Tampaknya pemahaman masalah yang
dihadapi dan penggunaan informasi dalam data asal misalnya matriks korelasi akan
dapat membantu upaya pengambilan simpulan yang layak. Untuk

13
menginterpretasikan komponen utama ke-i biasanya digunakan unsur-unsur dalam
eigenvector ai, yang bernilai relatif besar (baik positif maupun negatif) yang
digunakan untuk memperoleh peubah-peubah asal yang relatif berperan dalam
menentukan komponen utama ini dan kemudian menginterpretasikannya.

2.2.2 ARIMA

ARIMA sering juga disebut metode runtun waktu Box-Jenkins yang

dikembangkan oleh George Box dan Gwilym Jenkins pada tahun 1970. ARIMA
adalah model yang tidak stasioner [8]. Penggunaan metode ARIMA dalam
peramalan jangka pendek sangat tepat dan akurat. Sedangkan untuk peramalan
jangka panjang akurasinya kurang baik [9]. Biasanya nilai peramalan akan
cenderung konstan untuk periode yang cukup panjang.
Secara matematis, ARIMA terdiri atas tiga unsur yang digabung menjadi
satu yaitu AR (Autoregressive), MA (Moving Average) dan I (Integrated). Apabila
dibuat dalam bentuk umumnya menjadi ARIMA (p,d,q). Dimana p menyatakan
derajat proses AR, d menyatakan orde pembedaan Integrated, dan q menyatakan
derajat proses MA. Sesuai Gambar 2.2, model ARIMA terdiri dari tiga langkah
dasar, yaitu tahap identifikasi, tahap penaksiran dan pengujian, serta pemeriksaan
diagnostik [10]. Selanjutnya model ARIMA dapat digunakan untuk melakukan
peramalan jika model yang diperoleh telah memadai.

2.2.2.1 Model AR

Model Autoregressive dengan orde AR (p) atau model ARIMA (p,0,0)

dinyatakan sebagai Žt = Ø1 Žt-1 + Ø2 Žt-2 + ... + Øp Žt-p + at dimana Øp adalah
parameter Autoregressive ke-p, at adalah nilai kesalahan white noise pada saat t,
dan Žt-p adalah variabel independen. Yang dimaksud variabel independen
merupakan deretan nilai dari variabel yang sejenis dalam beberapa periode t
terakhir. Sedangkan at adalah error atau unit residual yang menggambarkan
gangguan acak yang tidak dapat dijelaskan oleh model. Proses perhitungan
Autoregressive dilakukan dengan cara menentukan model yang sesuai dengan deret

14
waktu, menentukan nilai orde p (menentukan panjangnya persamaan yang
terbentuk), dan mengestimasikan nilai koefiensi Autoregressive Ø1, Ø2, Ø3, ..., Øk

Gambar 2.2 Skema Pendekatan Metode ARIMA

2.2.2.2 Model MA

Model lain dari ARIMA adalah Moving Average yang dinotasikan dalam
MA (q) atau ARIMA (0,0,q) yang ditulis dalam persamaan Žt = at – θ1 et-1 - θ2 et-2
- ... - θq et-q dimana θq adalah parameter Moving Average, at adalah unit residual
atau white noise (error), dan et-1 - et-2 - et-3 - ... - et-q adalah selisih nilai aktual
dengan nilai prakiraan. Persamaan tersebut menunjukkan bahwa nilai Žt tergantung
nilai error sebelumnya dari pada nilai variabel itu sendiri. Untuk melakukan

15
pendekatan antara proses AR dan MA diperlukan pengukuran otokorelasi antara
nilai berturut-turut dari Žt sedangkan model Moving Average mengukur otokorelasi
antar nilai residual.

2.2.2.3 Model ARMA

Penggabungan model AR dan MA akan membentuk model baru, yaitu

ARMA (Autoregressive Moving Average) dengan orde ARMA (p,q). Adapun
bentuk umum persamaan ARMA merupakan gabungan dari persamaan AR dan MA
yang dinotasikan sebagai Žt = Ø1 Žt-1 + ... + Øp Žt-p + at – θ1 et-1 - ... - θq et-q

2.2.2.4 Proses Diferensiasi

Pemodelan AR dan MA memiliki teori dasar korelasi dan stasioneritas.

Maksudnya ARMA dapat digunakan ketika deret waktu telah membentuk grafik
yang stasioner, atau tidak membentuk kecenderungan (trend) naik maupun turun.
Namun bila data deret waktu tidak stasioner, maka perlu dilakukan proses
diferensiasi untuk mengubah data hingga menjadi stasioner dahulu sebelum dapat
diproses melalui ARMA. Data yang telah didiferensiasi lalu diolah dengan ARMA
ini disebut dengan ARIMA dengan parameter ARIMA (p,d,q) dengan d
menunjukkan jumlah proses diferensiasi yang dilakukan.

2.2.2.5 ACF dan PACF

Identifikasi untuk pemodelan data deret waktu memerlukan perhitungan dan

penggambaran dari hasil fungsi otokorelasi atau Auto Correlation Function (ACF)
dan fungsi otokorelasi parsial atau Partial Auto Corelation Function (PACF). Hasil
perhitungan ini diperlukan untuk menentukan model ARIMA yang sesuai, apakah
ARIMA (p,0,0) atau AR (p), ARIMA (0,0,q) atau MA (q), ARIMA (p,0,q) ARMA
(p,q), atau ARIMA (p,d,q). Sedangkan untuk menentukan ada atau tidaknya nilai d
dari suatu model, ditentukan oleh data itu sendiri. Jika bentuk datanya stasioner, d
bernilai 0, sedangkan jika bentuk datanya tidak stasioner, nilai d tidak sama dengan
0 (d > 0). Secara umum, Tabel 2.2 menjelaskan ringkasan terhadap pola ACF dan
PACF untuk model AR dan MA.

16
 Tabel 2.2 Pola Umum ACF dan PACF untuk model AR dan MA

Proses ACF PACF

Penurunan secara eksponensial; pada
AR (1) sisi positif jika Ø1 > 0 dan terbalik
pada sisi negatif jika Ø1 < 0
Penurunan secara eksponensial atau
gelombang sinus yang dimanpatkan.
AR (p)
Pola tepatnya bergantung pada tanda
dan besar Ø1, …, Øp
Puncak di lag ke-1 lalu turun ke nol, eksponensial; pada sisi
MA (1) puncak positif jika Ø1 < 0, negatif negatif jika Ø1 > 0 dan
jika Ø1 > 0
Puncak di lag ke-1 hingga q, lalu
MA (q)
turun ke nol
Puncak di lag ke-1 lalu turun
ke nol; puncak positif jika Ø1
> 0, negatif jika Ø1 < 0
Puncak di lag ke-1 hingga ke-
p, lalu turun ke nol
Penurunan secara
berbalik-balik tanda mulai
dari sisi positif jika Ø1 < 0
Penurunan secara
eksponensial atau gelombang
sinus yang dimampatkan.
Pola tepatnya tergantung pada
tanda dan besar Ø1, …, Øq

2.2.2.6 Tahapan Pemodelan

Tahapan-tahapan yang diperlukan untuk menentukan parameter ARIMA

serta pengujiannya sampai akhirnya digunakan sebagai model prakiraan adalah:
1. Tahap identifikasi: Tahapan ini digunakan untuk mencari atau menentukan
nilai p, d, dan q dengan bantuan fungsi otokorelasi atau Autocorrelation
Function (ACF) dan fungsi otokorelasi parsial atau Partial Autocorrelation
Function (PACF).
2. Tahap estimasi: Tahapan ini dilakukan setelah p dan q ditentukan dengan
mengestimasi parameter AR dan MA yang ada pada model. Estimasi ini
bisa menggunakan teknik kuadrat terkecil sederhana maupun dengan
metode estimasi tidak linier.
3. Tahap tes diagnostik: Tahapan ini dilakukan untuk meyakinkan bahwa
spesifikasi modelnya telah benar. Jika residualnya bersih (white noise),
maka modelnya sudah baik. Namun bila residualnya signifikan maka
modelnya dapat dikatakan kurang tepat dan perlu dicari spesifikasi yang
lebih baik. Untuk melakukan uji diagnostik, tahapannya adalah:

17
 a. Estimasi model ARIMA (p,d,q)
b. Hitung residual dari model tersebut
c. Hitung ACF dan PACF dari residual
d. Uji apakah ACF dan PACF signifikan. Bila ACF dan PACF tidak
signifikan, ini merupakan indikasi bahwa residual merupakan white
noise, artinya model sudah cocok.
4. Tahap Prakiraan: Tahapan ini dilakukan setelah modelnya lolos tes
diagnostik. Prakiraan ini sesungguhnya merupakan penjabaran dari
persamaan berdasarkan koefisien-koefisien yang diperoleh, sehingga
program dapat menentukan kondisi di masa yang akan datang.

2.3 Rumah Pintar IoT

IoT adalah konsep dimana suatu objek elektronik memiliki kemampuan

untuk mentransfer data melalui jaringan tanpa memerlukan interaksi manusia ke
manusia atau manusia ke komputer [11]. Pada dasarnya, IoT mengacu pada benda
yang dapat diidentifikasikan secara unik sebagai representasi virtual dalam struktur
berbasis internet. Cara kerja IoT yaitu dengan memanfaatkan sebuah argumentasi
pemrograman dimana tiap-tiap perintah argumennya itu menghasilkan sebuah
interaksi antar sesama mesin yang terhubung secara otomatis tanpa campur tangan
manusia pada jarak berapa pun. Internetlah yang menjadi penghubung di antara
kedua interaksi mesin tersebut, sementara manusia hanya bertugas sebagai pengatur
dan pengawas bekerjanya alat tersebut secara langsung.
Sementara smart home adalah sebuah rumah yang dilengkapi dengan
perabot elektronik yang perangkatnya terhubung ke jaringan IoT sehingga semua
fungsi rumah tangga dapat dikendalikan secara nirkabel [11]. Melalui teknologi
komputer, internet, aplikasi pemrograman, dan dukungan sistem operasi pada alat
kontrol, pengendali perangkat dan perabot smart home dapat juga berbasis situs
laman (website). Dengan demikian, rumah pun dapat dikendalikan dan diawasi dari
jarak jauh oleh pemilik rumah. Mengubah rumah tinggal menjadi smart home
adalah cara yang tepat untuk menghemat energi, uang, dan meningkatkan
keamanan.

18
2.3.1 Elemen Perangkat Keras
2.3.1.1 Mikrokontroler ESP32

ESP32 dibuat oleh Espressif Systems Shanghai Co Ltd. ESP32 adalah

sistem dengan biaya yang terjangkau dan bekerja dengan konsumsi daya sangat
rendah melalui fitur hemat daya [12]. Gambar 2.3 mengilustrasikan diagram pin
ESP32-WROOM-32. Spesifikasi ESP32-WROOM-32 adalah mikroprosesor
Tensilica Xtensa Dual-Core 32 Bit LX6, frequency clock up to 240 MHz, SRAM
520 kB, memori flash 4 MB, pemancar-penerima (transceiver) 11b/g/n WiFi,
transceiver Bluetooth 4.2/BLE, GPIO (General Purpose Input/Output) 48 pin,
kanal (channel) ADC (Analog to Digital Converter) 15 pin, channel DAC (Digital
to Analog Converter) 2 pin, dan PWM (Pulse Width Modulation) 25 pin.

Gambar 2.3 Pinout ESP32

2.3.1.2 Sensor Arus ACS712

ACS712 adalah sensor arus yang memiliki pembacaan dengan ketepatan

yang tinggi, karena didalamnya terdapat rangkaian linear Hall dengan satu lintasan
yang terbuat dari tembaga. Sensor ini dipasang seri dengan beban yang akan diukur.
Bentuk fisik dan fungsi terminal sensor ACS712 diperlihatkan pada Gambar 2.4.
Sensor ACS712 memiliki spesifikasi waktu naik (rise time) output 5 μs, kapasitas
bandwidth sampai dengan 80 kHz, total kesalahan output 1.5% pada suhu kerja

19
25°C, tahanan konduktor internal 1.2 mΩ, tegangan isolasi minimum 2.1 kV RMS
antara pin 1-4 dan pin 5-8, sensitivitas output 185 mV/A, mampu mengukur arus
AC atau DC hingga 30 A, tegangan output proporsional terhadap input arus AC
atau DC, tegangan kerja 5 VDC.

Gambar 2.4 Fungsi Terminal ACS712 Gambar 2.5 SSR SPDT 5 Terminal

2.3.1.3 Saklar Elektromekanik SSR

SSR adalah saklar (switch) yang dioperasikan secara listrik dan merupakan
komponen elektromekanikal yang terdiri dari 2 bagian utama yakni elektromagnet
(coil) dan mekanikal (seperangkat kontak saklar). Pada penelitian ini, relay
elektromagnet 5 Volt 50 mA akan menggerakan armature relay (yang berfungsi
sebagai saklarnya) untuk menghantarkan listrik 220 Volt 2 A. Gambar 2.5
menjelaskan relay Single Pole Double Throw (SPDT) yang memiliki 5 terminal
untuk menggerakan sejumlah kontaktor yang dapat dikendalikan dari rangkaian
elektronik lainnya dengan memanfaatkan tenaga listrik sebagai sumber energinya.

2.3.1.4 Mikrokontroler Raspi 3 Model B

Pada Februari 2016, Raspberry Pi Foundation mengembangkan komputer

mini Raspi 3 Model B untuk memperbarui kontroler Raspi 2. Sesuai Gambar 2.6,
Raspi 3 Model B dilengkapi dengan prosesor quad core 1.2GHz Broadcom
BCM2837 64bit CPU, maksimal 1GB RAM, 1x microSD card reader untuk
penyimpanan data, 4x USB 2.0 ports, 1x slot micro USB (untuk daya), HDMI
ukuran besar (full size), 100 base Ethernet, BCM43438 wireless LAN, Bluetooth,
serta 40 pin konektor GPIO. Ada pula konektor kamera CSI, 3.5 mm konektor
audio, dan header video komposit. Pada penelitian ini, Raspi 3 Model B akan

20
diintegrasi ke kamera untuk pengolahan citra menggunakan Python dan Raspberry
Pi OS.

Gambar 2.6 Pinout Raspberry Pi Model B

Gambar 2.7 Terminal Sensor LDR Gambar 2.8 Fitur Kamera RPi Visi Malam

2.3.1.5 Sensor Cahaya LDR

LDR (Light Dependent Resistor) adalah komponen elektronika yang nilai

resistansinya akan berubah apabila intensitas cahaya yang diserap juga berubah.
Sensor ini memungkinkan deteksi kecerahan dan intensitas cahaya dengan
menggunakan komparator LM393. Sesuai Gambar 2.7, sensor ini menghasilkan

21
dua jenis sinyal, yang dapat digunakan untuk memicu komponen lain dengan tipe
keluaran output tegangan analog atau digital. Pada penelitian ini, sensor LDR akan
diterminasi pada pin GPIO Raspi 3 Model B. Kontroler akan menonaktifkan fungsi
visi malam apabila ruangan dalam kondisi terang dan mengaktivasinya apabila
ruangan dalam kondisi gelap.

2.3.1.6 Kamera RPi (E) 5 Megapixel Fitur Visi Malam

Kamera Raspi night vision mendukung semua revisi dari produk kontroler
Raspi. Kamera ini mampu mencitrakan orang atau benda pada siang maupun malam
hari saat cerah maupun gelap. Selama alat dalam kondisi aktif, kamera akan terus
memonitor kondisi di dalam ruangan. Pada penelitian ini, kamera digunakan untuk
mendeteksi dinamika jumlah orang dan intensitas cahaya menggunakan program
pengolahan citra. Sesuai Gambar 2.8, kamera RPi memiliki spesifikasi dimensi
25mm x 24mm x 6mm, sensor OV5647 5 megapixel, ukuran CCD 1/4 inci, aperture
(F) 2.35, panjang fokus 3.51 mm, sudut pandang (diagonal) 69.1°, resolusi 1080 p,
daya output 3.3 V, serta mendukung infrared dan flash LED.

Gambar 2.9 Fitur LCD Layar Sentuh XPT2046 10.1 Inci TFT

2.3.1.7 Mikrokontroler Raspi 4 Model B

Pada Juni 2019, Raspberry Pi Foundation merilis produk varian baru Raspi
4 Model B untuk memperbarui kontroler Raspi 3. Raspi 4 Model B memiliki

22
spesifikasi prosesor Broadcom BCM2711 (1.5 GHz quad core Arm Cortex A72
CPU), VideoCore 6 GPU, maksimal 4GB RAM, microSD card reader untuk
penyimpanan data, 2x USB 3.0 ports, 2x USB 2.0 ports, 1x USB Type-C port
(untuk daya), 2x mikro HDMI 2.0 ports, Gigabit Ethernet, 3.5 mm konektor audio,
802.11ac WiFi, Bluetooth 5.0, dan 40 pin konektor GPIO. Pada penelitian ini, Raspi
4 Model B akan diintegrasikan dengan LCD Layar Sentuh 10.1 Inci TFT dan
berfungsi sebagai local workstation.

2.3.1.8 LCD Layar Sentuh XPT2046 10.1 Inci TFT

LCD Layar Sentuh TFT ini berfungsi menyediakan antarmuka local workstation
bagi kontroler Raspi 4 Model B. LCD terhubung melalui konektor GPIO yang
terdapat pada kontroler Raspi. LCD Layar Sentuh TFT ini memiliki fitur resolusi
tinggi 1024x600, kontrol sentuh resistif, kapasitas 60 FPS, kontrol lampu belakang
untuk menurunkan konsumsi daya, bekerja menggunakan Raspberry Pi OS, slot
HDMI untuk mengaktifkan tampilan, dan input daya 5V micro USB diambil
langsung dari Raspi (tidak diperlukan daya tambahan). Gambar 2.9 memperlihatkan
spesifikasi yang lebih detail mengenai LCD layar sentuh ini.

2.3.2 Elemen Perangkat Lunak

2.3.2.1 Arduino IDE

Arduino IDE merupakan lingkungan terintegrasi yang digunakan untuk

melakukan pengembangan. Disebut sebagai lingkungan karena melalui software
inilah dilakukan pemrograman untuk melakukan fungsi-fungsi yang dibenamkan
melalui sintaks. Arduino IDE dibuat dari bahasa pemrograman Java dan juga
dilengkapi dengan library C/C++. Pemrograman Arduino IDE dapat dilakukan
terhadap ESP32 (salah satunya) dengan cara menghubungkan komputer
menggunakan kabel data (mini USB) [12] seperti pada Gambar 2.10 (a).

2.3.2.2 Raspberry Pi OS

Untuk menggunakan kontroler Raspi dibutuhkan suatu sistem operasi.

Salah satu pilihannya adalah Raspberry Pi OS yang merupakan sistem operasi resmi
kontroler Raspi. Raspberry Pi OS memiliki 35.000 paket pra-kompilasi yang

23
beberapa diantaranya dibutuhkan pada penelitian ini. Diantara paket-paket itu
adalah Nano untuk menyunting (editor) teks, Piwheels untuk memasang Python 3
IDE, Chromium untuk menampilkan antarmuka smart home IoT di browser web,
dan sebagainya. Setelah instalasi, pengoperasian OS di kontroler Raspi dapat
dilakukan (salah satunya) dengan cara menghubungkan komputer menggunakan
kabel Ethernet (LAN) [13] seperti pada Gambar 2.10 (b).

(a) (b)
Gambar 2.10 (a) Pemrograman Arduino IDE Terhadap ESP32 Melalui Komputer, dan
(b) Koneksi Raspi dan Komputer Menggunakan Kabel LAN untuk Pemrograman

2.3.2.3 Python 3 IDE

Python diperkenalkan oleh Guido van Rossum sebagai bahasa
pemrograman untuk komputasi. Python merupakan interpreted atau scripting
language yang artinya program hanya perlu diketik untuk dieksekusi tanpa harus
dikompilasi terlebih dahulu. Sebagai bahasa pemrograman yang interpretatif
multiguna, Python menekankan pada keterbacaan kode agar lebih mudah untuk
memahami sintaks. Untuk melakukan pemrograman Python di Raspi, terdapat dua
pendekatan [14]. Pendekatan pertama menggunakan text editor untuk memulai
scritping lalu mengeksekusinya. Pendekatan kedua adalah menggunakan
interactive prompt seperti IDLE, IPython, dan Thonny.

Agar lebih optimal, kemampuan Python untuk mengolah citra juga perlu
ditambah dengan impor pustaka tambahan. Adapun pustaka yang dipakai untuk
membantu pengolahan citra pada program Python adalah:

24
1. OpenCV adalah pustaka API (Application Programming Interface) yang
ditujukan untuk pengolahan citra dinamis secara waktu nyata (real time),
dibuat oleh Intel Research tahun 1999. Program ini bebas pakai dan berada
dalam naungan sumber terbuka dari lisensi BSD (Berkeley Software
Distribution) serta bersifat lintas platform. Citra yang dibuat oleh alat
perekam (seperti kamera) akan dikonversi secara komputasi digital oleh
OpenCV. Tujuan pengolahan citra ini ada banyak, diantaranya untuk
memperbaiki kualitas atau untuk identifikasi gambar.

2. TensorFlow adalah library open source di bawah lisensi Apache 2.0 yang
dapat digunakan untuk komputasi numerik menggunakan grafik aliran data
[15]. TensorFlow dikembangkan oleh Google Brain Team yang saat itu
membutuhkan pembelajaran mesin (machine learning) untuk meningkatkan
layanannya. TensorFlow memperkenalkan ekosistem yang menyediakan
kumpulan alur kerja untuk mengembangkan dan melatih model, dimana
implementasinya bisa dipakai hampir pada semua hal. Komponen inti
TensorFlow adalah tensor (wadah yang menampung data dalam dimensi N)
dan grafik komputasi (entitas yang didefinisikan sebagai grafik berarah
dimana setiap titik redistribusi atau node sesuai dengan operasi matematika
tertentu).

3. Tiny-YOLOv3 adalah variasi library YOLO (You Only Look Once) yang
dipakai untuk memperbaiki kualitas deteksi objek dua langkah agar lebih
cepat memproses pengolahan citra secara real time. Cara kerja Tiny-
YOLOv3 yaitu dengan melihat seluruh gambar sekali, kemudian melewati
jaringan syaraf tiruan sekali, lalu langsung mendeteksi objek. YOLO
membagi citra menjadi beberapa wilayah dan memprediksi setiap kotak
pembatas dan probabilitas untuk setiap wilayah. Kotak-kotak pembatas ini
kemudian dibandingkan dengan setiap probabilitas yang diprediksi. Daerah
dengan citra yang diberi nilai paling tinggi akan dianggap sebagai sebuah
pendeteksian [16].

25
 Adapun pustaka yang dipakai pada program Python untuk membantu
kalkulasi matematis agar lebih optimal adalah:

1. NumPy adalah salah satu library open source yang dilengkapi dengan
sumber daya untuk membantu mengubah Python menjadi alat analisis dan
pemodelan ilmiah yang kuat. NumPy digunakan untuk kepentingan
komputasi dan manipulasi larik (array). Seperti OpenCV, library open
source ini tersedia di bawah lisensi BSD. NumPy memberdayakan Python
dengan struktur data substansial untuk memudahkan membangun data array
multidimensi (N multi-dimensional). NumPy berkemampuan dalam
menangani masalah komputasi aljabar linier (linear algebra equations),
perhitungan matriks, transformasi Fourier, dan bilangan acak [17]. NumPy
adalah bagian dari ekosistem berbasis Python yang lebih besar dari tool
open source yang disebut SciPy.

2. Pandas adalah salah satu library yang menawarkan fitur serbaguna untuk
analisis secara luas terhadap struktur data. Pandas mampu membentuk,
menggabungkan, menganalisis, dan memvisualisasikan kumpulan data
mentah (datasets) ke dalam sebuah bentuk yang bisa untuk diolah. Pandas
biasa digunakan untuk membuat tabel, mengubah dimensi data, mengecek
data, dan lain sebagainya. Seperti NumPy, Pandas adalah bagian dari SciPy
yang bersifat open source dibawah lisensi BSD. Pustaka ini berfungsi
dengan baik pada data yang tidak lengkap, tidak terstruktur, dan tidak
teratur.

3. Scikit-learn atau Sklearn adalah library berbasis Python untuk membangun

model pembelajaran mesin yang dirancang beroperasi dengan NumPy,
SciPy, dan Matplotlib. Pustaka ini awalnya dikembangkan oleh David
Cournapeau di tahun 2007. Sklearn bersifat library open source dan tersedia
di bawah lisensi BSD. Fitur Sklearn menyediakan banyak algoritma
pembelajaran dengan supervisi dan tanpa supervisi untuk regresi (model
linier dan non-linier), pengelompokan/penggugusan, klasifikasi, praproses

26
 data, reduksi dimensi, dan seleksi model (pembandingan, validasi, serta
pemilihan parameter) melalui interface yang konsisten.

4. Pmdarima (pyramid-arima) adalah library statistik yang dirancang untuk

analisis deret waktu pada program Python. Pmdarima memiliki sebuah
fungsional untuk melakukan pemilihan parameter ARIMA yang paling
optimal kemudian mengembalikan model yang sudah tepat terhadap
datasets yang diberikan. Fungsional itu disebut auto ARIMA, yaitu ARIMA
otomatis yang dibuat untuk menemukan urutan dan musiman optimal
berdasarkan kriteria dan batasan parameter yang ditentukan, sesuai dengan
model terbaik terhadap deret waktu variabel tunggal (univariabel). Beberapa
fitur Pmdarima adalah kumpulan uji statistik stasioneritas dan musiman,
utilitas deret waktu (seperti proses diferensiasi dan invers diferensiasi),
beragam jenis transformasi endogen dan eksogen (termasuk transformasi
Box-Cox dan Fourier), dekomposisi deret waktu musiman, serta utilitas
validasi silang.

5. Matplotlib merupakan bagian dari paket inti SciPy dan berada di bawah
lisensi BSD. Matplotlib dibuat oleh John D. Hunter Tahun 2002 dan terus
berkembang hingga dikelola oleh komunitas yang aktif. Matplotlib
dirancang fokus pada visualisasi data seperti membuat grafik (chart),
histogram, dan bentuk gambar kreatif lain tanpa perlu menulis banyak baris
kode. Matplotlib juga dapat digunakan untuk memvisualisasikan data secara
2D maupun 3D dan menghasilkan gambar berkualitas dalam berbagai
format. Visualisasi dari Matplotlib adalah sebuah gambar grafik yang terdiri
dari satu sumbu atau lebih. Setiap sumbu memiliki sumbu horizontal (X)
dan sumbu vertikal (Y), dan data yang direpresentasikan menjadi warna dan
simbol seperti cap (contohnya bentuk lingkaran), garis, atau poligon [18].

2.3.2.4 Visual Studio Code

Visual Studio Code atau VSCode merupakan suatu software IDE lengkap
(suite) yang digunakan untuk mengembangkan program dalam bentuk bahasa

27
mesin berbasis Windows OS (native code) ataupun dalam bentuk Common
Intermediate Language pada .NET framework (managed code). Seiring
berkembangnya teknologi informasi, VSCode tidak hanya bisa mengembangkan
program berbasis desktop, tetapi juga dapat digunakan untuk pembuatan aplikasi
berbasis web dan mobile. VSCode mendukung banyak bahasa pemrograman,
diantaranya adalah Python, C++, C#, Visual Basic, dan Java Script. Selain itu
sarana pengembangannya bersifat visual sehingga memudahkan pengguna untuk
membuat aplikasi, pemrograman bisa dikerjakan memakai tetikus (mouse-driven)
dan berdaya guna tinggi (untuk membuat objek-objek pembantu program dan
aplikasi internet, menguji program atau debugging, serta menghasilkan program
siap pakai) [19].

2.3.2.5 Platform Internet

1. GitHub adalah aplikasi berbasis website dengan Version Control System

(VCS) yang menyediakan layanan untuk menyimpan repository secara
gratis. Penyimpanan (repository) GitHub merupakan tempat yang dapat
digunakan untuk mengunggah (upload) berbagai data (file) berupa source
code. Selain itu, aplikasi ini juga dapat dipakai untuk memudahkan
manajemen proyek sehingga tim yang berkolaborasi dapat terus melakukan
pemutakhiran (update) secara rutin, termasuk melacak dan menyimpan
perubahan-perubahan yang terjadi pada proyek tersebut. Aplikasi ini sangat
populer dan banyak digunakan termasuk oleh perusahaan-perusahaan besar
seperti Facebook, Google, dan Twitter.

2. AWS adalah sekumpulan layanan yang dapat dikelompokkan menjadi 5

bagian besar, yaitu komputasi, penyimpanan, basis data, jaringan, dan
aplikasi berbasis cloud computing yang disediakan oleh Amazon sejak
tahun 2002. AWS menyediakan platform infrastruktur yang saling
terintegrasi, mudah dikustomisasi, andal, dapat ditingkatkan, dan berbiaya
rendah. Konsep yang sangat penting dalam AWS adalah penggunaan suatu
teknik sebagai virtualisasi yang disebut instance, dimana para pengguna
bisa melakukan pengembangan aplikasinya diatas berbagai perangkat keras

28
 dengan cara yang serupa dengan saat pengembangan aplikasi dilakukan
pada sebuah mesin tunggal. Perangkat lunak virtualisasi memastikan bahwa
masing-masing instance secara logika dapat saling berbagi waktu kerja CPU
(Central Processing Unit) dan berbagi ruang memori dengan cara yang
benar tanpa saling berinterferensi satu dengan lainnya.

Gambar 2.11 Rancangan Sistem IoT

2.4 Rancangan Sistem IoT

Gambar 2.11 memperlihatkan rancangan sistem IoT yang dikembangkan

pada penelitian ini. Agar sistem IoT nyaman untuk digunakan, desain interface
harus mudah dimengerti. Selubung (casing) dan rangkaian (wiring) keempat jenis
hardware juga ikut ditinjau aspek keamanan (safety) dan ergonominya. Untuk
mempermudah revisi dari jarak jauh (remote), fitur OTA (Over The Air) dan SSH
(Secure Shell) digunakan pada semua jenis hardware dalam rangka pembaruan
program, rekonfigurasi, dan distribusi melalui internet. Lalu untuk mengoptimasi
pertukaran data seefisien mungkin, menekan ukuran paket data agar menjadi sekecil
mungkin, meminimalisir penggunaan ruang penyimpanan dan proses komputasi
mesin ke mesin (M2M), digunakan protokol MQTT (Message Queue Telemetry
Transport) [20].

29
 Masalah
1. Kontrol dan monitor alat elektronik rumah tangga melalui internet
2. Olah citra untuk mendapatkan variabel jumlah okupansi dan intensitas cahaya
3. Mengumpulkan data cuaca sebagai variabel yang berpengaruh
4. Meramalkan konsumsi listrik keesokan harinya

Solusi
Mengembangkan sistem IoT yang andal serta mampu mengumpulkan
data cuaca, mengolah citra, dan meramalkan konsumsi listrik

Data
Pengambilan data berdasarkan hasil percobaan

Hasil
Sistem IoT yang andal dan mampu melakukan peramalan
konsumsi listrik berdasarkan tinjauan variabel pada penelitian ini

Validasi
Uji akurasi peramalan konsumsi listrik dan performa sistem IoT

Gambar 2.12 Kerangka Pikir

2.5 Kerangka Pikir

Sesuai Gambar 2.12, kerangka pemikiran adalah suatu diagram yang

menjelaskan secara garis besar alur logika berjalannya penelitian ini. Proses
penelitian ini mencakup permasalahan yang diteliti, dianalisis dan disimpulkan
menjadi hasil temuan. Kerangka pikir memuat langkah-langkah dalam
menyelesaikan permasalahan yang terkait. Tiga jenis kerangka pikir yang
digunakan pada penelitian ini adalah kerangka teoritis, operasional, dan konseptual.
Adapun langkah-langkah atau tahapan tersebut, yaitu menentukan variabel yang
detail, menentukan kunci permasalahan yang dibahas, mengevaluasi teori-teori dan
SOTA yang terkait, mendeskripsikan teori serta melakukan percobaan,
menganalisis teori dan juga hasil penelitian, kemudian mengambil kesimpulan
(sementara).

30
 BAB III METODE PENELITIAN

METODE PENELITIAN

3.1 Tahapan Penelitian

Gambar 3.1 Diagram Alir Penelitian

Secara diagram alir, Gambar 3.1 menjelaskan tahapan penelitian yang

dilakukan. Pada penelitian ini, hardware dibuat menggunakan komponen-

31
komponen yang telah banyak diaplikasikan pada dunia industri (elektronika).
Pengolahan citra dan algoritma peramalan juga dibuat menggunakan bahasa
pemrograman yang telah banyak diaplikasikan pada dunia riset (untuk perhitungan
matematika lanjut). Interkoneksi hardware dan program diintegrasikan memakai
layanan cloud computing yang sudah terbukti andal. Lalu fungsi-fungsinya
ditampilkan secara interface menggunakan akses jaringan internet yang sudah
sangat umum. Dengan pilihan topologi tersebut, hasil penelitian ini juga bisa
menjadi produk IIoT yang mudah digunakan oleh konsumen awam.

3.2 Waktu dan Lokasi Penelitian

3.2.1 Waktu

Jadwal pelaksaan penelitian yang ditampilkan pada Tabel 3.1 dimulai dari
penyusunan usulan penelitian sampai terlaksananya laporan yaitu pada bulan
Februari sampai selesai. Dengan seluruh kerangka pikir yang sudah detail, langkah-
langkah penelitian ini bisa diselesaikan dalam waktu kurang dari enam bulan.

Tabel 3.1 Waktu Penelitian

No. Uraian Kegiatan Waktu Pelaksanaan
1 Studi literatur Februari 2021
2 Desain dan perancangan sistem Maret 2021
3 Pengujian sistem April 2021
4 Dokumentasi dan laporan Mei 2021

Stasiun Fiting 2 Kamera 3

Akses Jalan
Kerja Lokal
Plug 2 Kamera 2
Kamera 1
Fiting 3

Plug 3
Plug 4 Fiting 4 Plug 5 Fiting 5
Plug 1 Fiting 1
Ruang Workshop
Ruang Belajar Kamar 1 Kamar 2 Toilet dan Mencuci

Gambar 3.2 Tata Letak Perangkat IoT Berdasarkan Denah Lokasi Uji Coba

32
3.2.2 Lokasi

Pengembangan hardware dan software dilakukan di Laboratorium

Kecerdasan Buatan, Fakultas Teknik, Jurusan Teknik Elektro, Kampus Universitas
Hasanuddin, Gowa. Selanjutnya, sistem IoT diuji coba pada suatu rumah hunian
dengan tata letak instalasi perangkat dilakukan berdasarkan denah Gambar 3.2.

3.3 Jenis Penelitian

Jenis penelitian ini merupakan penelitian eksperimental yang bersifat

aplikatif sehingga dari ruang lingkup masalah dapat dilakukan metode studi
pustaka, pengumpulan data uji coba, serta pengembangan sistem menggunakan
berbagai hardware dan software. Sementara secara hardware, pada penelitian ini
dikembangkan lima stop kontak (receptacle), lima fiting (fitting), tiga kamera, dan
satu unit local workstation yang melakukan kalkulasi peramalan dilengkapi
antarmuka sebagai penghubung manusia dan mesin atau proses. Selanjutnya
penelitian diuji pada satu rumah hunian tipe 65 yang dihuni tetap oleh tiga individu.

3.4 Sumber Data

Ada dua jenis pengumpulan data pada penelitian ini, yaitu:

1. Data primer: Pengambilan data primer diperoleh berdasarkan studi literatur
yang dilakukan selama penelitian. Data primer merupakan hasil penelitian-
penelitian terdahulu yang masih perlu disempurnakan peningkatan fungsi
dan keandalannya.
2. Data sekunder: Pengambilan data sekunder merupakan hasil uji coba
berdasarkan pengembangan hardware dan software. Data sekunder
merupakan hasil pengembangan dari data sebelumnya yang telah
dikembangkan berdasarkan teori dan percobaan.

3.4.1 Data Sekunder Kondisi Cuaca

Beberapa unsur cuaca dan iklim adalah suhu udara, kelembapan, dan
kecepatan angin. Penelitian ilmiah membuktikan adanya hubungan antara konsumsi
daya listrik terhadap perubahan cuaca [2]. Di daerah tropis, saat musim kemarau

33
pemakaian daya listrik bertambah, dimungkinkan oleh penggunaan mesin penyejuk
udara. Dan sebaliknya saat musim penghujan penggunaan mesin penyejuk udara
menurun. Sementara fenomena yang terjadi di daerah subtropis adalah pemakaian
daya listrik bertambah ketika musim dingin, dimungkinkan oleh penggunaan mesin
penghangat ruangan. Dan sebaliknya saat musim panas penggunaan mesin
penghangat ruangan menurun. Pada penelitian ini, nilai keadaan cuaca diambil dari
sumber https://openweathermap.org secara waktu nyata.

3.4.1.1 Temperatur

Suhu udara adalah besaran pokok fisika tentang keadaan panas atau
dinginnya udara. Suhu udara tertinggi di bumi adalah di daerah tropis (sekitar
ekuator) dan semakin dingin di daerah kutub. Perubahan suhu udara disebabkan
oleh adanya kombinasi kerja antara molekul udara, perbedaan kecepatan proses
pendinginan dan pemanasan suatu wilayah, serta jumlah kadar air permukaan bumi.
Suhu dengan temperatur berbeda dari tempat yang satu dan lainnya akan
berpengaruh terhadap cuaca. Suhu yang diukur https://openweathermap.org
menggunakan satuan Celcius (°C). Data suhu sekitar tempat penelitian yaitu di
Desa Romang Lompoa, Bontomarannu, Gowa Tanggal 12 Januari — 11 Februari
2021 diperlihatkan pada Gambar 3.3.

Gambar 3.3 Suhu di Tempat Uji Pada 12 Januari — 11 Februari 2021

34
3.4.1.2 Kelembapan

Kelembapan udara menyatakan jumlah uap air di udara. Sumber utama uap
air di udara berasal dari penguapan samudera. Sumber lainnya berasal dari danau,
sungai, tumbuhan, dan lain sebagainya. Semakin tinggi suhu udara, semakin banyak
uap air yang terkandung di udara, artinya menambah kelembapan udara tersebut.
Kelembaban relatif menunjukkan perbandingan jumlah uap air di udara dengan
jumlah uap air maksimum yang bisa dikandung oleh udara pada suhu yang sama.
Kelembapan yang diukur https://openweathermap.org menggunakan satuan
presentase (%) kelembaban relatif RH. Data kelembapan sekitar tempat penelitian
yaitu di Desa Romang Lompoa, Bontomarannu, Gowa Tanggal 12 Januari — 11
Februari 2021 diperlihatkan pada Gambar 3.4.

Gambar 3.4 Kelembapan di Tempat Uji Pada 12 Januari — 11 Februari 2021

3.4.1.3 Kecepatan Angin

Angin adalah pergerakan udara dari daerah yang bertekanan tinggi ke

daerah yang bertekanan rendah. Terjadinya angin dipengaruhi oleh rotasi bumi
bersamaan dengan proses pemanasan suatu wilayah oleh matahari. Apabila
dipanaskan, udara memuai. Udara yang memuai menjadi lebih ringan dan tekanan
udara turun karena kepadatan udara berkurang. Udara dingin kemudian mengalir
ke tempat yang bertekanan rendah tersebut. Kecepatan angin yang diukur

35
https://openweathermap.org satuannya adalah meter per detik (m/s). Data
kecepatan angin sekitar tempat penelitian yaitu di Desa Romang Lompoa,
Bontomarannu, Gowa Tanggal 12 Januari — 11 Februari 2021 diperlihatkan pada
Gambar 3.5.

Gambar 3.5 Kecepatan Angin di Tempat Uji Pada 12 Januari — 11 Februari 2021

3.4.2 Data Sekunder Jumlah Individu

Gambar 3.6 Jumlah Individu di Tempat Uji Pada 12 Januari — 11 Februari 2021

36
 Pustaka Yolov3-Tiny menggunakan pendekatan yang berbeda dengan
algoritma lainnya, yakni menerapkan jaringan syaraf konvolusi pada keseluruhan
gambar [16]. Dengan Raspi 3 Model B, gambar yang diperoleh dari kamera akan
diolah secara digital menggunakan program Python. Penggunaan pustaka Yolov3-
Tiny pada program Python bersifat dependensi terhadap pustaka lain, yaitu
Tensorflow, NumPy, dan OpenCV. Setelah menulis import pustaka-pustaka
tersebut di kode program, kontroler akan terus bekerja menganalisis gambar secara
kontinu dan mengirim hasil deteksi jumlah individu ke AWS cloud computing dan
local worksation. Dengan rata-rata tingkat bingkai gambar 0.8 FPS, data jumlah
individu yang dideteksi oleh tiga kamera di lokasi uji coba Tanggal 12 Januari —
11 Februari 2021 diperlihatkan pada Gambar 3.6.

3.4.3 Data Sekunder Intensitas Cahaya

Gambar 3.7 Kecerahan Gambar di Tempat Uji Pada 12 Januari — 11 Februari 2021

Untuk mengetahui intensitas cahaya melalui kecerahan dari warna gambar

digunakan nilai Value pada model HSV. Karena HSV merupakan model warna
yang diturunkan dari model RGB, maka untuk mendapatkan nilai Value perlu
dilakukan konversi dari model RGB ke HSV. Dengan Raspi 3 Model B, gambar
yang diperoleh dari kamera akan diolah secara digital menggunakan program
Python. Setelah menulis import pustaka OpenCV di kode program, kontroler akan

37
terus bekerja menganalisis gambar secara kontinu, melakukan konversi model
warna RGB ke HSV, lalu mengirim nilai Value model HSV ke AWS cloud
computing dan local worksation. Dengan rata-rata tingkat bingkai gambar 0.8 FPS,
data jumlah individu yang dideteksi oleh tiga kamera di lokasi uji coba Tanggal 12
Januari — 11 Februari 2021 diperlihatkan pada Gambar 3.7.

3.4.4 Data Sekunder Arus Listrik

Gambar 3.8 Jumlah Arus Listrik di Tempat Uji Pada 12 Januari — 11 Februari 2021

Arus listrik merupakan aliran elektron yang terjadi akibat jumlah muatan
yang mengalir dari satu titik ke titik lain dalam suatu rangkaian tiap satuan waktu.
Peralatan listrik rumah tangga pasti memiliki hambatan, dan jika difungsikan pasti
memerlukan tegangan (V), arus listrik (I), dan waktu penggunaan (t). Hambatan,
tegangan, kuat arus, dan waktu inilah yang memengaruhi besarnya konsumsi energi
listrik. Arus listrik yang diukur oleh sensor ACS712 satuannya adalah Ampere (A),
yang merupakan aliran muatan listrik melintasi permukaan dengan kecepatan satu
Coulomb per detik. Data jumlah arus listrik yang dideteksi oleh lima sensor
ACS712 di lokasi uji coba Tanggal 12 Januari — 11 Februari 2021 diperlihatkan
pada Gambar 3.8.

3.5 Instrumentasi Penelitian

Instrumen yang digunakan pada penelitian ini adalah:

38
1. Lenovo Thinkpad X1 Carbon i5 dengan Windows OS sebagai alat untuk
melakukan pemrograman, simulasi, dan membuat dokumentasi
2. EPS32, sensor arus ACS712, aktuator relay, Raspi 3 Model B, sensor
cahaya LDR, RPi kamera visi malam, Raspi 4 Model B, dan LCD touch
screen sebagai komponen hardware pada sistem IoT
3. Modem Wi-Fi sebagai alat untuk mengakses internet dalam rangka
mengumpulkan informasi dan melakukan percobaan sistem IoT
4. Thonny sebagai software untuk pemrograman Python di Raspberry Pi OS
5. Visual Studio Code sebagai software untuk pemrograman bahasa Python
dan desain antarmuka di Windows OS
6. Arduino IDE sebagai software untuk pemrograman mikrokontroler ESP32

3.6 Pengembangan Perangkat Keras

3.6.1 Perangkat Keras Stop Kontak IoT

Pada smart home IoT, steker dihubungkan ke stop kontak rumah untuk
mendapatkan sumber tegangan. Sementara soket dihubungkan ke steker peralatan
elektronik yang ingin dipantau dan dikontrol melalui internet. Sesuai Gambar 3.9,
komponen yang perlu ditambahkan pada perangkat elektronik tersebut adalah
mikrokontroler EPS32, sensor arus ACS712, dan saklar elektromekanik SSR. Lalu
untuk memenuhi kebutuhan daya komponen elektronik pemantau dan pengontrol,
ditambahkan modul catu daya 220 VAC ke 3.5-5 VDC.

3.6.2 Perangkat Keras Fiting IoT

Selanjutnya, komponen yang dibutuhkan untuk mengontrol lampu rumah

tangga adalah mikrokontroler EPS32 dan saklar elektromekanik SSR sesuai
Gambar 3.10. Lalu untuk memenuhi kebutuhan daya komponen elektronik
pengontrol tersebut, ditambahkan modul catu daya 220 VAC ke 3.5-5 VDC.
Konsumsi listrik pada peralatan lampu dianggap tidak besar, sehingga alat ini tidak
dilengkapi dengan sensor arus. Namun aktuasi alat ini tetap terintegrasi melalui
interface dan aktivasinya mempengaruhi besar intensitas cahaya sebagai salah satu
variabel pada peramalan.

39
 (a) (b)
Gambar 3.9 (a) Algoritma dan (b) Rangkaian Stop Kontak IoT

(a) (b)
Gambar 3.10 (a) Algoritma dan (b) Rangkaian Fiting IoT

40
 (a) (b)
Gambar 3.11 (a) Algoritma dan (b) Rangkaian Kamera IoT

(a) (b)
Gambar 3.12 (a) Algoritma dan (b) Rangkaian Stasiun Kerja Lokal

41
3.6.3 Perangkat Keras Kamera IoT

Penggunaan kamera di kontroler Raspi sangatlah mudah. Sesuai Gambar

3.11. Raspi 3 Model B dilengkapi konektor DSI (Display Serial Interface) dan CSI
(Camera Serial Interface) sehingga kamera bisa terhubung ke kontroler
menggunakan kabel pita (ribbon) 22 pin. Raspberry Pi OS juga menyediakan kode
perintah yang lengkap untuk pengambilan gambar dan perekaman video. Aplikasi
kamera Raspi pada penelitian ini tidak hanya sebagai CCTV yang
mempublikasikan gambar ke internet, tapi juga sebagai kamera pintar untuk
pengolahan citra.

3.6.4 Perangkat Keras Stasiun Kerja Lokal

Yang dimaksud stasiun kerja (workstation) pada penelitian ini adalah

komputer mini yang digunakan untuk melakukan perhitungan ilmiah, serta untuk
keperluan interface pemantauan dan pengontrolan stop kontak, fiting, dan kamera,
yang bisa bekerja dengan atau tanpa jaringan internet. Ketika fungsi IoT gagal, local
workstation adalah cadangan cloud computing dan website interface untuk
melakukan kalkulasi peramalan, pemantauan dan pengontrolan alat-alat
menggunakan jaringan privat intranet. Demi mendukung keperluan itu, komponen
local workstation terdiri dari Mikrokontroler Raspi 4 Model B, LCD Layar Sentuh
XPT2046 10.1 Inci TFT, keyboard terintegrasi touchpad dengan konektor mini
USB, dan modul catu daya 220 VAC ke 3.5-5 VDC sesuai Gambar 3.12.

3.7 Pengembangan Program Antarmuka

Untuk mengaktifkan fungsi IoT, definisi SSID (Service Set Identifier) dan
kata sandi sesuai dengan access point perlu diatur agar kontroler terhubung ke
internet. Setelah itu, kode program yang sudah dihimpun pada Arduino IDE dan
Python akan mengarahkan komunikasi ESP32 dan Raspi langsung ke laman muka
(home page) alamat website yang ditentukan. Pada penelitian ini, antarmuka yang
dikembangkan menggabungkan keterampilan desain grafis dan pemrograman.
Antarmuka diharapkan mampu memberikan informasi dan laporan yang lengkap,

42
respon yang cepat secara real time, mudah dipakai, interaktif, serta komunikatif
sehingga penggunaannya dapat dilakukan oleh siapa saja.

3.7.1 Program Antarmuka Stop Kontak IoT

Gambar 3.13 Antarmuka Stop Kontak IoT di Situs Laman

Antarmuka stop kontak IoT disesuaikan dengan spesifikasi perangkat keras

dan fungsinya. Setelah menulis kode program untuk ESP32 (menggunakan Arduino
IDE) dan cloud hosting (menggunakan VSCode), AWS akan terus bekerja
memperbarui gambar antarmuka terhadap keadaan hardware yang sebenarnya
sesuai Gambar 3.13. Informasi yang ditampilkan pada antarmuka stop kontak IoT
adalah:

1. Gambar tombol untuk menonaktifkan atau mengaktivasi stop kontak.

2. Gambar yang menirukan hubungan steker dengan stop kontak.
3. Kolom teks yang menampilkan catatan peristiwa (event log) selama 24 jam
terakhir.
4. Kolom angka yang menunjukkan besaran arus listrik secara real time.

43
5. Tombol dan kolom angka untuk menambahkan penjadwalan aktivasi dan
pemadaman harian otomatis (daily timer schedule).
6. Tombol untuk melihat grafik besar arus listrik selama 24 jam terakhir dan
peramalan esok harinya.

Gambar 3.14 Antarmuka Fiting IoT di Situs Laman

3.7.2 Program dan Antarmuka Fiting IoT

Hal yang sama untuk antarmuka fiting IoT juga disesuaikan dengan
spesifikasi perangkat keras dan fungsinya. Setelah menulis kode program untuk
ESP32 (menggunakan Arduino IDE) dan cloud hosting (menggunakan VSCode),
AWS akan terus bekerja memperbarui gambar antarmuka terhadap keadaan
hardware yang sebenarnya sesuai Gambar 3.14. Informasi yang ditampilkan pada
antarmuka fiting IoT adalah:

1. Gambar tombol untuk menonaktifkan atau mengaktivasi fiting.

2. Gambar yang menirukan kondisi lampu bercahaya atau padam.

44
3. Kolom teks yang menampilkan catatan peristiwa (event log) selama 24 jam
terakhir.
4. Kolom angka untuk menambahkan penjadwalan aktivasi dan pemadaman
harian otomatis (daily timer schedule).

3.7.3 Program dan Antarmuka Kamera IoT

Gambar 3.15 Antarmuka Kamera IoT di Situs Laman

Demikian juga antarmuka kamera IoT disesuaikan dengan spesifikasi

perangkat keras dan fungsinya. Setelah menulis kode program Python untuk Raspi
3 dan cloud hosting (menggunakan VSCode), AWS akan terus bekerja
memperbarui gambar antarmuka terhadap keadaan hardware yang sebenarnya
sesuai Gambar 3.15. Informasi yang ditampilkan pada antarmuka kamera IoT
adalah:

1. Gambar tombol untuk menonaktifkan atau mengaktivasi kamera.

2. Gambar siaran langsung video dengan keterangan tingkat bingkai dalam
satuan Frame per Second (FPS).

45
3. Kolom teks yang menampilkan catatan peristiwa (event log) selama 24 jam
terakhir.
4. Kolom angka yang menunjukkan jumlah orang dan intensitas cahaya yang
terdeteksi secara real time.
5. Tombol untuk melihat grafik jumlah orang dan intensitas cahaya selama 24
jam terakhir.
6. Gambar tombol untuk menonaktifkan atau mengaktivasi fitur olah citra.

3.7.4 Program dan Antarmuka Stasiun Kerja Lokal Serta Situs Laman Internet

Menggunakan kode program yang mirip untuk situs laman internet,

antarmuka di local workstation juga disesuaikan dengan spesifikasi perangkat keras
dan fungsinya. Setelah menulis kode program Python untuk Raspi 4 dan cloud
hosting (menggunakan VSCode), Raspi 4 serta AWS akan terus bekerja
memperbarui gambar antarmuka terhadap keadaan hardware yang sebenarnya
sesuai Gambar 3.16. Informasi yang ditampilkan pada antarmuka stasiun kerja lokal
dan situs laman internet, adalah:

1. Kolom angka yang menunjukkan nilai keadaan cuaca di sekitar posisi smart
home (dari sumber https://openweathermap.org).
2. Gambar tombol untuk memilih ruangan yang berisikan daftar hardware
terpasang.
3. Kolom angka yang menunjukkan jumlah dan jenis hardware IoT terpasang.
4. Kolom angka yang menunjukkan jumlah total arus listrik pada semua stop
kontak IoT.
5. Gambar semua siaran langsung video yang terekam kamera IoT.
6. Kolom angka yang menunjukkan jumlah total orang dan rata-rata intensitas
cahaya yang dideteksi oleh semua kamera IoT.
7. Kolom tabel yang menampilkan catatan peristiwa (event log) semua
hardware selama 24 jam terakhir.
8. Tombol untuk melihat grafik jumlah total orang dan rata-rata intensitas
cahaya yang dideteksi semua kamera IoT selama 24 jam terakhir.

46
9. Tombol untuk melihat grafik keadaan cuaca di sekitar posisi smart home
selama 24 jam terakhir.
10. Tombol untuk melihat grafik jumlah total arus listrik yang dideteksi semua
stop kontak IoT selama 24 jam terakhir dan peramalannya disertai kolom
angka untuk menunjukkan akurasinya.
11. Kolom angka yang menunjukkan nilai performa mengacu pada kecepatan
dan keandalan data sistem IoT.

Gambar 3.16 Antarmuka Stasiun Kerja Lokal dan Situs Laman

47
 BAB IV ANALISIS DAN PEMBAHASAN

ANALISIS DAN PEMBAHASAN

4.1 Hasil Uji Coba Peramalan dan Kondisi Nyatanya

Selain kontroler, peladen (server) juga memerlukan beberapa instalasi

tambahan agar dapat mengeksekusi program Python. Setelah melakukan instalasi
ekstensi, paket, impor pustaka, dan menulis kode program Python untuk cloud
hosting (menggunakan VSCode), AWS akan mengolah semua data sekunder untuk
kebutuhan peramalan arus listrik. Hasil kalkulasi peramalan terhadap jumlah arus
listrik nyata di lokasi ruangan uji coba Tanggal 12 Februari 2021 diperlihatkan pada
Gambar 4.1. Dengan melihat gambar tersebut, terdapat kecenderungan pola yang
cukup mirip antara grafik hasil peramalan terhadap arus listrik nyata. Hal ini
menjadi pertanda bahwa algoritma PCA dan ARIMA telah berhasil melakukan
peramalan.

Gambar 4.1 Hasil Peramalan dan Arus Listrik Nyata Pada 12 Februari 2021

4.2 Uji Akurasi Peramalan

Hasil peramalan yang akurat dengan kesalahan (galat) prediksi minimal

merupakan suatu alat bantu penting dalam perencanaan yang efesien dan efektif

48
 ^
[21]. Evaluasi dengan membandingkan hasil ramalan ( Y t ) dengan kenyataan
observasi ( Yt ) terhadap banyaknya data yang diproses (n) diperlukan untuk menjaga

kualitas estimasi, ketepatan metodologi dan teknik peramalan yang digunakan.

Semakin rendah tingkat galat maka kualitas peramalan semakin baik, namun
sebaliknya jika tingkat galat semakin besar maka kualitas peramalan semakin
buruk. Secara numeris, nilai akurasi yang umum digunakan adalah MAE, MSE, dan
MAPE.

4.2.1 MAE dan MSE

MAE (Mean Absolute Error) adalah validasi kesesuaian nilai rata-rata galat
mutlak atau rata-rata absolut dari galat peramalan tanpa menghiraukan tanda positif
atau negatif. MAE merupakan bentuk ukuran simpangan (deviasi) mutlak secara
rata-rata pada sebuah data pusat yang paling sederhana. Pada aplikasi sehari-hari,
MAE berguna untuk menggambarkan variasi dalam kumpulan data sebagai cara
yang nyata untuk mengukur seberapa tersebarnya data. Persamaan matematika
n ^
∑ Y −Y t t

untuk MAE adalah t =1

.
n

Ukuran yang lain, MSE (Mean Square Error) adalah validasi kesesuaian
nilai rata-rata galat kuadrat atau rata-rata simpangan nilai peramalan yang
dikuadratkan. MSE memiliki efek lebih besar dibandingkan MAE. MSE biasanya
dipakai untuk mengukur akurasi dari data deret waktu (time series) yang mau
dihitung. MSE digunakan karena menghasilkan kesalahan moderat oleh suatu
peramalan yang biasanya memiliki kesalahan yang lebih kecil tetapi kadang-kadang
memiliki kesalahan yang besar pula. Persamaan matematika untuk MSE adalah
n ^ 2

∑ Y −Y
t =1
t t

.
n

Tujuan optimalisasi statistik seringkali dilakukan untuk memilih model

dengan nilai MAE dan MSE yang minimal. Bahkan model prediksi dikatakan

49
paling baik apabila nilai MAE maupun MSE adalah nol. Setelah menulis kode
program Python untuk cloud hosting (menggunakan VSCode), hasil perhitungan
MAE dan MSE sesuai Gambar 4.1 masing-masing adalah 0.098 dan 0.004 sehingga
dikategorikan sangat mendekati nol. Dengan meninjau angka-angka tersebut,
diinterpretasikan bahwa algoritma PCA dan ARIMA memberikan hasil peramalan
yang sangat akurat.
Namun ukuran ini mempunyai kekurangan. MAE dan MSE tidak
memudahkan perbandingan antar deret berskala yang berbeda dan untuk selang
waktu yang berlainan, karena MAE dan MSE merupakan ukuran absolut yang
sangat tergantung pada skala dari data deret waktu. Lagi pula, interpretasi nilai MSE
tidak bersifat intuitif, karena ukuran ini menyangkut pengkuadratan sederetan nilai.
Disebabkan keterbatasan MAE dan MSE, maka dipakai indikasi tambahan yaitu
MAPE.

4.2.2 MAPE

MAPE (Mean Absolute Percentage Error) adalah validasi kesesuaian nilai

rata-rata galat persentase absolut atau nilai rata-rata simpangan persentase absolut
dari suatu peramalan. Nilai ini adalah lanjutan dari penentuan nilai MAE dengan
menentukan presentase yang dihasilkan. MAPE dihitung dengan cara mencari galat
absolut di setiap periode yang dibagi dengan nilai observasi aktual pada periode itu,
dan dibuat rata-rata dari galat persentase absolut tersebut. Persamaan matematika
^
Yt − Y t
1 n
untuk MAPE adalah ∑
n t =1 Yt
×100% .

MAPE adalah ukuran yang paling berguna untuk membandingkan akurasi

metode peramalan karena mengukur kinerja relatif. MAPE dengan nilai <10%
dianggap sebagai peramalan yang sangat akurat, nilai antara 10–20% adalah
peramalan yang baik, nilai antara 20–50% diartikan sebagai peramalan yang wajar
(layak), dan nilai yang lebih dari 50% adalah peramalan yang tidak akurat [21].
Setelah menulis kode program Python untuk cloud hosting (menggunakan
VSCode), hasil perhitungan MAPE sesuai Gambar 4.1 (dengan pembulatan desimal

50
perseratusan) adalah 9.81%. Dengan meninjau angka tersebut, diinterpretasikan
bahwa algoritma PCA dan ARIMA memberikan hasil peramalan yang sangat
akurat.

4.3 Uji Performa

Selain uji akurasi, pada penelitian ini juga dilakukan uji performa sistem
IoT. Performa mengacu pada tingkat kecepatan dan keandalan penyampaian
berbagai jenis paket data dalam komunikasi. Probabilitas sebuah alat dalam
menampilkan atau melaksanakan tugas yang telah ditetapkan dengan memuaskan
untuk periode waktu tertentu yang digunakan berdasarkan kondisi tertentu
dijadikan sebagai parameter keandalan [22]. Pada penelitian ini, percobaan
pengiriman data dilakukan sebanyak 7433 kali dalam sehari (24 jam) selama
sebulan (dari Tanggal 12 Januari — 11 Februari 2021). Lalu digunakan empat cara
untuk menguji performanya, yaitu dengan perhitungan latensi, agregat hasil
(throughput), reliabilitas, dan ketersediaan fungsional (availability).

4.3.1 Latensi

Ukuran latensi atau penundaan (delay) adalah waktu yang dibutuhkan data
dari asal sampai tujuan dalam satuan milidetik (ms) [22]. Pada jaringan global
seperti internet, sebuah paket data harus melewati beberapa titik pemberhentian
sementara untuk transit sebelum mencapai tujuan akhir. Di lokasi transit ini,
seringkali paket akan diproses untuk ditentukan jalur perjalanannya. Selain itu,
faktor jarak juga menentukan berapa lama paket tersebut berada dalam perjalanan.
Dengan definisi latensi = waktu paket diterima - waktu paket dikirimkan , maka
total latensi
persamaan matematika untuk rata-rata latensi adalah total paket yang diterima.

Pada penelitian ini, pengujian dilakukan dengan menghitung total waktu

rerata (end to end delay time) dari kontroler ke perantara MQTT (broker) dan dari
MQTT broker ke antarmuka website di internet. Dengan perintah ping atau Packet
Internet Gropher ke broker amazonaws.com lalu mengolah nilainya menggunakan
program Python, grafik latensi sistem IoT diperlihatkan pada Gambar 4.2. Nilai

51
rata-rata latensi (dengan pembulatan desimal perseratusan) adalah 83.11 ms dan
tergolong sebagai kategori yang sangat bagus menurut ETSI TIPHON TR 101 329
sesuai Tabel 4.1. Dengan kata lain, sistem IoT ini mampu bekerja dalam kondisi
waktu yang sangat cepat sehingga memberi kenyamanan pada penggunanya.

Gambar 4.2 Latensi Data Pada 12 Januari — 11 Februari 2021

Tabel 4.1 Kategori Penilaian Latensi Berdasarkan ETSI TIPHON TR 101 329

Kategori Latensi Nilai Delay (ms)

Sangat Bagus < 150
Bagus 150 – 300
Kurang Bagus 300 – 450
Tidak Bagus > 450

4.3.2 Agregat Hasil

Ukuran throughput adalah kecepatan (rate) transfer data efektif atau jumlah
total kedatangan paket data yang sukses diamati pada tujuan akhir selama durasi
interval waktu tertentu dalam satuan bit per detik (bps) [22]. Nilai throughput
merupakan bandwidth yang sebenarnya dari jaringan dalam melakukan pengiriman
𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗ℎ 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 (bit)
data, dengan persamaan matematika waktu yang dibutuhkan (s)
. Pada penelitian ini,

pengujian dilakukan dengan menghitung waktu yang dibutuhkan MQTT broker

amazonaws.com untuk mengunduh data yang dikirimkan kontroler sampai ke

52
antarmuka website di internet. Dengan menyimpan rekaman aktivitas transfer data
yang terjadi di AWS lalu mengolah nilainya menggunakan program Python, grafik
throughput sistem IoT diperlihatkan pada Gambar 4.3. Nilai rata-rata throughput
(dengan pembulatan desimal perseratusan) adalah 360.99 bps dan tergolong sebagai
kategori yang bagus menurut ETSI TIPHON TR 101 329 sesuai Tabel 4.2. Dengan
kata lain, sistem IoT ini mampu bekerja dalam kondisi bandwith internet yang kecil
sehingga penggunanya tidak perlu koneksi bandwith besar seperti 3G dan 4G.

Gambar 4.3 Agregat Hasil Data Pada 12 Januari — 11 Februari 2021

Tabel 4.2 Kategori Penilaian Agregat Hasil Berdasarkan ETSI TIPHON TR 101 329

Kategori Agregat Hasil Nilai Agregat Hasil (bps)

Sangat Bagus > 450
Bagus 300 – 450
Kurang Bagus 150 – 300
Tidak Bagus < 150

4.3.3 Reliabilitas dan Ketersediaan Fungsional

Menurut ISO/IEC 25010, tujuan uji reliabilitas dan availability pada sistem
IoT adalah untuk meninjau tingkat keberhasilan dan fungsi sistem dalam
mengirimkan data sampai diterima oleh pengguna. Nilai reliabilitas didefinisikan
sebagai probabilitas suatu perangkat dapat memenuhi standar kinerja dalam
menghasilkan output yang benar pada durasi waktu dan kondisi lingkungan tertentu

53
 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗ℎ 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 − 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗ℎ 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
[23], dengan persamaan 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗ℎ 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
× 100%.

Sedangkan availability adalah metrik untuk menilai kemungkinan kinerja sistem

dapat beroperasi menjalankan fungsinya pada jangka waktu tertentu [23], dengan
𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗ℎ 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
persamaan matematika 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗ℎ 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 + 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗ℎ 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
× 100%.

Yang dimaksud jumlah data terkirim adalah paket dari kontroler yang berhasil
diterima MQTT broker dan dikirim ke website. Sedangkan jumlah data yang gagal
terkirim adalah jumlah paket yang diterima broker dikurangi dengan jumlah paket
yang dikirim ke website.

Gambar 4.4 Reliabilitas Data Pada 12 Januari — 11 Februari 2021

Gambar 4.5 Ketersediaan Fungsional Data Pada 12 Januari — 11 Februari 2021

54
 Hasil perhitungan yang kurang dari 100% menunjukkan adanya sejumlah
paket data yang gagal diteruskan broker amazonaws.com ke website. Pada
penelitian ini, pengujian dilakukan dengan menghitung jumlah aktivitas transfer
data yang terjadi di AWS lalu diolah nilainya menggunakan program Python.
Grafik reliabilitas data sistem IoT diperlihatkan pada Gambar 4.4 sedangkan grafik
availability diperlihatkan pada Gambar 4.5. Nilai rata-rata reliabilitas dan
availability (dengan pembulatan desimal perseribuan) masing-masing adalah
99.765% dan 99,766%. Apabila digolongkan dalam lima kategori penilaian sesuai
Tabel 4.3, nilai tersebut tergolong sebagai kategori yang sangat bagus. Dengan kata
lain, sistem IoT ini dapat dipercaya untuk bekerja menyelesaikan tugasnya dengan
tingkat keberhasilan dan fungsionalitas yang baik.

Tabel 4.3 Kategori Penilaian Reliabilitas dan Ketersediaan Fungsional

Kriteria Interval (%)

Sangat Bagus > 80
Bagus 60 – 80
Cukup 40 – 60
Kurang Bagus 20 – 40
Tidak Bagus < 20

55
 BAB V KESIMPULAN DAN SARAN

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Setelah berhasil merancang, mengembangkan, dan mengintegrasikan

hardware, software, dan algoritma peramalan yang dibangun terpisah menjadi
sistem IoT terpadu dengan bantuan platform internet, kesimpulan yang didapatkan
dari penelitian ini adalah:

1. Stop kontak dan fiting IoT menggunakan perangkat keras mikrokontroler

EPS32, sensor arus ACS712, saklar elektromekanik SSR, serta perangkat
lunak Arduino IDE dan VSCode berhasil menonaktifkan dan mengaktivasi
alat listrik rumah tangga melalui antarmuka website dari jarak jauh.
2. Kamera IoT menggunakan perangkat keras mikrokontroler Raspi 3 Model
B, RPi Camera dengan LED inframerah, sensor cahaya LDR, serta
perangkat lunak Raspberry Pi OS, VSCode, dan Python 3 IDE dengan
pustaka tambahan Tiny-YOLOv3 berhasil mempublikasikan gambar ke
internet, melakukan olah citra dengan rata-rata tingkat bingkai gambar 0.8
FPS, dan menampilkan informasinya pada antarmuka website dari jarak
jauh.
3. Stasiun kerja lokal menggunakan perangkat keras mikrokontroler Raspi 4
Model B, LCD touch screen XPT2046 10.1 Inci, keyboard terintegrasi
touchpad serta perangkat lunak Raspberry Pi OS, VSCode, dan Python 3
IDE dengan beberapa pustaka tambahan berhasil melakukan kalkulasi
peramalan, pemantauan, dan pengontrolan alat-alat listrik rumah tangga
menggunakan jaringan privat intranet (sebagai cadangan cloud computing).
4. Diperlukan datasets selama satu bulan terhadap variabel arus listrik waktu
nyata, jumlah penghuni rumah, kondisi cuaca secara temperatur,
kelembapan, kecepatan angin, dan intensitas cahaya ruangan sebagai bekal
untuk melakukan peramalan konsumsi listrik rumah tangga jangka pendek.

56
5. Dengan bantuan platform GitHub untuk memudahkan update program,
perangkat lunak VSCode dan Python 3 IDE, serta pustaka tambahan
NumPy, Pandas, Sklearn, Pmdarima, dan Matplotlib berhasil melakukan
kalkulasi peramalan arus listrik menggunakan algoritma PCA dan ARIMA
lalu menampilkan informasinya pada antarmuka website dari jarak jauh.
6. Algoritma PCA dan ARIMA berhasil memberikan hasil peramalan arus
listrik rumah tangga jangka pendek yang sangat akurat dengan nilai MAE,
MSE, dan MAPE masing-masing adalah 0.098, 0.004 dan 9.81%.
7. Dengan menggunakan cloud computing amazonaws.com, sistem smart
home IoT memiliki performa yang sangat baik dalam hal kecepatan dan
keandalan penyampaian paket data dengan nilai rata-rata latensi,
throughput, reliabilitas, dan availability masing-masing adalah 83.11 ms,
360.99 bps, 99.765% dan 99,766%.

5.2 Saran

Hasil penelitian ini juga memiliki beberapa kekurangan sehingga dapat

dikembangkan lebih lanjut, dengan saran-saran sebagai berikut:

1. Selain stop kontak, fiting, dan kamera dengan fitur olah citra, masih banyak
perangkat IoT yang bisa dikembangkan untuk mendukung sistem smart
home yang lebih lengkap, seperti kunci pintu digital, tirai jendela otomatis,
pintu pagar dan garasi otomatis, pemantau kualitas udara dalam ruangan,
kendali perintah menggunakan suara, dan sebagainya.
2. Karena kebutuhan pustaka tambahan yang banyak untuk olah citra, rata-rata
tingkat bingkai gambar kamera IoT hanya 0.8 FPS. Oleh sebab itu,
dibutuhkan kontroler yang spesifikasinya lebih tinggi daripada Raspi 3
Model B (seperti Raspi 4 Model B, ODROID-XU4, UP2 Squared, Huawei
HiKey 960, dan Intel Galileo Gen 2) agar kualitas video bisa lebih baik lagi.
3. Untuk memperoleh variabel konsumsi listrik yang lebih lengkap lagi, perlu
diintegrasikan komponen tambahan seperti sensor tegangan ZMPT101B,
sensor faktor daya (meteran kosinus phi), atau sensor PZEM-004T pada
hardware IoT.

57
4. Untuk memperoleh hubungan input-output yang lebih detil lagi mengenai
konsumsi listrik pada rumah tangga, perlu ditambahkan variabel yang
berpengaruh seperti intensitas cahaya matahari, kebisingan suara, tekanan
udara, tegangan listrik, faktor daya (kosinus phi), dan sebagainya.
5. Penelitian ini hanya ditujukan untuk melakukan peramalan konsumsi listrik
jangka pendek. Sementara untuk peramalan jangka panjangnya, perlu
penelitian lebih lanjut memakai algoritma lain yang lebih cocok.
6. Untuk mempermudah interaksi dengan penggunanya yang memakai
smartphone, selain menggunakan website, antarmuka kendali smart home
dapat juga dikembangkan menggunakan aplikasi berbasis Android OS.
7. Untuk memberi layanan tambahan pada sistem IoT seperti pemberian
notifikasi penting, perlu dikembangkan integrasi partner pihak ketiga
melalui surel (Email), Surat Masa Singkat atau SMS (Short Message
Service), aplikasi Telegram, Google Assistant, IFTTT, Amazon Alexa, dan
sebagainya.

58
 DAFTAR PUSTAKA

1. Zigui Jiang, et al. 2017. Comparing Electricity Consumer Categories Based

on Load Pattern Clustering with Their Natural Types. International
Conference on Algorithms and Architectures for Parallel Processing.
2. Emanuele Zilio, et al. 2017. Impact of Weather and Occupancy on Energy
Flexibility Potential of a Low-energy Building. International Building
Performance Simulation Association.
3. Elham Delzendeh, et al. 2017. The Impact of Occupants Behaviours on
Building Energy Analysis: A Research Review. Renewable and Sustainable
Energy Reviews.
4. George P. Papaioannou, et al. 2016. Analysis & Modeling for Short- to
Medium-Term Load Forecasting Using a Hybrid Manifold Learning
Principal Component Model & Comparison with Classical Statistical
Models & Artificial Intelligence Models. MDPI Open Access Journal.
5. Jonathon Shlens. 2014. A Tutorial on Principal Component Analysis.
International Journal of Remote Sensing.
6. Douglas C. Montgomery, et al. 2008. Introduction to Time Series Analysis
and Forecasting. John Wiley & Sons. p 231-287.
7. Alberto Boschetti, Luca Massaron. 2016. Python Data Science Essentials,
Second Edition. Packt Publishing. p 10-143.
8. Ratnadip Adhikari, et al. 2013. An Introductory Study on Time series
Modeling and Forecasting. LAP Lambert Publishing. p 18-45.
9. Javier Contreras, et al. 2003. ARIMA Models to Predict Next-Day Electricity
Prices. IEEE Transactions on Power Systems.
10. George E.P. Box, et al. 2016. Time Series Analysis: Forecasting and
Control. John Wiley & Sons. p 47-114.
11. Abhishek Malik, et al. 2019. A Detailed Study Of An Internet Of Things.
International Journal of Scientific & Technology Research.
12. Neil Kolban. 2018. Kolban's Book on the ESP32. leanpub.com. p 396-510.

59
13. Simon Monk. 2013. Programming the Raspberry Pi: Getting Started with
Python. McGraw-Hill.
14. Colin Dow. 2018. Internet of Things Programming Projects: Build modern
IoT solutions with the Raspberry Pi and Python. Packt Publishing.
15. Toleubay. Y, James, A.P. 2020. Getting Started with TensorFlow Deep
Learning. Part of the Modeling and Optimization in Science and
Technologies Book Series. Springer.
16. Joseph Redmon, et al. 2016. You Only Look Once: Unified, Real Time
Object Detection. IEEE Conference on Computer Vision and Pattern
Recognition.
17. Richard Blum, Christine Bresnahan. 2014. Sams Teach Yourself Python
Programming for Raspberry Pi in 24 Hours. Pearson Education.
18. François Chollet. 2018. Deep Learning with Python. Manning Publications.
19. Hans-Petter Halvorsen, 2019. Python Programming. halvorsen.blog.
20. Srishti Sharma, et al. 2018. Achieving Energy Efficiency using Green
Internet of Things through Incorporation of Machine Learning
Architecture. International Journal of Computer Applications.
21. Tay Kim Gaik, Choy Yaan Yee. 2018. Forecasting Electricity Consumption
Using Time Series Model. International Journal of Engineering &
Technology.
22. Edy Budiman, Oki Wicaksono. 2016. Measuring Quality of Service for
Mobile Internet Services. International Conference on Science in
Information Technology.
23. Slavko Pokorni, 2019, Reliability and Availability of The Internet of Things,
Military Technical Courier Journal.

60