Post on 25-Oct-2021
KITEKTRO: Jurnal Online Teknik Elektro e-ISSN: 2252-7036 Vol.3 No.2 2018: 68-75
Vol.3 No.2 2018 @2018 kitektro 68
SISTEM OTOMASI LAMPU RUMAH ADAPTIF
BERBASIS ARTIFICIAL NEURAL NETWORK Siti Zulaikha#1, Agus Adria *2, Aulia Rahman#3
#Jurusan Teknik Elektrodankomputer, Fakultas teknik Universitas Syiah Kuala
Jl. Tgk. Syech Abdul Rauf No. 7, Darussalam, Banda Aceh 23111 Indonesia 1laikhaav@yahoo.co.id
2agus.adria@unsyiah.ac.id
3aurahmn@unsyiah.ac.id
Abstrak— Energi merupakan salah satu faktor penting dalam
kehidupan modern. Seiring perkembangan zaman, kebutuhan
inovasi untuk terus berhemat dalam menggunakan energi
semakin penting. Salah satu komponen pengguna energi terbesar
adalah lampu untuk kebutuhan penerangan. Kelalaian
mematikan lampu yang tidak lagi dibutuhkan dapat
memboroskan energi listrik. Dibutuhkan suatu sistem yang dapat
beradaptasi terhadap tingkah laku dari pengguna lampu setiap
rumah atau gedung meggunakan algoritma Artificial Neural
Network (ANN). Sistem terdiri dari Raspberry Pi 3 sebagai
prosesor untuk menjalankan proses training ANN, Arduino
Mega256 digunakan sebagai pembaca input saklar, dan
mengendalikan relay untuk menghidupkan atau mematikan
lampu. Sistem mengambil input waktu (jam dan menit), hari
dalam seminggu, dan intensitas cahaya ambient sebagai
parameter tambahan. Sistem dikembangkan untuk dapat
mempelajari penggunaan lampu rumah/gedung dan
memprediksi kapan lampu dihidupkan atau dimatikan setelah
melewati proses training. Hasil prediksi ANN setelah proses
training mempunyai tingkat keberhasilan sebesar 80 % dengan
menggunakan sample random sebanyak 5 sample untuk blok 1
dan 5 sample untuk blok 2. Hasil prediksi dipengaruhi oleh
dataset yang digunakan selama proses training. Nilai error
terkecil didapat yaitu 0.43154, hal ini menunjukkan sistem dapat
digunakan untuk memprediksi penggunaan lampu untuk
kebutuhan sehari-hari.
Kata Kunci— Machine learning (ML), Artificial Neural Network
(ANN), Raspberry Pi 3, Arduino Mega256.
I. PENDAHULUAN
Mengingat semakin tinggi naiknya populasi menyebabkan
peningkatan kebutuhan energi listrik salah satunya adalah
dalam hal penerangan. Komponen penerangan (lampu)
merupakan salah satu konsumsi energi listrik terbesar. Setiap
konsumen penerangan memiliki tingkah laku atau karakteristik
penggunaan lampu yang beda-beda tergantung dari kebutuhan
sehari-hari, bentuk bangunan, lokasi rumah/gedung, cuaca,
dan lain sebagainya[1]. Metode Machine Learning dapat
diterapkan untuk proses prediksi penggunaan setiap lampu
sehingga lampu akan hidup atau mati secara otomatis setelah
karakteristik penggunaan lampu setiap rumah/gedung
dilakukan. Algoritma Artificial Neural Network (ANN) dapat
digunakan sebagai prediktor penggunaan lampu. Algoritma
ANN dapat dilatih (training) untuk dapat mempelajari kapan
lampu dihidupkan atau dimatikan dengan mempertimbangkan
parameter waktu, hari, dan intensitas cahaya ambient [2]. Penelitian sebelumnya [3] menggunakan algoritma Neural
Network untuk pengaturan lampu lalu lintas untuk mencegah
kemacetan dengan mempelajari trafik laju pengguna jalan.
Dengan penerapan algoritma ANN, setiap lampu dalam
rumah/gedung dapat memprediksi kapan lampu digunakan
atau tidak setelah proses training yang dilakukan terus
menerus dalam interval 7 hari. Setelah proses training
dilakukan, sistem dapat menghidupkan lampu secara otomatis
dan mematikan lampu jika lupa dimatikan. Dengan sistem
otomasi ini, diharapkan penggunaan lampu menjadi lebih dan
efesian dan hasil akhir yang diharapkan adalah penghematan
pemakaian energi listrik.
II. DASAR TEORI
A. Artificial Neural Network (ANN)
Artificial Neural Network (ANN) atau sering juga disebut
dengan jaringan saraf tiruan merupakan sistem dari komputasi
dimana dari arsitektur dan komputasi diilhami dari suatu
pengetahuan tentang sel saraf dalam otak manusia. Artificial
neural Network (ANN) adalah suatu model yang dapat meniru
cara kerja dari jaringan neural biologis. ANN dapat
menyelesaikan persoalan yang rumit dengan sebuah proses
belajar yang dilakukan pada jaringan saraf tiruan untuk
mengatur dirinya dengan suatu respon yang akan konsisten
pada rangkaian masukkan. Adapun jaringan tiruan yang
dirancang untuk memiliki kemampuan seperti manusia [4].
B. Algoritma Levenberg–Marquardt
Algoritma Levenberg-Marquardt dikembangkan oleh
Kenneth Levemberg dan Donald Marquardt yang merupakan
solusi matematis untuk permasalahan pada meminimalisir
fungsi non-linier. Pada bidang artificial neural network,
algoritma ini sangat tepat digunakan untuk melakukan training
pada aplikasi dengan skala permasalahan kecil hingga
menengah. Algoritma Levenberg-Marquardt merupakan
metode untuk aproksimasi dari sebuah fungsi [6]. Pada
dasarnya terdiri dari Persamaan 1 dimana J merupakan matriks
Jacobian, 𝝀 merupakan faktor damping levenberg, nilai 𝜹
KITEKTRO: Jurnal Online Teknik Elektro e-ISSN: 2252-7036 Vol.3 No.2 2018: 68-75
Vol.3 No.2 2018 @2018 kitektro 69
merupakan faktor untuk memperbaharui bobot yang ingin
didapatkan, dan E adalah nilai verktor error yang mengandung
nilai keluaran error dari setiap nilai vektor input yang
digunakan untuk melakukan training terhadap network. Nilai
𝜹 merupakan seberapa berpengaruhnya pergantian nilai bobot
untuk mendapatkan solusi terbaik. Nilai matriks 𝑱𝒕𝑱
merupakan nilai aproksimasi Hessian. Nilai faktor damping 𝝀
disesuaikan pada setap iterasi (epoch) yang mengarah pada
proses optimisasi. Jika pergantian nlai E sangat cepat, nilai
yang lebih kecil bisa digunakan untuk membawa algoritma ini
mendekati algoritma Gauss-Newton dimana jika sebuah iterasi
tidak memberikan pengurangan yang cukup pada residu, maka
nilai faktor damping 𝝀 bisa dinaikkan sehingga membawa
langkah ini mendekati arah Gradient-Descent.
(𝐽𝑡𝐽 + 𝜆𝐼) 𝛿 = 𝐽𝑡𝐸 (1)
𝐽 =
[ 𝜗𝐹(𝑥1,𝑤)
𝜗𝑤1…
𝜗𝐹(𝑥1,𝑤)
𝜗𝑤𝑊
⋮ ⋱ ⋮𝜗𝐹(𝑥𝑁,𝑤)
𝜗𝑤1…
𝜗𝐹(𝑥𝑁,𝑤)
𝜗𝑤1 ] (2)
Matriks Jacobian merupakan matriks dari semua turunan
parsial orde pertama dari sebuah fungsi yang berbasis vektor
nilai. Pada neural network, matriks ini bisa berdimensi N x W
dimana N merupakan jumlah data yang digunakan untuk
training, dan nilai W merupakan jumlah dari total parameter
bobot dan bias pada neural network.Matriks ini bisa dibentuk
dengan mengambil turunan parsial pada setiap input terhadap
setiap bobot sehingga terbentuk matriks yang diperlihatkan
pada Persamaan 2. 𝑭(𝒙𝟏, 𝒘) merupakan fungsi network
mengevaluasi sejumlah input vektor dari data training yang
digunakan olek vektor bobot w dan wj merupakan elemen
dengan jumlah j dari vektor bobot pada neural network.
Algoritma Levenberg-Marquardt pada dasarnya mencari nilai
𝝀 yang tetap sehingga penjumlahan dari nilai error kuadratik
menurun. Setiap iterasi dari algoritma terdiri dari langkah
yaitu : Menghitung matriks jacobian, Menghitung nilai
gradient dari error, Melakukan aproksimasi Hessian
menggunakan cross product Jacobian, Menghitung (𝑯 + 𝝀𝑰) 𝜹 = 𝒈 untuk mendapatkan 𝜹, Memperbaharui nilai bobot
w menggunakan nilai 𝜹, Menhitung ulang nilai error kuadratik
setelah memperbaharui nilai bobot, Jika nilai bobot tidak
berkurang, maka nilai bobot diabaikan kemudian menaikkan
nilai 𝝀 sebesar nilai v dan kembali kelangkah 4, jika nilai
bobot berkurang maka nilai 𝝀 dikurangi sebesar nilai v dan
iterasi selesai [5].
C. Arduino Mega2560
Arduino Mega adalah papan sirkuit berbasis
mikrokontroler berbasis ATMega yang dilengkapi dengan
kemampuan interaksi dengan perangkat lain yang memiliki
port input/input-nya. Arduino Uno mempunyai 54 pin digital
sebagai pin yang dapat dikonfigurasikan sebagai input ataupun
input. 15 pin diantarnya dapat dikonfigurasikan sebagai PWM
(Pulse Width Modulation) input analog dan terdapat 16 pin
yang dapat dijadikan sebagai input analog dengan presisi ADC
yang mencapai 10 bit. Ada beberapa jenis antarmuka untuk
komunikasi yang didukung, diantarnya adalah serial, serial
peripheral interface (SPI) dan I2C/TWI [7].
D. Raspberry Pi
Raspberry Pi merupakan suatu modul micro dari computer
yang memiliki input dan input digital port seperti yang
ada pada board microcontroller. Raspberry Pi juga disebut
dengan single-board circuit; SBC (komputer papan tunggal)
yang memiliki ukuran setara dengan sebuah kartu kredit yang
sering digunakan untuk menjalankan sebuah program.
Raspberry Pi memiliki beberapa model yaitu model A dan
model B. Pada umumnya Raspberry Pi Model B memiliki
kapasitas RAM penyimpanan sebesar 512 MB. Sedangkan
model A menggunakan penyimpanan sebesar 256 MB. Selain
itu pada model B sudah dilengkapi porta Ethernet yang tidak
ada pada model A. Desain pada Raspberry Pi ini didasari pada
system-on-a-chip Broadcom BCM2835, yang telah
dinanamkan prosesor ARM1176JZF-S. Untuk penyimpanan
datanya didesain untuk tidak menggunakan solid-state drive,
melainkan menggunakan kartu penyimpanan di tipe SD untuk
menjalankan sistemnya pada penyimpanan jangka yang
panjang [8].
E. Software Matlab
Matlab merupakan sebuah bahasa pemograman komputasi
teknikal. Matlab digunakan untuk pengembangan algoritma,
anasis data, visualisasi data, dan komputasi numerik. Selain itu
terdapat simulnik yang merupakan lingkungan simulasi dan
berbasis desain model pada berbagai domain dinamik dan
sistem tertanam. Matlab memiliki berbagai tool yang
digunakan khusus seperti pemrosesan citra, neural network
fitting, analisis data, sistem kontrol dan C/C++ code
generator (Matlab Coder) [4].
F. Driver Relay
Relay adalah komponen yang berupa sebuah kumparan
berinti besi yang akan menghasilkan elektromagnet ketika
kumparannya dialiri oleh arus listrik. Relay juga biasanya
disebut sebagai komponen electromechanical yang terdiri dari
dua bagian yaitu coil dan kontak saklar. Elektromagnet ini
kemudian menarik mekanisme kontak yang akan dihubungka
dengan kontak Normally-Open (NO) dan akan dibuka dengan
kontak Normally-Closed (NC). Normally berarti relay dalam
keadaan non-aktif atau non-energized, atau gamblangnya
kumparan relay tidak dialiri arus. Jadi kontak Normally-Open
(NO) adalah kontak pada saat Normal tidak terhubung, dan
kontak Normally-Closed (NC) adalah kontak pada saat Normal
terhubung. Driver relay merupakan suatu rangkaian
elektronika yang dapat mengendalikan pengoperasian dari
jarak jauh yang biasanyan digunakan sebagai pemberi sinyal
ke relay untuk switching atau kontrol beban, seperti
KITEKTRO: Jurnal Online Teknik Elektro e-ISSN: 2252-7036 Vol.3 No.2 2018: 68-75
Vol.3 No.2 2018 @2018 kitektro 70
mengendalikan lampu, TV ataupun peralatan listril lainnya
[12].
III. METODOLOGI PENELITIAN
Tahapan penelitian yang akan dilakukan adalah sebagai
berikut :
Mulai
Studi Literatur
Perancangan Arsitektur Artificial Neural Network (ANN)
dengan Matlab
Perancangan Sistem Pengendali Lampu berbasis Arduino Mega
Konversi Kode Matlab ke kode C#
Deploy kode C# ke Raspberry Pi 3 untuk menjalankan ANN
Hasil Sesuai spesifikasi?
Pengujian dan Analisa
Penulisan laporan
Selesai
Gambar 1 Tahapan pelaksanaan penelitian
A. Teknik Penelitian
Penelitian ini menggunakan algoritma Artificial Neural
Network (ANN) sebagai machine learning yang bertujuan
untuk mempelajari penggunaan lampu rumah ataupun gedung.
Setiap rumah/gedung mempunyai karakteristik penggunaan
lampu yang berbeda tergantung dari arsitektur rumah, lokasi
rumah, cuaca, dan lain sebagainya. Algoritma ANN
dikembangan menggunakan matlab dan kode matlab dapat
dikonversikan ke kode C# menggunakan tool matlab coder
dan hasil kode C# dikompilasi menjadi executabel sehingga
algoritma ANN dapat dijalankan pada raspberry pi 3.
B. Metode Pengendalian Lampu Adaptif berbasis ANN
Artificial neural network mengambil input masukan saklar
yang dibaca oleh arduino mega256 dan mencatat waktu, hari,
dan intensitas cahaya ambient suatu rumah untuk dijadikan
sebagai dataset training algoritma. Arduino menghidupkan
lampu dengan mengendalikan relay yang terhubung dengan
setiap lampu rumah/gedung. ANN membaca input nomor blok
yang digunakan sebagai referensi blok/kelompok lampu.
Setiap nomor blok lampu dapat digunakan untuk referensi 8
lampu, dengan menggunakan nomor referensi blok, input dari
ANN bisa dibatasi menjadi 8 unit lampu yang bisa
dikendalikan pada setiap bloknya. Jumlah total lampu yang
bisa dikendalikan yaitu jumlah blok dikalikan dengan 8
lampu. Dalam penelitian ini digunakan 2 blok sehingga total
lampu yang bisa dikendalikan menggunakan ANN adalah 16
lampu meskipun input dari neural network hanya 8 neuron.
Input jam dan menit normalisasikan dalam detik selama 24
jam dalam sehari sehingga nilai input adalah 1 hingga 1440.
Input day of week (hari dalam minggu) dinormalisasikan
dalam nilai 1 hingga 7 dimana 1 merupakan hari minggu
hingga 7 merupakan hari sabtu. Intensitas cahaya ambient
dinormalisasikan dari nilai 1 hingga 1000 (dalam satuan lux).
Blok
Jam (HH:mm)
Normalisasi(1-2)
Normalisasi(1-1440)
Day Of WeekNormalisasi
(1-7)
Cahaya AmbientNormalisasi
(0-1000)
Input Layer4 neuron
Output Layer8 neuron
Lampu 1 (blok 1,blok 2)
Lampu 2 (blok 1,blok 2)
Lampu 3 (blok 1,blok 2)
Lampu 4 (blok 1,blok 2)
Lampu 5 (blok 1,blok 2)
Lampu 6 (blok 1,blok 2)
Lampu 7 (blok 1,blok 2)
Lampu 8 (blok 1,blok 2)
Hidden Layer100 neuron
Gambar 2 Arsitektur algoritma ANN untuk otomasi lampu rumah/gedung
KITEKTRO: Jurnal Online Teknik Elektro e-ISSN: 2252-7036 Vol.3 No.2 2018: 68-75
Vol.3 No.2 2018 @2018 kitektro 71
C. Diagram Sistem
Sistem yang dibangun dalam penelitian ini terdiri dari
Raspberry Pi 3 sebagai komputer untuk menjalankan
algoritma ANN, Arduino Mega digunakan sebagai
pembaca input saklar, serta sensor, dan mengendali relay
untuk mengendalikan lampu.
Lampu Blok 1
Lampu Blok 2
Saklar Blok 1
Saklar Blok 2
Input Saklar Output Lampu
Arduino Mega(Untuk kontrol lampu)
Raspberry Pi 3(Untuk training neural network)
Sensor Cahaya(Itensitas Matahari)
Gambar 3 Diagram blok sistem
Sistem dimulai dengan membaca input saklar
untuk mengetahui kapan lampu 1 hingga lampu 8 pada
blok 1 dan blok 2 dihidupkan dan dimatikan. Sistem juga
membaca input dari sensor LDR. Input saklar yang dibaca
oleh Arduino Mega256 akan dikirimkan ke Raspberry Pi
3 melalui komunikasi serial port seperti diperlihatkan
pada Gambar 4. Setelah proses training dilakukan, sistem
akan menghidupkan atau mematikan lampu berdasarkan
dari penggunaan lampu sebelumnya sehingga dapat
terjadi secara otomatis seperti pada Gambar 6.
Mulai
Membaca input Serial
Kirim perintah ke Raspberry Pi 3
Ada perintah?Hdupkan / Matikan
LampuKirim respon ke Raspberry Pi 3
Membaca input Saklar
Saklar trigger?Hdupkan / Matikan
Lampu
Ya
Tidak
YaTidak
Gambar 4 Flow diagram kinerja Arduino Mega256
Mulai
Membaca input User
Kirim respon ke Arduino Mega256
Saklar trigger (aplikasi) ?
Hdupkan / Matikan Lampu (Tampilan
Aplikasi)
Kirim perintah ke Arduino Mega256
Membaca input Serial
Ada Perintah?Hdupkan / Matikan Lampu (Tampilan
Aplikasi)
Ya
Tidak
Ya
Kalkulasi ANN
Saklar trigger (ANN) ?
Kirim perintah ke Arduino Mega256
Hdupkan / Matikan Lampu (Tampilan
Aplikasi)Ya
Tidak
Tidak
Gambar 5 Flow diagram kinerja Raspbery Pi 3
KITEKTRO: Jurnal Online Teknik Elektro e-ISSN: 2252-7036 Vol.3 No.2 2018: 68-75
Vol.3 No.2 2018 @2018 kitektro 72
Mulai
Membaca jam, hari dan itensitas cahaya ambient ketika setiap saklar di switch on atau
switch off
Mencatat waktu pemakaian lampu
Training algoritma (setiap 7 hari)
Lampu hidup dan mati otomatis setelah training dilakukan
Gambar 6 Diagram alir cara kerja sistem
IV. HASIL DAN PEMBAHASAN
Perancangan arsitektur ANN dilakukan menggunakan
perangkat lunak Matlab/Simulink untuk mengetahui
karakteristik ANN ketika digunakan untuk sistem otomasi
lampu rumah dengan menggunakan input blok, jam, hari,
dan intensitas cahaya matahari. Arsitektur dirancangn
dengan jenis shallow network yang hanya memiliki 1
hidden layer. Secara keseluruhan arsitektur ANN pada
penelitian ini memiliki 3 layer neuron, yaitu input layer,
hidden layer, dan input layer. Perancangan arsitektur
ANN dilakukan menggunakan Neural Fitting Toolbox
pada software Matlab.
Gambar 7. Arsitektur ANN menggunakan
matlab/simulink
Percangan dimulai dengan memasukkan data input
berupa blok, waktu, hari, dan intensitas matahari pada
blok input, kemudian data target (data training) untuk
input dimasukkan pada blok input. Data yang dijadikan
sebagai Training bertujian untuk menyesuaikan jaringan
jaringan ANN selama proses training. Data yang berperan
sebagai Validation digunakan untuk mengukur
generalisasi jaringan ANN, dan proses training akan
berhenti ketika generalisasi berhenti membaik (improve).
Data Testing digunakan ketika proses tarining berhasil
dilakukan untuk melihat error rate dari jaringan yang
dibangun.
Gambar 8 Hasil training ANN menggunakan matlab/simulink
TABEL 1 DATASET ANN (10 SAMPLE)
JAM HARI Ir LAMPU
1 2 3 4 5 6 7 8
BLOK1
100 1 322 0 0 1 0 1 1 0 0
1299 1 248 1 1 0 0 0 0 1 0
1049 2 337 0 0 1 1 1 0 0 0
785 2 518 1 0 0 1 1 0 0 1
982 3 392 1 0 1 0 0 1 0 1
BLOK2
168 1 597 0 1 0 0 1 1 1 1
1182 1 197 1 1 0 1 1 0 0 1
182 2 541 1 0 1 0 0 0 0 1
181 2 278 1 1 1 1 1 0 1 0
869 3 381 1 1 0 0 0 1 0 0
Tabel 1 merupakan dataset yang digunakan untuk
training. Sel L1 pada sample nomor 1 menunjukkan nilai
0.012 yang mendekati nilai 0 yang merupakan nilai dari data
yang digunakan pada saat training. Sel L3 sample nomor 1
menunjukkan nilai 0.87 yang mendekati nilai 1 seperti data
saat training. Hal tersebut menunjukkan bahwa hasil
komputasi memili nilai yang mendekati data sample saat
training. Untuk sel L4 sample nomor 2 menunjukkan error
ketika data sample yang digunakan saat training
menunjukkan nilai 0 sedangkan saat komputasi menunjukkan
nilai 0.617. Pada Tabel 2 sel L1 hingga L8 ditandai dengan
warna merah jika nilai hasil komputasi memiliki nilai
dibawah 0.5 sedangkan sel ditandai dengan warna hijau jika
nilai diatas 0.5. Berdasarkan penetapan nilai treshold 0.5
maka dari seluruh sel L1 hingga L8 pada 10 sample tersebut,
didapat error sebanyak 20 sel dari 80 sel atau error didapat
sebanyak 25 %.
TABEL 2
HASIL KOMPUTASI ANN (10 SAMPLE)
LAMPU
1 2 3 4 5 6 7 8
BLOK1
0.01 0.13 0.87 0.05 0.77 1.17 0.46 0.24
0.53 0.86 0.21 0.61 0.12 0.3 0.79 0.11
KITEKTRO: Jurnal Online Teknik Elektro e-ISSN: 2252-7036 Vol.3 No.2 2018: 68-75
Vol.3 No.2 2018 @2018 kitektro 73
0.5 0.34 0.97 0.68 0.76 0.47 0.43 0.24
1.0 0.04 0.83 0.66 0.56 0.12 0.74 0.60
0.81 0.16 0.67 0.76 0.47 0.36 0.35 0.32
BLOK2
0.38 0.58 0.37 0.02 0.65 0.24 0.91 0.81
0.08 0.07 0.48 0.51 1.15 0.38 0.09 0.44
0.71 0.44 0.53 0.30 0.86 0.51 0.72 1.04
0.96 1.0 0.37 0.29 0.62 0.47 0.28 0.66
0.74 1.24 0.48 0.59 0.43 0.98 0.06 0.31
Perancangan dimulai dengan perancangan sistem
minimum arduino mega 256 seperti diperlihatkan pada
Gambar 9. Sistem minimum terdiri dari mikrokontroler
ATmega256, rangkaian driver untuk reset, dan modul
untuk komunikasi melalui COM Port.
Pada Gambar 10 dapat dilihat perancangan aplikasi
antar muka yang digunakan pada sistem ini. Aplikasi
dimulai dengan memilih serial port melalui COM Port
seperti yang diperlihatkan pada gambar, dan kemudian
memilih baudrate. Aplikasi akan menampilkan informasi
hari, jam dan intensitas cahaya matahari yang didapat dari
Arduino Mega 256 pada bagian Info. Aplikasi antarmuka
juga menampilkan informasi pada bagian log seperti
informasi bahwa sistem aktif atau tidak, dan informasi
saat lampu dinyalakan atau dimatikan secara manual oleh
pengguna. Pada bagian sebalah kanan dapat dilihat
indikator dari lampu untuk blok 1 dan blok 2
Gambar 9 Rangkaian Sistem Minimum Arduino Mega256
Gambar 10 Perancangan aplikasi antar muka sistem lampu otomatis ANN
.
KITEKTRO: Jurnal Online Teknik Elektro e-ISSN: 2252-7036 Vol.3 No.2 2018: 68-75
Vol.3 No.2 2018 @2018 kitektro 74
Gambar 11 Hasil perngujian pengontrolan lampu secara manual.
Pengujian sistem otomasi lampu dengan ANN terdiri dari
pengujian pembacaan status lampu yang dihidupkan dan
dimatikan secara manual menggunakan switch pada setiap
blok. Aplikasi antarmuka mencatat waktu lampu hidup atau
mati dan merekam data ke database. Setelah sistem mencatat
pemakaian lampu selama 7 hari, maka sistem masuk ke
mode training. Setelah proses training selesai, maka sistem
masuk ke mode otomatis. Pada mode otomatis maka lampu
pada setiap blok dikontrol menggunakan hasil prediksi
ANN. Aplikasi antarmuka mengirim perintah ke Arduino
Mega256 untuk menghidupkan atau memarikan lampu dari
semua blo seperti diperlihatkan pada Gambar 11.
Gambar 12 memperlihatkan aplikasi antarmuka yang
menampilkan hasil prediksi ANN setelah melakukan proses
training dan aplikasi mengirim perintah ke Arduino
Mega256 untuk menghidupkan setiap lampu pada setiap
blok jika nilai output lebih besar sama dengan nilai threshold
yaitu 0.5, sebaliknya aplikasi akan mengirimkan perintah
untuk mematikan lampu jika nilai output ANN dibawah nilai
threshold yaitu lebih kecil dari 0.5. Tabel 3 memperlihatkan
hasil prediksi nilai output dari neuron output layer untuk
blok 1 dan blok 2 setelah proses training. Prediksi ANN
dilakukan dengan memberikan input hari Kamis, waktu
20:12:25, dan intensitas cahaya 994 lux.
Gambar 12. Hasil pengujian secara otomatis
KITEKTRO: Jurnal Online Teknik Elektro e-ISSN: 2252-7036 Vol.3 No.2 2018: 68-75
Vol.3 No.2 2018 @2018 kitektro 75
TABEL 3
HASIL PREDIKSI ANN TERHADAP PENGONTROLAN
LAMPU SECARA OTOMATIS
No Lampu Nilai output
neuron Kontrol lampu
Blok 1
Lampu 1 0.287 OFF
Lampu 2 0.7767 ON
Lampu 3 0.166 OFF
Lampu 4 0.0348 OFF
Lampu 5 0.7717 ON
Lampu 6 0.2355 OFF
Lampu 7 0.5874 ON
Lampu 8 0.2302 OFF
Blok 2
Lampu 1 0.3931 OFF
Lampu 2 0.6512 ON
Lampu 3 0.1541 OFF
Lampu 4 0.1799 OFF
Lampu 5 0.7637 ON
Lampu 6 0.2943 OFF
Lampu 7 0.4709 OFF
Lampu 8 0.6557 ON
Sistem otomasi lampu berbasis ANN berhasil
melakukan pengontrolan lampu secara otomatis setelah
mengambil data selama 7 hari dan melakukan proses
training, setelah proses training dilakukan sistem
mengirim perintah ke Arduino Mega256 untuk
mengontrol lampu.
V. KESIMPULAN
Arsitektur dari artifical neural network (ANN) terdiri
dari 3 layer yaitu input layer berupa input blok, hari, jam,
dan intensitas cahaya, hidden layer yang terdiri dari 100
neuron, dan input layer yang terdiri dari 8 neuron yang
merupakan 8 lampu yang dikontrol. neural network
ditraining menggunakan algoritma Levenberg-Marquadt
menghasilkan performa terbaik dengan error 0.043154
pada epoch ke 2. Gradient yang didapat yaitu 0.13146,
Mu sebesar 1x10-5, dan validation check sebesar 6 pada
epoch ke 8, hal ini menunjukkan pada tahap ini neural
network yang dibentuk belum memiliki performa terbaik
dibuktikan dengan menguji 10 sample dataset setelah
melakukan proses training dan didapat error sebesar
25 % pada tahap ini. Sistem pengontrol berbasi
ATmega256 yang berkoordinasi dengan program yang
dibangun untuk Raspberri Pi 3 dengan bahasa C# mampu
berkomunikasi dengan baik saat menghidupkan lampu secara
manual meliputi lampu 1 hingga lampu 8 pada blok 1 hingga
blok 2. Perancangan rangkaian driver relay dengan
konfigurasi transistor darlington mampu menghidupkan relay
hanya dengan arus basis sebesar 674.774 uA (micro ampere)
sehingga dapat digunakn untuk mengontrol 16 relay yang ada
pada sistem yang dibangun. Sistem secara keseluruhan diuji
setelah mengambil data selama 1 minggu dari penggunaan
lampu secara manual kemudian melakukan proses training,
dan berhasil mengontrol lampu secara otomatis pada blok 1
dan blok 2. Setelah implementasi sistem, hasil error terkecil
yang didapat setelah proses training adalah 0.8916
REFERENSI
[1] W. N. W. Muhamad, M. Y. M. Zain, N. Wahab, N. H. a.
Aziz, and R. a. Kadir, “Energy Efficient Lighting
System Design for Building,” Intell. Syst. Model. Simul.
(ISMS), 2010 Int. Conf., pp. 282–286, 2010.
[2] D. Tran and Y. K. Tan, “Sensorless illumination control
of a networked LED-lighting system using feedforward
neural network,” IEEE Trans. Ind. Electron., vol. 61,
no. 4, pp. 2113–2121, 2014.
[3] J. Castán, S. Ibarra, and J. Laria, “Sophisticated Traffic
Lights Control using Neural Networks,” Rev. IEEE Am.
Lat., vol. 13, no. 1, pp. 96–101, 2015.
[4] M. T. Hagan, H. B. Demuth, and M. H. Beale, “Neural
Network Design,” Bost. Massachusetts PWS, vol. 2, p.
734, 1995.
[5] M. Kubat, “Neural networks: a comprehensive
foundation by Simon Haykin, Macmillan, 1994, ISBN
0-02-352781-7.,” The Knowledge Engineering Review,
vol. 13, no. 4. p. S0269888998214044, 1999.
[6] E. D. Michie, D. J. Spiegelhalter, and C. C. Taylor,
“Machine Learning , Neural and Statistical
Classification,” Technometrics, vol. 37, no. 4, p. 459,
1994.
[7] J. Oxer and H. Blemings, Practical Arduino. 2009.
[8] C. Bell, Beginning sensor networks with Arduino and
Raspberry Pi, vol. 9781430258. 2013.
[9] D. F. Da Silva and D. Acosta-Avalos, “Light dependent
resistance as a sensor in spectroscopy setups using
pulsed light and compared with electret microphones,”
Sensors, vol. 6, no. 5, pp. 514–525, 2006.
[10] Sutono, “Perancangan sistem aplikasi otomatisasi
lampu penerangan menggunakan sensor gerak dan
sensor cahaya berbasis arduino UNO (ATMega 328),”
Maj. Ilm. UNIKOM, vol. 12, no. 2, pp. 223–232, 2014.
[11] B. G. E. Urroz, “Programming with MATLAB,” no.
August 2002, pp. 1–23, 2004.
[12] E. Boysen and N. Muir, Electronics Projects For
Dummies. 2006.