SISTEM OTOMASI LAMPU RUMAH ADAPTIF BERBASIS …

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 [email protected]

[email protected]

[email protected]

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

mailto:[email protected]

mailto:[email protected]


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

https://id.wikipedia.org/wiki/RAM

https://id.wikipedia.org/wiki/MB

https://id.wikipedia.org/wiki/Ethernet


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)








Hidden Layer100 neuron

Gambar 2 Arsitektur algoritma ANN untuk otomasi lampu rumah/gedung


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


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


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

.


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


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.

Documents

SISTEM OTOMASI LAMPU RUMAH ADAPTIF BERBASIS …