LUMBANTORUAN, JAMES ERICK and Suhendra, Tonny and Nugraha, Sapta (2025) IMPLEMENTASI EDGE COMPUTING DALAM MEMPREDIKSI SUHU DAN KELEMBABAN MENGGUNAKAN ALGORITMA ARTIFICIAL NEURAL NETWORK. S1 thesis, Universitas Maritim Raja Ali Haji.
![[img]](http://repositori.umrah.ac.id/style/images/fileicons/text.png) |
Text (Cover)
JAMES ERICK LUMBANTORUAN_2101010002_Teknik Elektro dan Informatika_Cover.pdf - Published Version Download (867kB) |
|
Text (Abstrak)
JAMES ERICK LUMBANTORUAN_2101010002_Teknik Elektro dan Informatika_Abstrak.pdf - Published Version Download (520kB) |
|
Text (BAB I)
JAMES ERICK LUMBANTORUAN_2101010002_Teknik Elektro dan Informatika_BAB I.pdf - Published Version Download (302kB) |
|
Text (Daftar Pustaka)
JAMES ERICK LUMBANTORUAN_2101010002_Teknik Elektro dan Informatika_Daftar Pustaka.pdf - Published Version Download (538kB) |
|
Text (Full Teks)
JAMES ERICK LUMBANTORUAN_2101010002_Teknik Elektro dan Informatika_Full Teks.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy |
Abstract
Penelitian ini bertujuan untuk memprediksi suhu dan kelembaban udara menggunakan algoritma Artificial Neural Network (ANN) yang diimplementasikan pada perangkat edge ESP32 sebagai solusi saat sensor DHT22 gagal membaca data. Model ANN dibangun dan dilatih menggunakan TensorFlow, kemudian dikonversi ke format TensorFlow Lite dan diintegrasikan ke dalam perangkat edge. Sebelum pengujian, dilakukan kalibrasi sensor DHT22 terhadap sensor HMP155 Vaisala di BMKG Kelas III Tanjungpinang, menghasilkan koefisien determinasi (R²) mendekati 1, yang menunjukkan tingkat akurasi tinggi. Pengujian dilakukan selama dua hari dengan interval prediksi 5 hingga 120 menit. Hasil penelitian menunjukkan bahwa model ANN memiliki tingkat akurasi yang tinggi pada prediksi jangka pendek (5–10 menit) dengan nilai MAE sekitar 0,22–0,41 °C untuk suhu dan 0,16–0,24 %RH untuk kelembaban. Akurasi mengalami penurunan pada prediksi jangka menengah hingga panjang, dengan kesalahan maksimum mencapai 3,26 °C dan 14,00 %RH. Secara keseluruhan, sistem ini terbukti efektif dalam memberikan prediksi yang dapat diandalkan di saat sensor mengalami kegagalan, serta memiliki potensi untuk ditingkatkan dengan menambahkan variabel lingkungan sebagai input model.
| Item Type: | Thesis (S1) | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| Contributors: |
|
|||||||||
| Subjects: | 000_umum > 000. Ilmu Umum dan Komputer > 006.3 Artificial Intelligence/Kecerdasan Buatan | |||||||||
| Divisions: | Fakultas Teknik > Program Studi Teknik Elektro | |||||||||
| Depositing User: | user Teknik Elektro | |||||||||
| Date Deposited: | 29 Jul 2025 03:00 | |||||||||
| Last Modified: | 29 Jul 2025 03:00 | |||||||||
| URI: | http://repositori.umrah.ac.id/id/eprint/9185 |
Actions (login required)
 |
View Item |