Model Optimasi Keterisian Ruangan dengan IoT dan Kecerdasan Buatan
Keywords:
Keterisian ruang, Jaringan syaraf tiruan, AI, IoTAbstract
Keterisian (occupancy) ruangan merupakan faktor penting dalam pengelolaan berbagai jenis bangunan, termasuk gedung perkantoran, pusat perbelanjaan, rumah sakit, dan fasilitas umum lainnya. Ruangan yang tidak digunakan secara optimal dapat menyebabkan pemborosan energi, ketidaknyamanan penghuni, dan peningkatan risiko kecelakaan. Untuk mengatasi masalah tersebut, diperlukan informasi mengenai keterisian ruangan yang akurat, informasi mengenai keterisian ruangan menjadi dasar bagi berbagai keputusan. Metode penelitian ini mencakup beberapa tahap penelitian yang melibatkan pengumpulan data pelatihan dari kaggle.com dengan variabel bebas suhu, kelembaban, kuatnya pencahayaan dan kadar CO2 pada ruangan. analisis dan pengembangan model prediktif menggunakan algoritma jaringan syaraf tiruan. Kesimpulan model prediksi keterisian ruangan dengan variable bebas suhu, kelembaban, kuatnya penchayaan lampu dan kadar CO2 menggunakan algoritma jaringan syaraf tiruan / neural network didapat hasil yang sangat signifikan sebesar 99%. Karena itu model ini dapat digunakan untuk memprediksi keterisian ruangan menggunakan sensor-sensor IoT.References
[1] Yassine Himeur etl, AI‑big data analytics for building automation and management systems: a survey, actual challenges and future perspectives, https://doi.org/10.1007/s10462-022-10286-2, 2022
[2] Sofiat O. Abioye etl, Artificial intelligence in the construction industry: A review of present status, opportunities and future challenges, https://doi.org/10.1016/j.jobe.2021.103299, 2020
[3] Samuel Greengard, The Internet of Things, Cambridge, MA: MIT Press, 2015
[4] Bruce Sinclair,IoT Inc: How Your Company Can Use the Internet of Things to Win in the Outcome Economy, McGraw Hill : New York., 2017
[5] Adrian McEwen and Hakim Cassimally,Designing the Internet of Things, © 2014 John Wiley and Sons, Ltd.
[6] Stuart Russell dan Peter Norvig,Artificial Intelligence: A Modern Approach, c 2010, 2003, 1995 by Pearson Education, Inc.
[7] Ian Goodfellow, Yoshua Bengio, and Aaron Courville: Deep learning: The MIT Press, 2016
[8] Peter Flach, Machine Learning: The Art and Science of Algorithms that Make Sense of Data
[9] Room Occupancy, https://www.kaggle.com/datasets/sachinsharma1123/room-occupancy, 30/09/2023
[10] Aurélien Géron, Hands on Machine Learning with Scikit Learn Keras and TensorFlow 2nd Edition, O'Reilly Media Inc, 2019
[11] Raschka, Sebastian, and Vahid Mirjalili. Python Machine Learning, 3rd Ed. Packt Publishing, 2019.
[12] Orange data mining Fruitful and Fun, https://orangedatamining.com/, 30/09/2023.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Angger Rahmanto
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.