BAB III ANALISIS DAN PERANCANGAN SISTEM
3.8. Perancangan Instalasi Perangkat Keras
Perancangan instalasi pada perangkat keras merupakan cara untuk membentuk media penghubung pada seluruh perancangan perangkat keras sehingga antara satu alat dengan alat lainnya dapat terhubung. Pada perancangan instalasi perangkat keras dilakukan pemberian perintah kepada masing-masing perangkat keras untuk bekerja dan berjalan sesuai dengan fungsinya. Dalam perancangan perangkat keras ini dilakukan pengaturan perintah pada Arduino uno untuk kemudian bisa diterima oleh perangkat keras lainnya agar berjalan sesuai dengan fungsinya masing-masing.
Arduino uno merupakan pusat dari keseluruhan sistem karena seluruh perintah yang diberikan pada masing-masing perangkat kerasakan diproses dalam Arduino uno.
41 3.8.1 Perancangan sensor Mq-135 dengan Arduino
Pada perancangan perangkat ini, sensor Mq-135 dihubungkan pada rangkaian arduino sebagai pendeteksi gas dan asap, sensor Mq-135 memiliki keluaran sinyal Analog yang dikalibrasi dengan sensor gas dan asap yang kompleks. Data tersebut kemudian dibaca oleh kontroler melalui port A0.
Penjelasan pada rangkaian ini adalah sebagai berikut:
1. Menghubungkan kabel jumper dari kaki ke-1 atau kata dengan Vcc kedalam 5V Arduino
2. Menghubungkan kabel jumper dari kaki ke-2 DHT11 atau dengan kata GND(Ground) kedalam pin GND Arduino
3. Menghubungkan kabel jumper dari kaki ke-3 atau kata dengan A kedalam pin A0 Arduino
‘
Gambar 3.13 Perancangan Sensor Mq-135 dengan Arduino
42 3.8.2. Perancangan Sensor debu dengan Arduino
Pada perancangan perangkat ini, Dust Sensor SHARP GP2Y1010AU0F dihubungkan pada rangkaian arduino sebagai pendeteksi debu, Dust Sensor SHARP GP2Y1010AU0F memiliki keluaran sinyal Analog yang dikalibrasi dengan sensor debu yang kompleks. Data tersebut kemudian dibaca oleh kontroler melalui port A6.
Gambar 3.14 Perancang Sensor Debu dengan Arduino
43 3.8.3. Perancangan Sistem secara keseluruhan
Gambar 3.16 Perancangan Keseluruhan Perangkat
44 BAB IV
IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1. Implementasi Sistem
4.1.1 Spesifikasi software dan hardware yang digunakan
Spesifikasi perangkat lunak (software) dan perangkat keras (hardware) yang digunakan dalam membangun sistem ini adalah sebagai berikut:
a. Sistem operasi yang digunakan adalah Microsoft Windows 8.1 64 Bit b. Arduino Uno
c. Scratch Arduino Uno
d. Processor AMD A8-7410 APU with AMD Radeon R5 Graphics 2.20 Ghz
e. Memory 3.41 Gb RAM f. Kapasitas Hardisk 464 GB g. XAMPP
h. Google Chrome i. Python ide versi 2.7 j. GSM Shield SIM 908 k. Sensor Mq-135
l. Dust Sensor SHARP GP2Y1010AU0F
4.1.2. Implementasi Rangkaian modul GSM Shield SIM 908
Gambar 4.1 GSM Shield SIM908 dengan Arduino
45 Pada Gambar 4.1 rangkaian modul GSM Shield dihubungkan ke arduino dengan bagian GSM Shield dimasukkan ke port arduino. Cara kerja modul ini adalah, sama dengan Arduino dengan menggunakan kartu GSM.
4.1.3. Implementasi Rangkaian MQ-135
Gambar 4.2 Rangkaian MQ-135
Pada Gambar 4.2 MQ-135 dihubungkan pada arduino, pada rangkaian ini terdapat 1 buah regulator. Posisi dari rangkaian sensor MQ-135 dihubungkan dengan sebuah tiang kecil yang berbentuk L. Cara kerja rangkaian regulator ini adalah, jika pasokan tegangan sebesar 12 Volt diubah menjadi daya 5 volt agar tidak terjadi kekurangan daya.
4.1.4. Implementasi Rangkain Sensor Sharp Dust
Gambar 4.3 Rangkaian Sensor Sharp Dust
46 Pada Gambar 4.3 sensor sharp dust dihubungkan pada arduino, dan dihubungkan dengan papan board. Didalam papan board ada resistor 220V , dan Elco 220uF yang berguna mengataur daya yang masuk.
4.1.5 Rangkaian Keseluruhan
Gambar 4.4 Rangkaian Keseluruhan
4.1.6 Implementasi Perancangan Antar Muka
Adapun implementasi perancangan antar muka yang telah dilakukan sebelumnya pada sistem adalah:
1. Halaman Awal
Pada halaman awal aplikasi terdapat diatas sebelah kiri terdapat nama aplikasi diatas sebelah kanan kita bisa memilih menu.
Gambar 4.5 Tampilan Awal Website
47 2. Halaman Result
Pada halaman result menampilkan hasil monitoring sensor dan jumlah kendaraan
Gambar 4.6. Halaman Result
3. Halaman Regresi Linier
Pada halaman regresi linier menampilkan data sensor dan jumlah kendaraan dengan table, kemudian seluruh table sudah di hitung dan menampilkan persamaan regresi liniernya.
Gambar 4.7. Halaman Perhitungan Regresi Linier
48 4. Halaman Graphic
Halaman ini menunjukkan grafik dari hasil persamaan regresi linier.
Gambar 4.8. Halaman Grafik
4.2. Pengkodean Sistem
Pada tahap ini, dilakukan pembuatan kode program untuk merealisasikan perancangan prototipe yang sebelumnya telah dibuat. Dalam pengkodean sistem dibuat dengan tiga kode program yaitu untuk alat monitoring lingkungannya dengan IDE Arduino dengan bahasa pemrograman C, penghitungan jumlah kendaraan menggunakan bahasa pemrograman Python serta kode program untuk mengambil dan mengirim data hasil monitoring ke server dengan bahasa pemrograman PHP. Kode program pada alat yang dibuat terdiri dari beberapa fungsi, yaitu:
1. Fungsi untuk mendeteksi gas atau asap di udara.
2. Fungsi untuk mendeteksi debu.
3. Fungsi untuk mendeteksi menghitung jumlah kendaraan.
4. Fungsi untuk mengirim data monitoring ke server.
4.3. Pengujian Sistem
49 4.3.1. Pengujian Pengiriman Data dari GSM Shield ke Server
Pada tahap ini pengujian kinerja sistem akan dilakukan untuk mengetahui kinerja sistem dalam melakukan pendeteksian apakah sudah berjalan dengan baik. Untuk pengujian sistem pengiriman data dari GSM Shield Main Board ke server dengan menggunakan kartu GSM Telkomsel memiliki perbedaan waktu antara data awal dengan data berikutnya berkisar antara 20-30 detik. Pada program perangkat keras, pengiriman data diprogram dengan jeda waktu 10 detik namun waktu tersebut bukan merupakan waktu total dikarenakan dalam proses pengiriman data dengan modul GSM Shield diperlukan waktu untuk proses koneksi ke jaringan.
4.3.2. Pengujian Perhitungan Jumlah Kendaraan
Hasil pengujian perhitungan jumlah kendaraan seperti pada table 4.1 kurang lebih berdurasi 3 menit untuk setiap videonya.
Tabel 4.1 Perhitungan Jumlah Kendaraan
NO Image Result
50
51
52
Berdasarkan hasil data uji pada tabel 4.1, Blob Detection pada tahapan image processing dalam menentukan kepadatan kendaraan di jalan raya dihitung dengan menggunakan perhitungan precision dan recall. Precision adalah tingkat ketepatan informasi yang diminta oleh user terhadap sistem dan recall adalah tingkat keberhasilan sistem dalam menemukan kembali informasi.
Tabel 4.2. Nilai F-Score
TP TN FP FN
53
Berdasarkan tabel 4.2, didapat nilai precision sebesar 100% dan recall sebesar 62.5%. Dari hasil kedua nilai tersebut dapat dihitung kinerja sistem dengan menggunakan nilai f-score. Nilai f-score merupakan nilai akurasi yang digunakan untuk menyatakan sebuah sistem telah bekerja secara efektif atau tidak. Nilai f-score yang dihasilkan oleh perhitungan adalah sebesar 81.2%. Dengan nilai f-score yang telah melebihi 50%, maka kinerja Blob Detection dapat dinilai telah berjalan dengan efektif, walapun beberapa kali dalam proses pengujian masih didapati error labelling yang dapat berpengaruh untuk proses penghitungan jumlah kendaraan. Error labelling yang di maksud yaitu ketika kendaraan yang mau terdeteksi begitu rapat sehingga terjadinya error, kemudian terlalu banyak objek yang bergerak dikarenakan sewaktu merekamnya mengalami gangguan, oleh karena itu banyak objek yang diam menjadi bergerak dan terhitung sewaktu melewati garis ketika menghitung kendaraan.
4.3.3. Pengujian Perhitungan Regresi Linier
4.3.3.1. Regresi Linier Jumlah Kendaraan dengan Jumlah Gas
54 Tabel 4.3 Regresi Linier Jumlah Kendaraan dengan Jumlah Gas
No menggunakan rumus yang sudah dicantumkan pada BAB III.
𝑎 = (Σ𝑌 ∗ Σ𝑋2) − (Σ𝑋 ∗ Σ𝑋𝑌) 𝑛 ∗ Σ𝑋2− (Σ𝑋)2
𝑎 =(2571 ∗ 26503.5399) − (655.23 ∗ 101883.44) 17 ∗ 26503.5399 − (655.23)2
𝑎 =68140601.08 − 66757086.39 450560.1783 − 429326.3529
55 𝑏 =(17 ∗ 101883.44) − (655.23 ∗ 2571)
17 ∗ 26503.5399 − (655.23)2 𝑏 = 1732018 − 1684596.33
450560.1783 − 429326.3529 𝑏 = 47422.15
21233.8254 𝑏 = 2.233
4.3.3.1.1 Pengujian Data Jumlah Kendaraan dengan Gas menggunakan Aplikasi SPSS
1. Variable Entered Removed
Tabel 4.4. Output Variabel X1 Variables Entered/Removeda
a. Dependent Variable: Partisipasi b. All requested variables entered.
Tabel di atas menjelaskan tentang variable yang dimasukkanan serta metode yang digunakan. Dalam hal ini variable yang dimasukkan adalah variable Trust sebagai variable independen dan partisipasi sebagai variable dependen dan metode yang digunakan adalah metode enter.
2. Model Summary
Tabel 4.5. Output Model Summary X1 Model Summary
a. Predictors: (Constant), Trust
Tabel diatas menjelaskan besarnya nilai Korelasi atau Hubungan (R) yaitu sebesar 0.926. Dari output tersebut diperoleh koefisien determinasi (R-Square) sebesar 0.858, yang mengandung
56 makna bahwa pengaruh variable bebas (Trust) terhadap variable terikat (Partisipasi) adalah sebesar 85.8%.
3. ANOVA
a. Dependent Variable: Partisipasi b. Predictors: (Constant), Trust
Dari output tersebut diketahui bahwa nilai F-hitung = 90.281 dengan tingkat signifikansi sebesar 0.000 < 0.05, maka model regresi dapat dipakai untuk memprediksi variable partisipasi atau dengan kata lain ada pengaruh varibel Trust (X1) terhadap variable partisipasi (Y).
4. Coefficients
Tabel 4.7. Output Coefficients X1 Coefficientsa
a. Dependent Variable: Partisipasi
Dari table diatas, diketahui nilai Constant (a) sebesar 65.156, sedang nilai Trust (b / Koefisien Regresi) sebesar 2.233, sehingga persamaan regresinya dapat ditulis sebagi berikut:
Y = a + b X1
Y = 65.156 + 2.233 X1
Persamaan tersebut dapat diartikan sebagai berikut:
57 a) Konstanta sebesar 65.156 mengandung arti bahwa nilai konsisten
variable partisipasi adalah sebesar 65.156.
b) Koefisien regresi X1 sebesar 2.233 menyatakan bahwa setiap penambahan 1 % nilai Trust, maka nilai partisipasi bertambah sebesar 2.233. Koefisien regresi tersebut bernilai positif, sehingga dapat dikatakan bahwa arah pengaruh variable X1 terhadap Y adalah positif.
c) Dari table Coefficients diperoleh nilai signifikansi 0.000 < 0.05 sehingga dapat disimpulkan bahwa variable Trust (X1) berpengaruh terhadap variable partisipasi (Y).
d) Berdasarkan nilai t: diketahui thitung sebesar 9,502 > ttabel 2.131, sehingga dapat disimpulkan bahwa variable Trust (X1) berpengaruh terhadap variable partisipasi (Y). Di bawah ini dapat dijelaskan cara mencari ttabel sebagai berikut :
ttabel = (a /2 ; n-k-1) = (0,05/2 ; 17 – 1 -1)
= (0,025 ; 15) [Dapat dilihat pada table distribusi nilai ttabel] = 2.131
4.3.3.2.Regresi Linier Jumlah Kendaraan dengan Jumlah Debu
Tabel 4.8. Regresi Linier Jumlah Kendaraan dengan Jumlah Debu
No
58 menggunakan rumus yang sudah dicantumkan pada BAB III.
𝑎 = (Σ𝑌 ∗ Σ𝑋2) − (Σ𝑋 ∗ Σ𝑋𝑌) 𝑛 ∗ Σ𝑋2− (Σ𝑋)2
𝑎 =(2571 ∗ 1137.35) − (127.43 ∗ 20279) 17 ∗ 1137.35 − (127.43)2 𝑎 =2924127.107 − 2584225.605
19334.9517 − 16238.4049 𝑏 = 344752.69 − 327622.53
19334.9517 − 16238.4049 𝑏 = 17130.16
3096.547 𝑏 = 5.53202
59 4.3.3.2.1. Pengujian Data Jumlah Kendaraan dengan Debu menggunakan
Aplikasi SPSS
1. Variable Entered Removed
Tabel 4.9. Ouput Variabel X2 Variables Entered/Removeda
a. Dependent Variable: Partisipasi c. All requested variables entered.
Tabel 4.1
Tabel di atas menjelaskan tentang variable yang dimasukkanan serta metode yang digunakan. Dalam hal ini variable yang dimasukkan adalah variable Trust sebagai variable independen dan partisipasi sebagai variable dependen dan metode yang digunakan adalah metode enter.
2. Model Summary
Tabel 4.10 Output Model Summary Model Summary
a. Predictors: (Constant), Trust
60 Tabel diatas menjelaskan besarnya nilai Korelasi atau Hubungan (R) yaitu sebesar 0.876. Dari output tersebut diperoleh koefisien determinasi (R-Square) sebesar 0.767, yang mengandung makna bahwa pengaruh variable bebas (Trust) terhadap variable terikat (Partisipasi) adalah sebesar 76.7%
3. ANOVA
Tabel 4.11. Output Uji Anova X2 ANOVAa
a. Dependent Variable: Partispasi b. Predictors: (Constant), Trust
Dari output tersebut diketahui bahwa nilai F-hitung = 49.457 dengan tingkat signifikansi sebesar 0.000 < 0.05, maka model regresi dapat dipakai untuk memprediksi variable partisipasi atau dengan kata lain ada pengaruh varibel Trust (X2) terhadap variable partisipasi (Y).
4. Coefficients
Tabel 4.12 Output Coefficients X2 Coefficientsa
a. Dependent Variable: Partispasi
Dari table diatas, diketahui nilai Constant (a) sebesar 109.768, sedang nilai Trust (b / Koefisien Regresi) sebesar 5.532, sehingga persamaan regresinya dapat ditulis sebagi berikut:
Y = a + b X2
Y = 109.768 + 5.532 X2
61 Persamaan tersebut dapat diartikan sebagai berikut:
a) Konstanta sebesar 109.768 mengandung arti bahwa nilai konsisten variable partisipasi adalah sebesar 109.768.
b) Koefisien regresi X2 sebesar 5.532 menyatakan bahwa setiap penambahan 1 % nilai Trust, maka nilai partisipasi bertambah sebesar 5.532. koefisien regresi tersebut bernilai positif, sehingga dapat dikatakan bahwa arah pengaruh variable X2 terhadap Y adalah positif.
c) Dari table Coefficients diperoleh nilai signifikansi 0.000 < 0,05 sehingga dapat disimpulkan bahwa variable Trust (X2) berpengaruh terhadap variable partisipasi (Y).
d) Berdasarkan nilai t: diketahui thitung sebesar 7.033 > ttabel 2.131, sehingga dapat disimpulkan bahwa variable Trust (X2) berpengaruh terhadap variable partisipasi (Y). Di bawah ini dapat dijelaskan cara mencari ttabel sebagai berikut :
ttabel = (a /2 ; n-k-1) = (0,05/2 ; 17 – 1 -1)
= (0,025 ; 15) [Dapat dilihat pada table distribusi nilai ttabel] = 2.131
62 BAB V
KESIMPULAN DAN SARAN
Berdasarkan hasil analisis dan pembahasan yang dilakukan dalam penelitian ini, maka peneliti mengambil kesimpulan dan memberikan saran yang diharapkan dapat bermanfaat untuk mengambil keputusan dan penelitian selanjutnya.
5.1. Kesimpulan
Berdasarkan hasil penelitian dan pembahasan maka penulis memberikan kesimpulan sebagai berikut:
1. Variabel gas dan debu secara bersama-sama berpengaruh positif dan signifikan terhadap jumlah kendaraan dengan thitung > ttabel yang artinya hipotesis dalam penelitian ini diterima.
2. Variabel gas lebih besar berpengaruh terhadap jumlah kendaraan yaitu sebesar 85.8% sedangkan untuk variable debu besarnya 76.7%.
3. Sistem monitoring jumlah gas dan debu dengan menggunakan modul GSM Shield dapat menyajikan dan memberikan informasi secara real time.
4. Sistem monitoring jumlah gas dan debu ini dapat menampilkan data dalam bentuk tabel dan grafik dengan baik.
5. Blob Detection dapat menentukan dan menghitung objek yang bergerak pada jalan raya dengan melakukan perbandingan piksel antara jalan kosong dan jalan yang berisi kendaraan dengan persentase keberhasilan sebesar 81.25% sedangkan sisanya sebesar 18.75% dapat dijelaskan oleh variable-variabel lain yang tidak diteliti dalam penelitian ini.
5.2. Saran
Adapun saran untuk pengembangan penelitian berikutnya adalah sebagai berikut:
1. Meningkatkan akurasi tracking objek dengan memperbaiki atau menambah tahapan image processing pada sistem yang sudah dibangun.
63 2. Lebih ditingkatkan tingkat akurasi untuk menghitung jumlah kendaraan
di saat situasi jumlah kendaraan di jalan raya kondisinya padat.
3. Pada pengembangan alat dapat dilakukan penambahan pada alat sensor untuk melengkapi parameter yang belum ada sehingga penggunaan alat ini menjadi lebih kompleks.
4. Penggunaan website dapat dikembangkan lagi dengan menambahkan beberapa fitur sehingga menjadi lebih menarik dan responsif.
64 DAFTAR PUSTAKA
Adams, M. D., & Kanaroglou, P. S. (2016). Mapping real-time air pollution health risk for environmental management: Combining mobile and stationary air pollution monitoring with neural network models. Journal of Environmental Management, 168, 133–141. https://doi.org/10.1016/j.jenvman.2015.12.012
Aynurrohmah, M., Sunyoto, A., & Kunci, K. (2011). PENGHITUNG JUMLAH MOBIL MENGGUNAKAN PENGOLAHAN CITRA DIGITAL DENGAN INPUT VIDEO DIGITAL, 12(3), 2–6.
Kurniawan, D. (2008). Regresi Linier. Statistic, 1–6.
Pribadi, B., & Naseer, M. (2014). Sistem Klasifikasi Jenis Kendaraan Melalui Teknik Olah Citra Digital, 3(2), 35–39.
Umami, R. M. (2010). Perancangan dan Pembuatan Alat Pengendali Asap Rokok Berbasis Mikrokontroler At89S8252. Jurnal Neutrino, 2(2), 155–163.
Wisnulaksito, F. A., Sari, M. W., Tentua, M. N., Studi, P., Informatika, T., Rancang, P., … Visual, D. (2017). Rancang bangun sistem pendeteksi debu berbasis arduino, 6(2), 31–41.
Yip, S. C., Wong, K. S., Hew, W. P., Gan, M. T., Phan, R. C. W., & Tan, S. W.
(2017). Detection of energy theft and defective smart meters in smart grids using linear regression. International Journal of Electrical Power and Energy Systems, 91, 230–240. https://doi.org/10.1016/j.ijepes.2017.04.005
Manurung, Octavia Yohana.(2018). SIMULASI PENGATURAN LAMPU LALU LINTAS DINAMIS MENGGUNAKAN ADAPTIVE NEURO-FUZZY
65 INFERENCE SYSTEM (ANFIS).Fakultas Ilmu Komputer dan Teknologi Informasi. Universitas Sumatera Utara. Medan
Indra, Roy. (2008). PENGARUH BUDAYA KERJA, DAN KOMITEMEN KARYAWAN TERHADAP KINERJA KARYAWAN PADA BAGIAN OPERASI PT.PLN SEKTOR PEMBANGKITAN MEDAN BELAWAN, SUMATERA UTARA. Fakultas Ekonomi dan Bisnis. Universitas Sumatera Utara. Medan
Nasution, Azmi Nur. (2018). SISTEM MONITORING POLUSI UDARA MENGGUNAKAN WASPMOTE GASES SENSOR. Fakultas Ilmu Komputer dan Teknologi Informasi. Universitas Sumatera Utara. Medan
Rangkuti, Afrizal Yusuf. (2018). APLIKASI REAL-TIME SENSOR UNTUK MENGUKUR PROFIL VERTIKAL ATMOSFER. Fakultas Ilmu Komputer dan Teknologi Informasi. Universitas Sumatera Utara. Medan
Marbun, Khairina Ulfa. (2018). PREDIKSI KONDISI LALU LINTAS MENGGUNAKAN MULTIPLE LINIER REGRESSION. Fakultas Ilmu Komputer dan Teknologi Informasi. Universitas Sumatera Utara. Medan