Fakultas Ilmu Komputer
6485
Sistem Pengenalan Peralatan Elektronik Dapur yang Terhubung pada Stop
Kontak Menggunakan Metode K
-Nearest Neighbor
(K-NN)
Rizka Ayudya Pratiwi1, Dahnial Syauqy 2, Hurriyatul Fitriyah3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Penggunaan alat elektronik secara berlebihan dan tidak terkontrol oleh penyewa pada rumah kos tentunya akan berdampak buruk pada sisi pemilik kos dalam segi ekonomi. Banyak dari pemilik kos yang menyedikan peraturan untuk tidak menggunakan beberapa peralatan elektronik tambahan seperti peralatan elektronik dapur dan apabila digunakan maka akan dikenakan biaya tambahan. Namun peraturan tersebut juga banyak dilanggar oleh penyewa tanpa sepengetahuan dari pemilik kos tersebut. Pada penelitian ini dirancang sistem untuk mengetahui peralatan elektronik dapur apa yang tertancap pada stop kontak untuk memudahkan pemantauan pemakian listrik. Sistem yang dirancang menggunakan metode K-Nearest Neighbor (K-NN) sebagai metode klasifikasinya, NodeMCU sebagai pengontrol utama sistem dan sensor YHDC SCT-013-100 sebagai sensor pembaca arus. Sistem akan mengklasifikasi peralatan elektronik dapur rice cooker, blender, juicer, heater dan mixer berdasarkan parameter arus total yang keluar dari stop kontak tersebut. Kelima peralatan tersebut diklasifikasi pada stop kontak dengan 3 lubang sehingga menghasilkan 10 kelas dalam klasifikasinya. Selanjutnya data arus yang didapat akan dikirimkan pada NodeMCU untuk melakukan proses klasifikasi menggunakan metode K-Nearest Neighbor (K-NN). Hasil dari klasifikasi tersebut kemudian dikirimkan pada Android smartphone. Berdasakan hasil pengujian didapatkan presentase sebesar 90.00% dengan nilai k=1. Sistem dapat melakukan klasifikasi terhapat perangkat yang sedang digunakan dan membutuhkan rata-rata waktu selama 10072,2 ms untuk melakukan akuisisi data serta membutuhkan rata-rata waktu selama 12,4 ms untuk melakukan klasifikasi.
Kata kunci: stop kontak, YHDC SCT-013-100, klasifikasi, K-Nearest Neighbor
Abstract
The use of electronic devices that are used excessively and uncontrolled by the tenants in a boarding house will certainly have a negative impact on the owner side in terms of economy. Many of the board owners who provide rules to not use some additional electronic equipment such as electronic kitchen equipment and when used it will incur additional costs. But the regulation is also much violated by the tenant without the knowledge of the owner of the boarding. In this study designed a system to find out what kind of electronic kitchen equipment plugged into electric socket to facilitate the monitoring of electrical appliances. The system designed using the K-Nearest Neighbor (K-NN) method as its classification method, NodeMCU as the system's main controller and YHDC SCT-013-100 sensor as the current reader sensor. The system will classify the kitchen utensils of rice cooker, blender, juicer, heater and mixer based on the total current parameters out of the socket. The five equipments are classified on 3-hole so resulting in 10 classes in their classification. Furthermore, the current data obtained will be sent to NodeMCU to perform the classification process using K-Nearest Neighbor (K-NN) method. Results from the classification are then sent on Android smartphone. Based on the test results obtained percentage of 90.00% with a value of k = 1. The system can classify kitchen devices that are in use and require an average time of 10072.2 ms to perform data acquisition and require an average time of 12.4 ms for classification.
1. PENDAHULUAN
Listrik telah menjadi kebutuhan utama selain kebutuhan manusia terhadap makanan, pakaian dan rumah pada era modern saat ini. Di Indonesia saja jumlah pengguna listrik negara (PLN) selalu meningkat secara drastis dari tahun ke tahun dan mencapai 61.214.562 pelanggan pada tahun 2015 (Badan Pusat Statistik, 2017). Menurut data Badan Pusat Statistik, penggunaan listrik yang bersumber dari Perusahaan Listrik Negara (PLN) sebagian besar digunakan pada skala rumah tangga dengan total 56.649.029 pelanggan pada tahun 2015 (Badan Pusat Statistik, 2017). Penggunaan listrik rumah tangga sebagian besar digunakan untuk mengoperasikan alat elektronik pada rumah dengan daya rata-rata 900 watt untuk setiap rumah. Penggunaan tersebut sebagian besar juga berasal dari rumah kos yang khususnya berada pada kota yang sebagaian besar penduduknya berstatus pekerja dan mahasiswa. Hal tersebut dibuktikan dengan data Badan Pusat Statistik Kota Jakarta Timur tahun 2014 pada jumlah rumah kos sebanyak 1.560 rumah hanya pada tingkat Kecamatan Jakarta Timur (Suku Dinas Perumahan Kota Administrasi Jakarta Timur, 2018). Oleh karena itu, penghematan daya listrik pada skala rumah tangga khusunya pada penelitian ini ditekankan pada penghematan untuk rumah kos akan sangat efisien untuk mengurangi jumlah energi listrik yang digunakan.
Penghematan daya listrik pada penelitian ini ditekankan pada rumah kos dengan tingkat pengawasan pada penggunaan listrik yang rendah. Berbeda dengan penggunaan daya listrik pada skala rumah tangga biasa yang hanya pemilik rumah dan keluarga sebagai penggunanya, penggunaan daya listrik pada rumah kos cenderung tidak terkontrol oleh pemilik kos sendiri. Penggunaan alat elektronik yang digunkan secara berlebihan dan tidak terkontrol oleh penyewa pada rumah kos tentunya akan berdampak buruk pada sisi pemilik kos dalam segi ekonomi. Penghematan daya listrik pada skala rumah dapat dilakukan menggunaan kemajuan teknologi dengan memanfaatkan sistem smarthome atau home automation. Sistem smarthome adalah fitur atau sistem yang terpasang pada suatu rumah dengan tujuan untuk mengontrol peralatan ataupun kebutuhan penghuni rumah secara otomatis. Tujuan dari
sistem Home Automation mencakup kemudahan, efisiensi energi, keamanan, dan kenyamanan.
Berdasarkan semua permasalahan tentang penghematan energi listrik dan pemanfaatan teknologi smarthome atau home automation tersebut, perlu adanya suatu perancangan atau sistem yang berfokus pada pengembangan dan menciptakan teknologi pada smarthome atau home automation yang nantinya akan bertujuan untuk penghematan energi listrik itu sendiri. Pada penelitian ini, penulis mengusulkan sebuah sistem untuk pengenalan peralatan elektronik yang terhubung atau tertancap pada stop kontak. Dengan mengetahui peralatan elektronik yang tertancap pada stop kontak tersebut, khususnya pada penelitian ini ditekankan pada penggunaan pada rumah kos, maka pemilik kos dapat mengontrol dan memantau penggunaan listrik pada rumah kosnya dengan mengetahui peralatan apa saja yang tertancap pada stop kontak kamar kos. Peralatan yang diklasifikasikan pada penelitian ini berfokus pada peralatan dapur berupa rice cooker, heater, mixer, blender dan juicer yang diaplikasikan pada stop kontak dengan 3 lubang. Sistem dilengkapi dengan pengiriman hasil klasifikasi peralatan elektronik dapur tersebut ke perangkat Android yang terhubung dengan internet, sehingga pemilik kos bisa memantau penggunaan dari peralatan elektronik dapur yang tertancap pada stop kontak dari jarak jauh.
DC menggunakan teknik K-Means Clustering dan Klasifikasi K-NN. Pada penelitian ini penulis menidentifikasi beban listrik pada rumah untuk pengelolaan energi cerdas yang efisien. Sistem ini mendeteksi arus DC pada kondisi stabil dan tidak (Y.T. Quek, 2016).
Sistem dirancang menggunakan metode K-Nearest Neighbor (K-NN) sebagai metode klasifikasinya, NodeMCU sebagai pengontrol utama sistem dan sensor YHDC SCT-013-100 sebagai sensor pembaca arus. Sistem akan mengklasifikasi peralatan elektronik dapur apa yang tertancap pada stop kontak berdasarkan parameter arus total yang keluar dari stop kontak tersebut. Selanjutnya data arus yang didapat akan dikirimkan pada NodeMCU untuk melakukan proses klasifikasi menggunakan metode K-Nearest Neighbor (K-NN). Hasil dari klasifikasi tersebut kemudian dikirimkan pada Android smartphone sehingga pengguna atau dalam penelitian ini dikhususkan pada pemilik kos dapat mengetahui dari jarak jauh peralatan elektronik apa yang sedang digunakan atau tertancap pada stop kontak kamar kosnya.
2. METODOLOGI PENELITIAN
Gambar 1. Diagram Alir Metodologi Penilitian
PadaaaGambar 1ddijelaskandddtahapan metodologidyang digunakandpadaspenelitian iniffyang meliputiffstudi literaturFFsebagai pendukungffteori implementasifffpenelitian, analisisffkebutuhan yanghhmengidentifikasi perangkatgggkeras dangggperangkatggflunak. Perancanganvvpada sistemgiini akanffdibagi menjadiggperancangantperangkatfkerasgyang menjelaskanffbagaimana NodeMCU, Stop Kontak, Sensor YHDT SCT-013-100 dirancang sehingga menghasilkan sistem sebagai pemrosesan sistem penelitian dan perancangan
perangkat lunak yang meliputi perancangan sistem yang diterapkan pada Arduino IDE, Firebase dan Android Studio.fffProses selanjutnyafsetelah systemdselesai dibuatsyaitu melakukanqpengujian sertafmenganalisisshasil yangffdiperoleh. Langkahssterakhir yaitu melakukanepenarikantkesimpulan.
2.1. Perancangan Perangkat Keras
Padaffperancanganaasistemqqini,ffuntuk memudahkanfffffpemahamanwwwwterhadap perancanganrsistem secarafkeseluruhanamaka dijelaskanddalam bentukddiagram blokdsistem. Padaddiagram blokccdibawah iniddijelaskan langkah-langkahdsecara gariscbesardmengenai pembuatan sistem secara keseluruhan. Diagram blok dari sistem Pengenalan Peralatan Elektronik Dapur yang Terhubung pada Stop Kontak Menggunakan Metode K-Nearest Neighbor (K-NN) dapatsdilihat padasgambar 2 dibawahfini.
Gambar 2. Diagram Blok Sistem
Gambar 3. Skematik Perancangan Perangkat Keras
Sensor YHDT SCT-013-100 yang digunakan dalam sistem ini memerlukan rangkaian elektronik tambahan yang berfungsi agar outputan dari sensor yaitu nilai arus yang dihasilkan dapat diterima oleh NodeMCU v1.0 sebagai pemroses nilai arus tersebut. Sinyal output dari sensor YHDT SCT-013-100 harus dikondisikan terlebih dahulu dengan rangkaian tambahan ini yang terdiri dari kapasitor, burden resistor dan dua resistor lain sebagai pembagi tegangan. Untuk melakukan perhitungan burden resistor maka perlu diketahui terlebih dahulu bahwa sensor YHDT-SCT yang dipakai yaitu YHDT-SCT-013-100 memiliki output maksimal arus hingga 100 Ampere. Berikut adalah penjelasan langkah perhitungan burden resistor.
Mencari nilai puncak arus primer (primary peak-current) dengan mengkonversi arus RMS maksimum ke arus puncak dengan cara mengalikan dengan √2.
Primary peak-current = arus RMS x √2 = 100 A x 1.414
= 141.4 A
Membagi arus puncak dengan jumlah putaran dalam CT untuk memberikan arus puncak pada kumparandsekunder. SensorfffCT YHDCddSCT-013-100 memilikiw2000 putaran, sehingga arus puncakfsekunder akanfmenjadi:
Secondary peak-current =Primary peak-current / number of turns
= 141.4 / 2000
= 0.0707 A
Untuk memaksimalkan resolusi pengukuran,gtegangan yangfmelintasi resistorebeban padadarus puncakfharus samagdengan setengahfdariitegangan
referensi analog, (AREF/2) / Secondary peak-current. Padafsistemvdigunakan NodeMCUffv1.0 denganfftegangan referensigsebesar 3.3V. Maka burden resistor yang ideal adalah :
Ideal burder resistance = (AREF/2) / Secondary peak-current
= (3.3 V / 2) / 0.0707 A
= 23.3380 Ω Nilai burder resistor dari perhittungan telah didapatkan yaitu sebesar 23.3380 Ω, namun resistor dengan nilai umum. Resistor yang umum dijual adalah 22Ω dan 24Ω Maka diambil nilai 22 Ω disebabkan karena nilai burden resistor yang diambil sebaiknya nilai terkecil, sehingga dapat menghasilkan keluaran arus yang lebih maksimal. Sehingga burden resistor atau resistor beban yang dipakai pada sistem ini adalah sebesar 22 Ω.
2.2. Perancangan Perangkat Lunak
Gambar 4. Flowchart Perancangan Sistem Keseluruhan
Seperti yang terlihat pada Gambar 4 dapat dilihat bahwa sebelum sistem sampai pada pengguna smartphone untuk menampilkan hasil klasifikasi kombinasi alat elektronik dapur apa saja yang tertancap pada stopkontak, maka sistem terlebih dahulu melakukan berbagai proses. Pertama sistem melakukan inisialisasi sensor YHDT SCT-013-100, inisialisasi dilakukan pada IDE Arduino dengan menginputkan library dari sensor tersebut yaitu Emon.lib dan inisialisasi EnergyMonitor emon1 untuk mendeklarasikan sensor YHDT SCT-013-100 pada sistem. Setelah proses inisialisasi dilakukan, maka sistem akan menghitung nilai arus total yang didapatkan dari sensor. Nilai yang didapatkan dirata-rata setiap waktu 1 detik. Kemudian setiap 1 detik akan ditampilkan nilai rata-rata arus yang dihasilkan. Data rata-rata 1 detik tersebut akan terus dijalankan sampai 10 kali data atau jika telah mencapai 10 detik.
Data tersebut nantinya akan dijadikan sebagai data latih sistem, sehingga sistem dapat melakukan klasifikasi menggunkan metode K-Nearest Neighbour. Setelah sistem memiliki data latih, dimana pada sistem ini diberikan pendeklarasian data latih sebanya 100 data. Langkah selanjutnya adalah kembali menghitung data arus yang masuk selama 10 detik yang sudah dirata-rata kemudian dijalankan proses prediksi menggunakan algoritma K-Nearest Neighbour dengan metode
Euclidean Distance. Dimana pada metode ini, sistem akan menghitung jarak dan membandingkan jarak tersebut pada masing-masing kelas pada data latih. Kelas yang memiliki jarak terdekat dengan data latih akan muncul sebagai hasil klasifikasi. Hasil klasifikasi yang telah diproses pada NodeMCU v1.0 kemudian dikirimkan pada smartphone pengguna menggunakan jaringan lokal bermedia access point yang sama. Pengguna dapat melihat hasil klasifikasi kombinasi peralatan dapur yang tertancap pada stop kontak melalau aplikasi Android smartphone.
2.3. Perhitungan Kombinasi Perangkat Elektronik Dapur
Perangkatfelektronikfyang digunakan dalam sistemmsebanyakn5 jenismyaitu ricebcooker, blender, mixer, heater dan juicer. Maka dihitungikombinasi yang memungkinkaniterjadi dengangrumus padagpersamaan 1gberikut:
𝐶(𝑛, 𝑟) = 𝑟!(𝑛−𝑟)!𝑛! (1)
Sistem klasifikasi menggunakan stop kontak dengan 3 lubang sehingga didapatkan perhitungan sebagai berikut:
𝐶(5,3) = 3!(5−3)!5!
𝐶(5,3) =5×4×3×2×13×2×1(2)!
𝐶(5,3) = 10
Berdasarkan perhitungan kombinasi maka didapatkan nilaii10 sebagai banyakbkombinasi yangimemungkinkaniuntuk diujiidalam sistem. 10mkombinasi inifakan menjadifkelasfuntuk prosesvklasifikasi.
2.4. Implementasi Perangkat Keras
Tahap inimmmmenjelaskanvvvproses
Gambar 5. Implementasi Perangkat Keras
Gambar 5dmenunjukkan hasiliimplementasi sensor YHDT-SCT-013-100 denganfnodeMCU v1.0,ddimana terdapatfkomponenfpendukung seperti 2dbuah resistord10kΩ sebagaidpembagi tegangan dandddkapasitor 10μFdddsebagai penyimpanddaya sementarasdan burden resistor 22Ω sebagaistegangan beban. NodeMCU v1.0 berfungsissssebagai mikrokontrolerdddyang mengaturdddinput dandddoutput darisssistem perangkat keras.dSensor arusd YHDT-SCT-013-100 digunakanwuntukdmendeteksi arusdlistrik yang mengalirwpada stopwkontak. Sistemwini menggunakanwpowerbank sebagaiwsumber daya listrikddengan teganganvsebesar 3,3V. Sedangkan pada Gambar 5.8 dapat dilihat implementasi dari stop kontak. Stop kontak yang digunakan memiliki tiga lubang sebagai tempat untuk menancapkan peralatan elektronik dapur yang akan diklasifikasikan. Pada ujung keluaran kabel dari stop kontak, pembungkus kabelnya telah dibuka agar arus yang dapat diukur dengan melingkarkan atau meletakkan sensor arus YHDT SCT-013-100 pada salah satu kabel yang ada pada pembungkus kabel stop kontak. Aliran arus yang mengalir pada kabel itulah yang dibaca oleh sensor dan dikirimkan ke NodeMCU v1.0.
2.5. Implementasi Kombinasi Perangkat Elektronik
Implementasi kombinasi perangkat elektronik yang diimplementasikan sesuai dengan kombinasi perangkat sebagai berikut:
A = Rice Cooker B = Blender C = Juicer D = Heater E = Mixer
Kombinasiddengan 5 jenissperangkat elektronikadapat dilihatapada Tabel 1.
Tabel 1. Kombinasi Perangkat Elektronik Dapur
No Perangkat Elektronik Kombinasi
1 Rice Cooker, Blender, Juicer ABC
2 Rice Cooker, Blender, Heater ABD
3 Rice Cooker, Blender, Mixer ABE
4 Rice Cooker, Juicer, Heater ACD
5 Rice Cooker, Juicer, Mixer ACE
6 Rice Cooker, Heater, Mixer ADE
7 Blender, Juicer, Heater BCD
8 Blender, Juicer, Mixer BCE
9 Blender, Heater, Mixer BDE
10 Juicer, Heater, Mixer CDE
3. PENGUJIAN DAN HASIL
Pengujianqpada sistemdini akanbdibagi menjadiatiga bagianasecara garissbesar,syang terdirisddari beberapaspengujiandfungsional, pengujianskeakuratan, danspengujian waktu yangmmdibutuhkanccsistem untukmmdapat mengakuisisicdata dancmelakukandklasifikasi perangkatwelektroniksdalam dapur.
3.1. Hasil Pengujian Fungsionalitas Sistem
Tujuan dilakukan pengujiandini untuk mengetahuiaapakah sistemssudah berjalan sesuaisdengan fungsinyasdan sesuaisdengan keinginanspeneliti. Pengujiansfungsionalitas dari sistem dapat dilihat pada Tabel 2.
Tabel 2. Hasil Pengujian Fungsionalitas Sistem
No Pengujian yang Dilakukan Status
1 YHDC SCT-013-100 mampu
membaca arus yang mengalir pada
stop kontak ketika terdapat
perangkat elektronik yang tertancap.
Berhasil
2 Sistem mampu terhubung dengan
jaringan internet.
Berhasil
3 Sistem mampu melakukan
klasifikasi terhadap perangkat
elektronik dapur yang sedang
tertancap pada stop kontak.
Berhasil
4 Sistem mampu mengirimkan data
hasil klasifikasi pada cloud
penyimpanan melalui jaringan
internet.
Berhasil
5 Aplikasi pada Android Smartphone dapat menampilkan hasil klasifikasi secara real time.
Berhasil
PadaddTabel 2 dapatssdilihatwwbahwa keseluruhanwwpengujian fungsionalssyang dilakukanwpada sistemwberhasil dijalankan.
3.2. Hasil Pengujian Keakuratan Sistem
klasifikasiwperangkateelektronik dapur yang sedangetertancap padaestop kontak daniakan di bandingkanidengan keadaaneyang sebenarnya terjadi. Pada pengujian ini juga diterapkan pengujian pada nilai K dengan menguji nilai K=1, K=3, dan K=5. Hal tersebut bertujuan untuk mengetahui dari ketiga nilai K tersebut, manakah yang menghasilkan keakurasian paling tinggi.
Tabel 3. Hasil Pengujian Keakuratan Sistem Klasifikasi dengan K=1
Tabel 4. Hasil Pengujian Keakuratan Sistem Klasifikasi dengan K=3
No Kombina
Tabel 5. Hasil Pengujian Keakuratan Sistem Klasifikasi dengan K=5
Blender, elektronik dapur yang telah dilakukan sebanyak 30 kali dengan pengujian nilai K=1, K=3 dan K=5 didapatkan hasil bahwa nilai keakurasian paling tinggi berada pada nilai K=1 dengan presentase 90.00% dari 30 kali percobaan. Sedangkan prosentase nilai K=3 adalah 73.33% dan K=5 sebanyak 83.33%. Untuk grafik dari hasil percobaan tersebut dapat dilihat pada Gambar 6.
3.3. Pengujian Waktu Mendapatkan Data dan Melakukan Klasifikasi
Pengujianvini bertujuanwuntuk mengetahui waktuwwwyang diperlukanwwsistem untuk mendapatkanwdata nilaiwrata-rata aruswyang dibutuhkanwuntuk melakukanwklasifikasi dan mengetahuiwwaktu yangwdiperlukan sistem untukimelakukan klasifikasi danwmenampilkan hasil klasifikasiwtersebut berdasarkanidata yang telah didapatkanesebelumnya.
Tabel 6. Hasil Pengujian Waktu Mendapatkan Data dan Melakukan Klasifikasi
No Waktu yang Dibutuhkan
Mengambil Data Melakukan Klasifikasi
1 10098 ms 12 ms
2 10021 ms 11 ms
3 10080 ms 13 ms
4 10079 ms 14 ms
5 10060 ms 11 ms
6 10077 ms 14 ms
7 10099 ms 12 ms
8 10087 ms 13 ms
9 10076 ms 13 ms
10 10045 ms 11 ms
Rata-rata
10072,2 ms 12,4 ms
Pada Tabel 6 diatas dapat dilihat dalam melakukan pengambilan data, rata-rata waktu yang dibutuhkan selama 10072,2 ms, hal tersebut dikarenakan memang waktu mengambil data dilakukan selama 10 detik. Sedangkanndalam melakukaneklasifikasii rata-rata waktuwyang dibutuhkanwjauh lebihicepat yaituwselama 12,4 ms.
4. KESIMPULAN
Berdasarkan berbagai analisis dari hasil yang diperoleh melalui pengujian yang dilakukan pada penelitian ini, maka dapat disimpulkan bahwa Sistem dirancang menggunakan metode K-Nearest Neighbor (K-NN) sebagai metode klasifikasinya, NodeMCU sebagai pengontrol utama sistem dan sensor YHDC SCT-013-100 sebagai sensor pembaca arus. Sistem akan mengklasifikasi peralatan elektronik dapur apa yang tertancap pada stop kontak berdasarkan parameter arus total yang keluar dari stop kontak tersebut. Selanjutnya data arus yang didapat akan dikirimkan pada NodeMCU untuk melakukan proses klasifikasi menggunakan metode K-Nearest Neighbor (K-NN). Hasil dari klasifikasi tersebut kemudian dikirimkan pada Android smartphone sehingga
pengguna atau dalam penelitian ini dikhususkan pada pemilik kos dapat mengetahui dari jarak jauh peralatan elektronik apa yang sedang digunakan atau tertancap pada stop kontak kamar kosnya.
Dari hasil percobaan klasifikasi perangkat elektronik dapur yang telah dilakukan sebanyak 30 kali dengan pengujian nilai K=1, K=3 dan K=5 didapatkan hasil bahwa nilai keakurasian paling tinggi berada pada nilai K=1 dengan presentase 90.00% dari 30 kali percobaan. Sedangkan prosentase nilai K=3 adalah 73.33% dan K=5 sebanyak 83.33%.
Perancangan pengiriman data menuju aplikasi Android smartphone dirancang dengan melibatkan Firebase sebagai server dan database penyimpanan data hasil klasifikasi yang telah diproses pada NodeMCU. NodeMCU dan Aplikasi smartphone saling berpatokan pada database yang sama yang ada dalam Firebase, sehingga setiap data hasil klasifikasi oleh NodeMCU telah didapat, maka data akan dikirim melalui internet menuju Firebase, dan Firebase akan secara real time mengirim data tersebut menuju Android smartphone. Untuk aplikasi Android smartphone sendiri dibuat dengan memaanfaatkan apliaksi Android Studio.
5. DAFTAR PUSTAKA
Badan Pusat Statistik . (2017). Pelanggan Perusahaan Listrik Negara (PLN), 1995-2015. Jakarta: Badan Pusat Statistik.
Suku Dinas Perumahan Kota Administrasi Jakarta Timur. (2018). Jumlah Rumah Kos Menurut Kecamatan, 2012-2014. Jakarta: Badan Pusat Statistik Kota Jakarta Timur.
SeungJun Kang, J. W. (2016). Classification of home appliance by using Probabilistic KNN with sensor data. IEEE.
