Fakultas Ilmu Komputer
Universitas Brawijaya
1693
Rancang Bangun Sistem Monitoring dan Klasifikasi Lingkungan Hidup
Larva Lalat Tentara Hitam (Hermetia Illucens) dengan Metode K-Nearest
Neighbor (K-NN)
Amri Yahya1, Rizal Maulana2, Eko Setiawan3
Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1yahya.amryk@gmail.com, 2rizal_lana@ub.ac.id, 3ekosetiawan@ub.ac.id
Abstrak
Proses biodegradasi merupakan aktivitas memakai sebuah mikorganisme untuk melakukan proses penanganan limbah secara cepat. Mikoorganisme yang dapat menanganai limbah secara efesien adalah larva lalat tantara hitam. Mutu lingkungan hidup larva menunjang dalam proses biodegrasi. Sistem monitoring mutu lingkungan menggunakan beberapa sensor dan sebuah mikrokontroler yang dikemas dalam bentuk sistem monitoring dan klasifkasi. Klasifikasi metode k-NN menghasilkan tiga kelas yaitu “Optimal”, “Sedang”, dan “Buruk” dengan input beberapa mutu lingkungan larva. Internet of Things (IoT) digunakan untuk mengirim hasil data sistem monitoring dan klasifikasi ke aplikasi Android. Hasil dari pengujian klasifikasi k-NN mendapatkan hasil 91,3%. Pengujian waktu komputasi mendapatkan waktu dengan rata-rata 4275ms pada sistem. Pengujian pengiriman data dari sistem ke Firebase dan Firebase ke aplikasi Android mendapatkan hasil bahwa 100% data terkirim sesuai data sistem monitoring dan klasifikasi.
Kata kunci: biodegradasi, larva lalat tentara hitam, firebase, K-NN, internet of things
Abstract
The process of biodegradation is the activity of using a microorganism to carry out the process of handling waste quickly. Microorganisms that can handle waste efficiently are black larvae. Environmental quality of larvae supports the process of biodiversity. The environmental quality monitoring system uses several sensors and a microcontroller which is packaged in the form of a monitoring and classification system. Classification of the k-NN method produces three classes namely "Optimal", "Medium", and "Bad" with input of some environmental quality of larvae. Internet of Things (IoT) is used to send monitoring and classification system data results to an Android application. The results of the k-NN classification test showed 91.3%. Computational time testing gets time with an average of 4275ms on a system. Testing the sending of data from the system to Firebase and Firebase to the Android application results that 100% of data is sent according to the monitoring and classification system data.
Keywords: biodegradation, black soldier fly larvae, firebase, K-NN, internet of things
1. PENDAHULUAN
.Pengolahan sampah di Indonesia masih memiliki banyak permasalahan, hal ini ditunjukkan 15 juta ton sampah masih mengotori lingkungan dengan total 65 juta sampah yang dihasilkan setiap harinya. Sampah organik merupakan sampah yang mendominasi dari jenis sampah lainya dan menjadi parasit lingkungan yang ada disekitarnya (LITBANG, 2018). Sampah mendominasi yang dihasilkan oleh Indonesia ialah limbah organik sebesar 57%
yang merupakan komposisi sampah terbanyak dari jenis limbah yang dihasilkan oleh Indonesia kemudian 16% untuk limbah plastik yang merupkan limbah paling lama terurai, 10 % untuk limbah kertas yang masih mudah dilakukan proses penguraian serta 17% dari jenis limbah lainnya (KLHK, 2018). Limbah atau sampah yang ada di Indonesia harus dikelola dengan baik agar sampah yang ada di Indonesia khususnya sampah organik dapat dikurangi sehingga kerusakan lingkungan perlahan dapat dihindari. Salah satu pengelolaan sampah yang
efesien adalah melakukan aktivitas memakai sebuah organisme untuk melakukan proses penanganan limbah secara cepat atau biodegradasi. Pengelolaan sampah yang efesien ini terdapat pada mikroorgnisme larva lalat tentara hitam atau disingkat larva LTH. Larva ini mempunyai efektivitas yang lebih baik dalam proses mengurai sampah organik. Kamampuan larva ini dalam melakukan proses penguraian pada sampah organik ditentukan oleh beberapa mutu lingkungan hidupnya. Beberapa mutu lingkungan hidupnya yaitu suhu media, tinggi media dan kelembaban udara media. Informasi tersebut didapatkan dari hasil wawancara dengan peternak LTH di Malang. Mutu lingkungan yang telah disebutkan sebelumnya sangat mempengaruhi dari percepatan penguraian sampah organik dan menjadi hal dasar dalam pembudidayaan larva LTH.
Mutu kehidupan dari larva ini masih sangat kurang bahkan jarang diketahui oleh masyarakat Indonesia sehingga menyulitkan untuk melakuakan proses budidayaan dan dapat mengakibatkan lamanya proses dekompisisi sampah bahkan terjadinya banyak kematian pada mikroorganisme. Sistem monitoring sangat dibutuhkan pada hal ini karena dengan adanya sistem tersebut akan berperan untuk mempermudah dari proses monitoring dan klasifikasi mutu hidup larva. Sistem ini akan membantu untuk memberikan beberapa keterangan mutu hidup larva.
Penelitian didalam skripsi ini, mengusulkan sebuah solusi dalam bentuk sistem berupa rancang bangun sistem monitoring dan klasifikasi yang didalamnya sistem cerdas serta terintegrasikan Internet of Things (IoT). Sistem ini terbentuk dari beberapa komponen inti yaitu sensor dan mikrokontroler. Sensor yang dipakai pada penelitian adalah sensor DS18B20, modul sensor VL53L0X, dan modul sensor DHT-22. Sensor ini akan bekerja untuk mengambil data-data dari mutu hidup larva. Sebuah mikrokontroler yang digunakan adalah Wemos D1 R2 yang berfungsi sebagai pemroses dari data yang telah menjadi input untuk diolah agar memberikan keluaran atau output data yang akan disampaikan ke pembudidaya.
Media yang akan digunakan pada proses pembudidayaan ialah boks Black Container, media ini berbentuk boks sampah. Boks sampah yang yang digunakan pada penelitian berfungsi mempermudah fleksibilitas selain itu, media yang digunakan mempunyai keunggulan
portabel pada pembudidayaan karena dapat diletakan diberbagai tempat.
Klasifikasi k-Nearst Neighbor tergolong dalam supervised learning, dimana kedekatan dalam k-NN diklasifikasikan berdasarkan hasil query instance yang baru (Informatikalogi, 2017). Peneliti akan menggunakan metode ini dikarenakan metode ini memiliki kampuan yang baik dalam proses mengklasifikasikan data, hal ini dibuktikan dengan penelitian dengan judul “Implementasi Algoritma K-Nearest Neighbor Untuk Identifikasi Kualitas Air” yang mendapatkan akurasi sistem 82,5% (Arnomo, 2018). Hasil yang didapatkan dari penelitian tersebut sudah mendapatkan hasil yang maksimal sehingga peneliti menetapkan agar memakai metode ini dengan harapan hasil dari penelitian mendapatkan akurasi sistem yang maksimal. Terdapat beberapa kelas dari hasil klasifikasi yang dikeluarkan pada sistem yaitu “Optimal”, “Sedang”, dan “Buruk”.
Internet of Things (IoT) ialah infrastruktur yang dapat melakuakan proses pengiriman data ke sebuah jaringan tanpa adanya bantuan dari manusia (IdClodHost, 2016). Infrastrukur ini berfungsi sebagai pengiriman data dari sistem ke Firebase dan Firebase ke aplikasi Android. Infrastruktur akan sangat membantu dalam efesiensi waktu, pembudidayaan dan monitoring. Oleh sebab itu dengan dirancangnya sistem pada penelitian ini diharapkan akan membantu pengelolaaan sampah organik yang akan menjadi solusi dalam menyelesaikan permasalahan sampah yang ada di Indonesia. 2. METODE PENELITIAN
2.1 Blok Diagram Sistem
Gambar 1. Blok Diagram Sistem
Gambar 1 adalah sistem yang berupa blok diagram. Pada gambar tersebut terdapat beberapa komponen yang pertama yaitu pada input terdapat 3 komponen sensor yang akan
digunakan. Sensor tersebut ialah sensor DS18B20, VL53L0X, dan DHT-22. Sensor ini berfungsi untuk mendeteksi mutu hidup larva untuk diproses pada sistem sehingga dihasilkanya nilai-nilai dari lingkungan hidup larva. Hasil yang didapatkan dari sensor akan diproses menggunakan Wemos D1 R2 yang menjadi pusat dari pemrosesan data dan menjadi penunjang dari segi penggunaan fungsi sensor. Data-data yang telah didapatkan tersebut kemudian dilakukan pemrosesan untuk dihitung secara matematis menggunakan metode klasifikasi. Hasil yang telah didapatkan dari proses perhitungan akan dikirim ke Firebase. Data-data tersebut adalah hasil data sensor yang digunakan dan hasil dari klasifikasi. Data yan telah terkirim ke Firebase kemudian diambil untuk ditampilkan pada aplikasi sehingga user dapat mengetahui kedaaan mutu hidup dari media larva dan menjadi sumber informasi saat pembudidayaan.
2.2 Perancangan
Gambar 2 dan Gambar 3 adalah gambaran rancangan purwarupa sistem. Sistem monitoring dan klasifikasi dibentuk menggunakan Black Container 90 L.
Gambar 2. Rancangan Sistem Tampak Samping
Gambar 3. Rancangan Sistem Tampak Atas Gambar 2 memperlihatkan berbagai komponen yang akan dirancang pada purwarupa. Beberapa sub komponen yang terlihat pada gambar yaitu kabel jumper yang
digunakan sebagai penghubung antar komponen yang diletakan pada pin-pin komponen, sehingga komponen-komponen yang digunakan dapat bekerja sebagimana mestinya, breadboard dirancang dan diletakan disamping boks, kemudian untuk sensor dirancang dengan meletakanya diatas boks media, Wemos D1 R2 diletakan berdampingan dengan breadboard agar mempermudah proses menghubungkan komponen serta Micro USB yang digunakan sebagai sumber daya dari Wemos D1 R2.
Gambar 3 memperlihatkan peletakan sensor yang digunakan pada penelitian. Sensor DHT-22 diletakan samping kiri seperti yang terlihat pada gambar, jarak sensor kepermukaaan boks adalah sebesar 23 cm dan berjarak 8,5 dengan sensor yang ada disebelahnya. Sensor VL53L0X diletakan ditengah-tengah antara dua sensor yang digunakan pada penelitian, jarak pada sensor kepermukaan boks sebesar 23 cm. Sensor DS18B20 diletakan samping kanan seperti pada gambar yang menempel pada permukaaan boks dan berjarak 8,5 dengan sensor yang ada disebelahnya.
Gambar 4. Rancangan Skema Perangkat Keras Gambar 4 merupakan rancangan skema perangkat keras. Berbagai perangkat yang telah dirancang dengan kebutuhan yang dibutuhkan sistem harus saling terkait dengan mikrokontroler agar sistem dapat bekerja dengan fungsinya. Sensor DS18B20 yang mempunyai 3 pin, pin data manghasilkan sinyal digital sehingga dihubungkan dengan pin 4 digital Wemos D1 R2. Pada sensor ini ditambahkan Resistor sebesar 4,7k ohm yang berfungsi sebagai pull-up untuk menjaga state pada sensor agar bernilai high state. Modul sensor VL53L0X memiliki 6 pin akan tetapi pin yang digunakan hanya 4 pin. Sensor ini menggunakan
komunikasi I2C sehingga pada pin I2C
dihubungkan dengan pin I2C pada Wemos D1
R2. Modul sensor DHT-22 memiliki 3 pin, pin data pada sensor menghasilkan output sinyal digital sehingga pada pin datanya dihubungkan dengan pin 5 digital Wemos D1 R2.
Gambar 5. Perancangan Program Inti Gambar 5 merupakan rancangan perangkat lunak program inti. Program memulai dengan proses inisialisasi variabel yang dibutuhkan oleh sistem yang menjadi input awal dari program. Program akan menjalankan sub program selanjutnya dengan mengambil data dari 3 parameter yang digunakan penelitian pada lingkungan LTH menggunakan sensor agar data yang didapatkan dapat diproses ketahap selanjutnya. Hasil data sensor yang diperoleh kemudian diproses menggunakan klasifikasi k-NN. Hasil yang didapakan selanjutnya dilakukan proses pengiriman data dari sistem ke Firebase dan Firebase ke aplikasi Android agar user mendapatkan informasi dari sistem. Jika sudah mendapatkan hasil akhir maka proses berjalannya program selesai dan akan mengulang kembali dari awal program karena pada program berjalan secara berurutan atau sequential.
Gambar 6. Perancangan Akuisisi Sensor DS18B20 Gambar 6 program pada gambar tersebut memulai dengan proses inisialisasi pin yaitu pin 3 digital yang digunakan sensor dan dilakukan pembacaan data, hal ini merupakan sebagai fundamental untuk menggunkan sensor ini agar berfungsi sebagaimana mestinya. Kemudian program akan melakukan proses pembacaaan data dari suhu media. Hasil dari pembacaan data akan disimpan dalam bentuk penyimpanan Array. Array yang ada pada program tersebut memiliki tipe data Float, dan disimpan pada variabel data Read_Sen [0]. Hasil pembacaan sensor akan diperlihatkan pada IDE serial monitor Arduino.
Gambar 7. Perancangan Akuisisi Modul Sensor VL53L0X
Gambar 7 program memulainya dengan proses inisialisasi komunikasi yang digunakan yaitu I2C dan library yang dibutuhkan pada
sensor, inisialisasi ini merupakan proses awal agar sensor dapat digunakan untuk pembacaan data. Kemudian dilakukan pembacaan data. Pembacaan data tinggi media yang telah didapatkan akan dilakukan proses penyimpanan dalam bentuk Array. Array yang ada pada program tersebut memiliki tipe data Float dan disimpan pada variabel data Read_Sen [1]
kemudian hasil diperlihatkan pada IDE serial monitor Arduino.
Gambar 8. Perancangan Akuisisi Modul Sensor DHT-22
Gambar 8 program memulai dengan melakuakan inisialisasi pin yaitu pada pin 5 digital yang dibutuhkan pada sensor. Proses inisailisasi yang telah dilakuakan kemudian dilanjutkan dengan proses pembacaan data. Hasil data kelembaban udara media akan dilakukan proses penyimpanan data dalam bentuk bentuk Array. Array tersebut memiliki tipe data Float dan disimpan pada variabel Read_Sen [2]. Hasil pembacaan tersebut akan diperlihatkan pada IDE serial monitor Arduino.
Gambar 9. Perancangan Klasifikasi Metode K-NN Gambar 9 program memulainya dengan proses inisialisasi beberapa variabel yang dibutuhkan yaitu jumlah K, data sensor dan data latih. Proses selanjutkan yaitu menormalisasikan data uji dan data latih
sebelum perhitungan k-NN. Proses tersebut menggunakan normalisasi min max, hal ini berfungsi untuk menyeimbangkan data dari 3 parameter yang digunakan. Proses program selanjutnya akan melakukan perhitungan menggunakan rumus Euclidean untuk memperoleh jarak dari data dan urutkan dari 3 input data. Hasil jarak dari data yang didapatkan kemudian program memproses dengan melakukan pengurutan dari sekumpulan data dari data yang terkecil sampai terbesar. Proses selanjutnya mengambil data awal dari data sejumlah K yang telah diurutkan dan mencari kelas data yang sering muncul. Hasil kelas yang muncul terbanyak akan menjadi hasil kondisi klasifikasi yang sebenarnya. Hasil klasifikasi yang diperoleh kemudian diproses untuk dilakukan pengiriman hasil klasfikasi ke Firebase dan Firebase ke aplikasi.
Gambar 10. Perancangan Pengiriman Data ke
Firebase
Gambar 10 program memulai dengan melanjutkan dari proses program sebelumnya, yaitu proses sensor mendapatkan hasil data dan proses menentukan hasil melakukan klasifikasi kemudian data tersebut akan dikirim Firebase. Data akan dirubah kedlaam paket String terlebih dahulu sebelum dilakukannya pengiriman hal ini dilakukan agar mempermudah dalam pengambilan data dari ke aplikasi. Data yang telah dirubah menjadi tipe String yang seragam kemudian dilakukan proses pengiriman ke Firebase, jika terjadi kegagalan dalam proses pengiriman data data maka program akan melakukan proses pengulangan pengiriman sampai data yang dikirim datat terkirm semuanya. Data yang terkirim ke Firebase akan ditampilkan di aplikasi dan user akan
memperoleh informasi dari data yang ditampilkan.
Gambar 11. Perancangan Sitemap Aplikasi Gambar 11 merupakan gambar home sitemap memiliki beberapa informasi yang akan diberikan kepada pembudidaya. Pada gambar terlihat indikator led akan berwarna hijau menunjukkan jika hasil yang didapatkan optimal kondisi led hijau akan menyala dan selain itu akan mati, kemudian berwarna biru menunjukkan jika hasil yang didapatkan sedang, dan berwarna merah jika hasil yan didapatkan buruk. Kondisi led berwarna merah pada aplikasi akan terdapat notifikasi langsung berupa pesan warning yang berfungsi sebagai pengingat jika kondisinya buruk atau darurat.
Gambar 12. Perancangan Aplikasi Android Gambar 12 merupakan rancangan aplikasi Android yang didalamnya terdapat beberapa informasi yang akan ditampilkan untuk penggguna atau pembudidaya. Pada aplikasi
tersebut merupakan perancangan dari sitemap aplikasi pada Gambar 9.
2.3. Implementasi
Implementasi akan menjelaskan beberapa hasil yang telah dilakukan perancangan sebelumnya.
Gambar 13. Purwarupa Tampak Samping
Gambar 14. Purwarupa Tampak Atas Gambar 13 dan 14 merupakan penampilan dari implementasi purwarupa dari sistem monitoring dan klasifikasi. Pada gambar tersebut sistem kompenen-kompoen sudah ditempatkan sesuai dengan yang telah dilakukan pada proses perancangan. Kemudian semua komponen yan telah terhubung tersebut sudah dikemas dalam bentuk boks sampah menggunakan Black Container.
Gambar 15. Implementasi Skematik Perangkat Keras
Gambar 15 merupakan wujud dari implementasi skematik perangkat keras. Komponen yang dibutuhkan sistem dihubungkan dengan mikrokontroler Wemos D1 R2. Pada gambar tersebut sistem kompenen-kompoen sudah terhubung sesuai dengan yang telah dilakukan pada proses perancangan.
Gambar 16. Implementasi Penempatan Sensor Gambar 16 merupakan wujud dari implementasi penempatan sensor sistem monitoring dan klasifikasi pada Black Container. Pada gambar tersebut sudah dilakukan proses implementasi penempatan sensor dan beberapa komponen yang sudah sesuai dengan yang telah dirancang sebelumnya.
Gambar 17. Hasil Output Aplikasi Android Gambar 17 merupakan hasil output sistem monitoring dan klasifikasi. Sistem akan menghasilkan 3 output kelas yaitu “Optimal”, “Sedang”, dan “Buruk”. Pada gambar tersebut terlihat jika hasil kelas yang didapatkan optimal maka led hijau akan menyala sedangkan yang lainya tidak, kemudian jika hasil kelas yang didapatkan sedang maka led biru akan menyala selain led tersebut akan mati. Led merah akan menyala jika hasil kelas yang didapatkan mendapatkan kelas buruk dan terdapat notifikasi warning langsung yang didalamnya terdapat sebuah pesan untuk mengingatkan pengguna.
Gambar 18. Notifikasi Aplikasi
Gambar 18 merupakan notifikasi jika keadaan lingkungan buruk, pemberitahuan ini akan sangat berguna sebagai informasi untuk user, karena dengan adanya notifikasi ini user akan selalu diberikan kewaspadaan agar dapat mengurangi kematian yang terjadi pada larva. 3. PENGUJIAN DAN ANALISIS
3.1. Pengujian Akusisi Sensor
3.1.1 Pengujin Akusisi Sensor DS18B20 Pengujian akusisi pada sensor dilakukan sejumlah sepuluh kali pengujian dengan melakukan proses perbandingan output pada akusisi sensor dilakukan dengan yang dihasilkan Thermometer. Proses pengujian sensor
dilakukan agar dapat mengetahui akurasi dari sensor yang digunakan.
Tabel 1. Pengujian Akusisi Sensor DS18B20 Peng ujian Thermometer Sensor DS18B20 Error 1 2 3 4 5 6 7 8 9 10 28,6°C 29,1°C 26,4°C 25,8°C 31,6°C 31,3°C 32,2°C 32,2°C 32,4°C 32,5°C 30,2°C 29,1°C 27,0°C 26,6°C 32,0°C 32,1°C 33,0°C 32,2°C 32,0°C 33,6°C 5,29% 3% 2,22% 3% 1,25% 2,49% 1,81% 32,2% 3,27% 7,5% Rata-Rata 3,35%
Tabel 1 merupakan hasil dari pengujian akusisi sensor DS18B20. Hasil akurasi yang didapakan dengan error 3,35%. Hasil yang didapatkan dari proses akusisi yang telah dilakukan sudah mendapatkan akurasi yang baik karena sensor ini memiliki keakuratan dalam proses pendeteksian suhu. Hasil error terbesar pada proses akuisisi data yaitu dengan error sebesar 1,25% dan error terbesarnya yaitu dengan nilai 7,5%.
3.1.1 Pengujian Akusisi Modul Sensor VL53L0X
Pengujian akusisi pada sensor dilakukan sepuluh kali pengujian. Proses perbandingan hasil output pada akusisi sensor dilakukan dengan yang dihasilkan dengan penggaris.
Tabel 2. Pengujian Akuisisi Modul Sensor VL53L0X
Peng ujian
Penggaris Modul Sensor VL53L0X Error 1 2 3 4 5 6 7 8 9 10 2 cm 2 cm 4 cm 4 cm 6 cm 6 cm 8 cm 8 cm 7 cm 7 cm 2,1 cm 1,9 cm 3,8 cm 3,6 cm 5,7 cm 5,8 cm 8,3 cm 7,5 cm 7,3 cm 6,9 cm 5% 5% 5% 10% 5% 3,33% 3,75% 6,25% 4,28% 1,42% Rata-Rata 4,90%
Tabel 2 merupakan hasil dari pengujian akusisi modul sensor VL53L0X. Hasil akurasi yang didapakan dengan error 4,90%. Hasil tersebut didapatkan sudah cukup baik yang mana sensor ini memiliki ketelitian yang baik dalam pendeteksian jarak pada suatu benda. Hasil error
terbesar yang didapatkan pada proses akusisi adalah dengan error 6,25% karena terdapat noise pada objek lingkungan media.
3.1.2 Akuisisi Modul Sensor DHT-22
Pengujian akusisi pada sensor dilakukan sejumlah sepuluh kali pengujian. Proses perbandingan output pada akusisi sensor dengan yang dihasilkan oleh dilakukan HTC-2.
Tabel 3. Pengujian Akuisisi Modul Sensor DHT-22 Peng ujian HTC-2 Modul Sensor DHT-22 Error 1 2 3 4 5 6 7 8 9 10 72% 70% 76% 75% 84% 85% 71% 73% 89% 90% 69,7% 68,1% 73,8% 72,8% 80,5% 82,5% 70,0% 70,3% 90,2% 92,0% 3,19% 2,71% 2,89% 2,93% 4,16% 2,94% 1,40% 3,69% 1,34% 2,23% Rata-Rata 2,63%
Tabel 3 merupakan hasil dari pengujian akusisi sensor. Hasil akurasi yang didapakan dengan error 2,63%. Hasil error terkecil yang didaptkan oleh sensor adalah 1,34%, hasil yang didapatkan ini menunjukkan bahwa sensor memiliki keakuratan yang baik dalam pendeteksian pada kelembaban udara media. 3.4 Pengujian Akurasi Klasifikasi Metode K-
NN
Data yang digunakan dalam melakukan proses klasifikasi k-NN menggunakan 46 data sebagai data latihnya dan 23 data untuk data ujinya. Data uji tersebut kemudian dimasukkan dalam program agar dapat dilakukan proses klasifikasi.
Tabel 4. Hasil Akurasi Klasifikasi No Hasil Pengujian Keterangan
1 2 21 Data 2 Data Benar Salah Persentase Akurasi 91,3%
Tabel 4 merupakan hasil pengujian dari metode klasifikasi. Hasil dari pengujian klasifikasi k-NN mendapatkan hasil dengan akurasi sebesar 91,3%. Hasil tersebut didapatkan dari 23 pengujian dengan 21 pengujian sesuai dengan kelas sebenarnya dan 2 pengujian dengan hasil yang tidak sesuai oleh kelas sebenarnya. Hasil akurasi yang didapatkan menunjukkan bahwa klasifikasi k-NN memiliki
kemampuan yang baik dalam memproses klasifikasi data.
3.5 Pengujian Waktu Komputasi dan Pengiriman Data ke Firebase
Waktu komputasi yang dilakukan proses pengujian pada sistem sejumlah sepuluh kali pengujian dengan hasil dikisaran 4000 ms. Hasil rata-rata didapatkan dari pengujian adalah 4275 ms. Hasil tersebut merupakan hasil dari didapatkan dari saat program melakukan proses normalisasi sampai mengeluarkan hasil dari klasifikasi.
Pengujian sistem monitoring dan klasifikasi untuk pengiriman data ke Firebase mendapatkan hasil 100% sesuai, pengujian dilakukan sejumlah sepuluh kali. Pengiriman data yang sesuai merupakan pengiriman data dari sistem ke Firebase dan Firebase ke aplikasi Android terkirim sesuai data sistem monitoring dan klasifikasi. Hal ini menunjukkan bahwa Firebase memiliki kehandalan dalam protokol pengiriman data.
4. KESIMPULAN DAN SARAN
Beberapa pengujian pada penelitian yang sudah dilakukan, maka dapat ditarik kesimpulan bahwa hasil akurasi sensor DS18B20 mendapatkan error sebesar 3,35%, akurasi sensor VL53L0X mendapatkan error sebesar 4,90%, dan akurasi sensor DHT-22 mendapatkan error sebesar 2,63%. Hasil akurasi yang didapatkan dari klasifikasi adalah sistem mendapatkan hasil sebesar 91,3% akurasi yang didapatkan sudah dapat dikatakan maksimal. Waktu komputasi sistem menghasilkan waktu dengan rata-rata 4275 ms dan mendapatkan akurasi 100% pada pengujian kesesuian data pengiriman data ke Firebase.
Saran yang dapat diberilakn oleh penulis pda pengembangan penelitian selanjutnya adalah agar menambah jumlah sensor pada sistem monitoring, menambah ukuran media agar larva LTH yang ditampung dapat lebih banyak, dan sensor untuk pendeteksian amonia. 5. DAFTAR PUSTAKA
Arnomo, R. A., Saptomo, W. L. Y. & Harsadi, P., 2018. Implementasi Algoritma K-Nearest Neighbor Untuk Identifikasi Kualitas Air. Jurnal TIKomSiN.
IdClodHost, 2016. IdClodHost. [Online]
Available at:
https://idcloudhost.com/mari-mengenal-apa-itu-internet-thing-iot/ [Accessed 1 January 2020].
Informatikalogi, 2017. Informatikalogi.com.
[Online] Available at:
https://informatikalogi.com/algoritma-k-nn-k-nearest-neighbor/ [Accessed 4 February 2020].
KLHK, 2018. Bank Sampah Tumbuhkan Sirkular Ekonomi Masyarakat. [Online] Available at:
http://ppid.menlhk.go.id/siaran_p
ers/browse/1667 [Accessed 2 January 2020].
LITBANG, B., 2018. Badan Peneitian dan Pengembangan Kementerian Dalam Negri. [Online] Available at: http://litbang.kemendagri.go.id/website/ri set-24-persen-sampah-di-indonesia-masih-tak-terkelola/ [Accessed 2 January 2020].
