PUTRA, YUDISTIRA GRIANDA (2026) RANCANG BANGUN SMART HOME IOT HEMAT ENERGI BERBASIS METODE NEURAL NETWORK. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 Cover.pdf Download (378kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
02 Bab 1.pdf Restricted to Registered users only Download (102kB) |
|
|
Text (BAB II)
03 Bab 2.pdf Restricted to Registered users only Download (492kB) |
|
|
Text (BAB III)
04 Bab 3.pdf Restricted to Registered users only Download (402kB) |
|
|
Text (BAB IV)
05 Bab 4.pdf Restricted to Registered users only Download (556kB) |
|
|
Text (BAB V)
06 Bab 5.pdf Restricted to Registered users only Download (85kB) |
|
|
Text (DAFTAR PUSTAKA)
07 Daftar Pustaka.pdf Restricted to Registered users only Download (164kB) |
|
|
Text (LAMPIRAN)
08 Lampiran.pdf Restricted to Registered users only Download (346kB) |
Abstract
Household lighting usage that is not adjusted to lighting conditions and time can lead to inefficient electrical energy consumption. Manual adjustment of light brightness levels also lacks adaptability to changing environmental conditions. Therefore, a smart lighting system is needed that can automatically adjust brightness levels based on actual lighting conditions and time to support energy efficiency in smart homes. This research designs an energy-efficient smart home system based on the Internet of Things (IoT), utilizing a neural network method to determine light brightness levels. The system employs an ESP32 microcontroller, an LDR sensor to detect lighting conditions, a DS3231 RTC for time data, an INA219 module to measure voltage, current, and power, and an IRLZ34N MOSFET to control DC light brightness via Pulse Width Modulation (PWM). Time data and LDR readings serve as neural network inputs to automatically determine the brightness level. The system also features the Blynk application for real-time monitoring of conditions and power consumption, offering both automatic and manual modes. Test results demonstrate that the system successfully adjusts light brightness as designed and accurately classifies brightness levels based on time and lighting condition inputs. Power consumption measurements show an average power usage of 494.02 mW for the manual system compared to 166.07 mW for the neural network-based system, resulting in a power saving of 327.95 mW (66.38%). These results indicate that the designed system operates effectively and successfully improves energy efficiency in lighting. Kata Kunci : Smart home, Neural network, Internet of Things, Energy Efficiency, ESP32 Penggunaan lampu pada rumah tangga yang tidak disesuaikan dengan kondisi pencahayaan dan waktu dapat menyebabkan konsumsi energi listrik yang kurang efisien. Pengaturan tingkat kecerahan lampu secara manual juga kurang adaptif terhadap perubahan kondisi lingkungan. Oleh karena itu, diperlukan sistem pencahayaan pintar yang mampu menyesuaikan tingkat kecerahan lampu secara otomatis berdasarkan kondisi pencahayaan dan waktu aktual untuk mendukung efisiensi penggunaan energi pada smart home. Penelitian ini merancang sistem smart home hemat energi berbasis Internet of Things (IoT) dengan metode neural network sebagai pengambil keputusan tingkat kecerahan lampu. Sistem menggunakan ESP32 sebagai mikrokontroler, sensor LDR untuk membaca kondisi pencahayaan, RTC DS3231 untuk memperoleh informasi waktu, INA219 untuk mengukur tegangan, arus, dan daya, serta MOSFET IRLZ34N sebagai pengendali kecerahan lampu DC menggunakan teknik Pulse Width Modulation (PWM). Data waktu dan nilai LDR digunakan sebagai masukan neural network untuk menentukan tingkat kecerahan lampu secara otomatis. Sistem juga dilengkapi dengan aplikasi Blynk untuk pemantauan kondisi dan konsumsi daya secara real-time, serta menyediakan mode otomatis dan manual. Hasil pengujian menunjukkan bahwa sistem dapat menjalankan pengaturan kecerahan lampu sesuai dengan perancangan dan mampu melakukan klasifikasi tingkat kecerahan berdasarkan masukan waktu dan kondisi pencahayaan. Pengukuran konsumsi daya menunjukkan bahwa sistem manual menghasilkan ratarata daya sebesar 494,02 mW, sedangkan sistem berbasis neural network menghasilkan rata-rata daya sebesar 166,07 mW, sehingga diperoleh penghematan daya sebesar 327,95 mW atau 66,38%. Berdasarkan hasil tersebut, alat yang dirancang dapat berjalan dengan baik sesuai perancangan dan mampu meningkatkan efisiensi penggunaan energi pada sistem pencahayaan. Kata Kunci : Rumah Pintar, Neural network, Internet of Things, Efisiensi Energi, ESP32
Actions (login required)
 |
View Item |
