Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol.
No.
April 2025, hlm.
Akreditasi KEMENRISTEKDIKTI.
No.
36/E/KPT/2019
DOI: 10.
25126/jtiik.
p-ISSN: 2355-7699
e-ISSN: 2528-6579
PEMODELAN SISTEM MONITORING KUALITAS UDARA PINTAR BERBASIS
INTERNET OF THINGS DENGAN PENDEKATAN MACHINE LEARNING
Eddy Prasetyo Nugroho1.
Ani Anisyah2.
Deva Shofa Al Fathin*3.
Muhammad Nur Yasin Amadudin4.
Muhammad Satria Ramadhani5.
Yosafat6
1,2,3,4,5,6
Universitas Pendidikan Indonesia.
Bandung Email: eddypn@upi.
edu, 2anianisyah@upi.
edu 3devasa@upi.
edu, 4mnyasin26@upi.
satramadhani@upi.
edu, 6yosafat7054@upi.
Penulis Korespondensi (Naskah masuk: 14 Januari 2025, diterima untuk diterbitkan: 14 April 2.
Abstrak Penelitian ini bertujuan untuk merancang arsitektur model sistem pemantauan kualitas udara di Kota Bandung menggunakan empat parameter polutan utama: PM1.
PM2.
PM10, dan CO.
Sistem ini dirancang dengan memanfaatkan algoritma Long Short-Term Memory (LSTM) untuk memprediksi kualitas udara harian berdasarkan data historis.
Fokus penelitian meliputi perancangan desain arsitektur sistem, model data, dan metode prediksi, yang disusun berdasarkan analisis arsitektur sebelumnya serta kajian literatur.
Salah satu elemen penting dan kebaruan dalam penelitian ini adalah penggunaan sensor ZH03B untuk pemantauan kualitas udara secara realtime yang memberikan solusi hemat biaya dan dapat diandalkan.
Kombinasi antara sensor real-time dan algoritma LSTM menghasilkan tingkat akurasi prediksi kualitas udara sebesar 88%.
Hasil evaluasi model menunjukkan nilai Root Mean Square Error (RMSE) sebesar 2,68 yang mencerminkan kinerja prediksi yang baik.
Selain itu, pendekatan ini memberikan peningkatan signifikan dibandingkan metode konvensional yang sering kali kurang responsif terhadap perubahan kualitas udara secara dinamis.
Penelitian ini memberikan dasar yang kuat untuk pengembangan sistem monitoring kualitas udara yang lebih akurat dan adaptif.
Arsitektur yang diusulkan dapat menjadi acuan untuk pengembangan sistem monitoring kualitas udara di masa depan.
Kata kunci: Kota Bandung, kualitas udara.
LSTM, prediksi, real-time.
MODELLING SMART AIR QUALITY MONITORING SYSTEM BASED ON INTERNET
OF THINGS WITH MACHINE LEARNING APPROACH
Abstract This research aims to design the architecture of an air quality monitoring system model in Bandung City using four main pollutant parameters: PM1.
PM2.
PM10, and CO.
The system is designed by utilising the Long Short-Term Memory (LSTM) algorithm to predict daily air quality based on historical data.
The focus of the research includes the design of the system architecture, data model, and prediction method, which were developed based on previous architecture analysis and literature review.
One important element and novelty in this research is the use of the ZH03B sensor for real-time air quality monitoring which provides a cost-effective and reliable The combination of the real-time sensor and the LSTM algorithm resulted in an air quality prediction accuracy rate of 88%.
The model evaluation results show a Root Mean Square Error (RMSE) value of 2.
68 which reflects good prediction performance.
In addition, this approach provides a significant improvement over conventional methods that are often less responsive to dynamic changes in air quality.
This research provides a solid foundation for the development of a more accurate and adaptive air quality monitoring system.
The proposed architecture can serve as a reference for the development of future air quality monitoring systems.
Keywords: air quality.
Bandung City.
LSTM, prediction, real-time.
partikel halus PM atau Particulate Matter terdiri dari PM1.
PM2.
5, dan PM10 (Bae and Hong, 2.
, yang merupakan partikel sangat kecil yang dapat masuk ke dalam sistem pernapasan manusia, dapat PENDAHULUAN Polusi udara di perkotaan dan industri telah menghasilkan emisi berbagai zat berbahaya yang dapat merugikan kesehatan manusia.
Misalnya, 470 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
April 2025, hlm.
menyebabkan masalah pernapasan, penyakit kardiovaskular, dan bahkan kematian (Oktaviani and Prasasti, 2.
Selain itu.
Oksida nitrogen (NO.
dan karbon monoksida (CO) yang dilepaskan oleh kendaraan bermotor dapat mengganggu transportasi oksigen dalam darah dan meningkatkan risiko keracunan gas.
Data WHO menunjukkan bahwa hampir seluruh populasi global .
%) menghirup udara yang melebihi batas pedoman WHO dan mengandung tingkat polutan yang tinggi.
Berdasarkan data tahun 2021, dunia telah mengalami 6,5 juta kematian dini setiap tahun akibat polusi udara, dengan tingkat kematian tertinggi terjadi di negara-negara berkembang (Geneva: World Health Organization, 2.
Berdasarkan indikator partikulat PM2.
5 di tahun 2023.
ISPU kota Bandung berada di ambang batas sedang yang menuju ke arah tidak sehat.
Ada beberapa faktor yang menyebabkan kualitas udara di Kota Bandung memburuk, 70% disebabkan oleh emisi gas transportasi dan sisanya disebabkan dari rumah penduduk seperti pembakaran sampah, cerobong pabrik, cerobong genset dan lainnya (Diskominfo, 2.
Hal ini kemudian didukung oleh data yang diperoleh dari IQAir, kota Bandung menjadi wilayah dengan polusi udara tertinggi di Indonesia pada Kamis, 15 Februari 2024 dengan indeks kualitas udara di kategori tidak sehat, dengan skor AQI 162.
Tujuan dari penelitian ini adalah untuk memonitor kualitas udara di Kota Bandung dengan tiga parameter ISPU yaitu PM2.
PM10, dan CO.
Dari data yang telah diperoleh maka nantinya data akan di training oleh algoritma machine learning agar bisa diperoleh prediksi kualitas udara harian di Kota Bandung.
Hal ini tentunya bisa membantu masyarakat lebih waspada akan pencemaran udara dan mempersiapkan diri lebih baik lagi ketika akan keluar rumah setelah melihat prediksi kualitas udara di Kota Bandung.
Penelitian terkait polusi udara yang dilakukan sebelumnya yaitu pemantauan partikel PM2.
menggunakan sensor PMS5003 (Suriano and Prato.
Suryantoro and Kusriyanto, 2023.
Utamy.
Siswanto and Sutarti, 2.
, sensor Sharp GP2Y1010AU0F (Hapidin et al.
, 2.
, dan sensor ZH03A (Hapidin et al.
, 2019.
Wibawa and Putra.
Perbedaan lainnya adalah belum ada yang melakukan penelitian di Kota Bandung terkait keempat polutan tersebut.
Air Quality Monitoring System (AQMS) yang dimiliki Kementerian Lingkungan Hidup dan Kehutanan (KLHK) saat ini juga belum memiliki fitur prediksi untuk kualitas udara beberapa waktu ke depan.
Hal ini tentunya penting untuk diperhatikan karena kualitas udara di Kota Bandung saat ini sudah hampir mencapai batas yang tidak sehat.
Ada baiknya memberikan prediksi kualitas udara untuk beberapa waktu kedepan agar masyarakat bisa mempersiapkan diri sebelum mereka pergi ke luar rumah atau ke luar ruangan.
Oleh karena itu, pada penelitian kali ini dirancang pemodelan sistem monitoring kualitas udara secara real-time berbasis website dengan fitur prediksi kualitas udara untuk tujuh hari ke depan menggunakan algoritma Long Short-Term Memory (LSTM).
Penelitian ini juga didasarkan atas penelitian sebelumnya yang terbukti berhasil menerapkan algoritma LSTM dalam prediksi kualitas udara (Khumaidi.
RaafiAoudin and Solihin, 2020.
Song et al.
Alghieth et al.
, 2021.
Montalvo et al.
, 2022.
Li.
Zhang and Wang, 2023.
Suresh et al.
, 2023.
Tran et , 2023.
Wang.
Bingchun Liu and Jiali Chen, 2.
Algoritma Long Short Term Memory (LSTM) merupakan salah satu algoritma pada machine learning yang dapat digunakan untuk masalah prediksi kualitas udara karena algoritma ini bisa mempelajari histori data yang cukup lama.
Algoritma LSTM ini merupakan salah satu jenis arsitektur dari Recurrent Neural Network (RNN) yang biasa masalah-masalah membutuhkan deep learning.
Kebaruan yang ada pada penelitian ini adalah sistem memberikan data untuk polutan PM1.
PM2.
PM10, gas CO, suhu, kelembaban, dan tekanan udara dengan interval pengiriman data soft real-time untuk ketiga titik lokasi di Kota Bandung (Pelesiran.
Setiabudi, dan Cijagr.
dengan sensor yang belum pernah digunakan pada penelitian sebelumnya yaitu sensor ZH03B.
METODE PENELITIAN
Gambar 1.
Desain Penelitian Analyzing Existing Architecture Tahapan ini dilakukan dengan mengkaji penelitian yang telah dilakukan dan melakukan analisis teknologi yang sudah diterapkan untuk Shofa, dkk.
Pemodelan Sistem MonitoringA 471 penelitian monitoring polusi udara.
Proses ini mencakup identifikasi elemen-elemen utama dari arsitektur yang telah digunakan seperti jenis sensor, protokol komunikasi, algoritma prediksi, dan pendekatan menganalisis data.
Literature Study Kajian mengumpulkan kajian terkait arsitektur sistem berbasis Internet of Things, model prediksi, dan sistem monitoring yang mendukung pengembangan sistem monitoring polusi udara berbasis IoT dan machine learning.
Kajian literatur ini juga mempertimbangkan faktor-faktor seperti biaya implementasi, cakupan geografis, akurasi prediksi, serta skalabilitas sistem.
Developing Proposed Architecture Tahapan ini berfokus pada perancangan arsitektur model sistem monitoring kualitas udara.
Proses perancangan dimulai dengan menentukan kebutuhan sistem seperti parameter polutan utama yang akan dimonitor (PM1.
PM2.
PM10, dan CO), perangkat keras yang digunakan .
eperti sensor ZH03B), serta protokol komunikasi yang sesuai untuk pengumpulan data secara real-time.
Arsitektur model yang diusulkan untuk sistem ini dilakukan dengan melakukan perancangan desain arsitektur sistem, data model, dan metode prediksi berdasarkan hasil analisis arsitektur yang telah digunakan dan didukung materi hasil kajian Adapun berdasarkan studi literatur yang telah dilakukan sebelumnya, data polusi yang diukur oleh perangkat harus sesuai dengan ketentuan yang telah ditetapkan oleh Peraturan Menteri No.
(Kusnandar, 2.
bahwa satuan yang digunakan harus dalam bentuk AAg/m3.
Kemudian angka konsentrasi dari masing-masing polusi harus dikonversikan ke dalam bentuk Indeks Standar Pencemar Udara (ISPU) yang telah ditetapkan sebelumnya seperti pada Tabel 1.
Dengan persamaan untuk perhitungan konversi ISPU yang telah ditetapkan seperti pada Persamaan .
ya Oeya I = ycUyca Oe ycUyca .
cUycu Oe ycUyca ) yayca Dengan keterangan:
= ISPU terhitung = ISPU batas atas = ISPU batas bawah = Konsentrasi ambien batas atas = Konsentrasi ambien batas bawah = Konsentrasi ambien hasil pengukuran HASIL DAN PEMBAHASAN Hasil kajian literatur Berdasarkan hasil studi literatur yang disajikan dalam Tabel 1, berbagai penelitian mengenai monitoring kualitas udara menunjukkan bahwa penggunaan teknologi Internet of Things (IoT) telah pendeteksian kualitas udara, terutama dalam memantau berbagai jenis polutan seperti PM2.
PM10.
CO2.
NO2, dan kelembaban udara.
Teknologi IoT memungkinkan pemantauan kualitas udara secara real-time dengan mengintegrasikan sensorsensor yang mampu mendeteksi berbagai parameter kualitas udara secara akurat dan efisien.
Dalam penelitian-penelitian berbagai jenis sensor telah digunakan untuk mendeteksi polutan tersebut yang telah terbukti efektif dalam mengukur konsentrasi polutan seperti PM2.
PM10, gas CO2 dan NO2.
Sensor-sensor yang digunakan dalam monitoring kualitas udara bekerja dengan mengubah data yang dikumpulkan dari lingkungan menjadi informasi yang dapat dianalisis lebih lanjut untuk memberikan gambaran yang lebih jelas tentang kondisi kualitas udara di suatu wilayah.
Misalnya, sensor-sensor seperti ZH03A dan PMS5003 sering digunakan dalam penelitian terkait kualitas udara karena kemampuan mereka dalam mendeteksi partikel udara dengan ukuran yang sangat kecil, terutama PM2.
5 dan PM10.
Sensor-sensor ini telah terbukti efektif dalam memberikan data yang cukup akurat mengenai konsentrasi partikel udara yang dapat berdampak pada kesehatan manusia dan Namun, meskipun berbagai penelitian menunjukkan keefektifan sensor-sensor ini, masih ada peluang untuk menggunakan sensor lain yang mungkin memiliki kinerja yang lebih baik atau lebih sesuai dengan kondisi tertentu.
Salah satu contoh sensor yang relatif baru dan belum banyak digunakan dalam penelitian-penelitian terkait adalah sensor ZH03B.
Meskipun belum banyak diterapkan, sensor ini memiliki potensi untuk mendeteksi polutan udara dengan lebih spesifik dari polutan PM1.
PM2.
5, dan PM10, yang berpotensi unggul dalam implementasi jangka panjang di lapangan.
Belum adanya penelitian yang memanfaatkan sensor ZH03B menunjukkan adanya celah dalam pengembangan teknologi monitoring kualitas udara berbasis IoT.
Oleh karena itu, penelitian lebih lanjut yang melibatkan sensor ZH03B dapat memberikan wawasan baru mengenai keunggulan dan kinerja sensor tersebut dalam mendeteksi polutan udara.
Selain itu, teknologi monitoring kualitas udara yang telah dilakukan di berbagai lokasi telah mengkombinasikan teknologi machine learning untuk melakukan prediksi konsentrasi polutan.
Algoritma Long Short-Term Memory (LSTM) telah banyak diimplementasikan untuk melakukan prediksi untuk jenis data ini.
Hasil yang didapatkan menunjukan bahwa model LSTM menunjukan performa yang baik dan efektif dalam melakukan prediksi (Xayasouk.
Lee and Lee, 2.
Penelitian yang dilakukan oleh (Istiana et al.
, 2.
yang membandingkan kinerja dari model LSTM dengan model lain seperti 1D-CNN dan kombinasi 1D-CNNLSTM mengungkapkan bahwa LSTM adalah model yang paling efektif untuk memprediksi konsentrasi PM2.
5 menggunakan data time-series non-linear di wilayah Jakarta Pusat dan Jakarta Utara.
472 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
April 2025, hlm.
Gambar 2.
Arsitektur Sistem Selain itu penelitian lain yang dilakukan oleh (Masood and Ahmad, 2.
juga mengungkapkan keunggulan LSTM dalam memprediksi konsentrasi PM2.
LSTM
Multi-Layer Feedforward Neural Network (MLFFNN).
Support Vector Machine (SVM), dan Random Forest, hasilnya menunjukkan LSTM lebih unggul dari model-model tersebut dalam hal akurasi prediksi PM2.
Temuan serupa pada penelitian (Gul.
Khan and Yousaf, 2.
yang menemukan bahwa LSTM tetap menjadi pilihan yang efektif dalam memprediksi konsentrasi polutan PM2.
Dengan kemampuan menangani pola data yang kompleks, fleksibilitas dalam memproses data non-linear, dan keunggulan dalam mempertahankan informasi jangka panjang.
LSTM terus terbukti sebagai model unggul dalam aplikasi prediksi berbasis time-series.
Berdasarkan penelitian yang telah melakukan prediksi terhadap jenis polutan tersebut, belum ada penelitian yang membuat model prediksi jenis data polutan PM1.
PM2.
PM10, dan CO dengan menggunakan model LSTM untuk tujuh hari ke depan secara real-time yang disajikan dalam bentuk dashboard berbasis website.
Arsitektur Sistem Perancangan arsitektur sistem monitoring kualitas udara yang diimplementasikan memiliki beberapa komponen utama yang saling terintegrasi dengan baik untuk memastikan pemantauan kualitas udara yang lebih efektif dan akurat.
Gambar 2 berikut merupakan arsitektur sistem kontrol monitoring kualitas udara.
Arsitektur sistem yang dirancang terdiri dari tiga bagian utama yaitu Kontroler IoT.
Server Cloud, dan Client Application.
Masing-masing bagian ini memiliki peran penting yang mendukung keseluruhan proses pengumpulan, pengolahan, dan penyajian data kualitas udara.
Kontroler IoT Perangkat ini terdiri dari beberapa komponen utama, yaitu mikrokontroler, alat komunikasi .
, dan sensor.
Mikrokontroler yang digunakan memiliki CPU berbasis 32-bit, dan dapat dibuat lebih dari satu unit untuk ditempatkan di berbagai lokasi guna mencakup area penelitian yang lebih luas sesuai kebutuhan.
Modem yang digunakan adalah jenis 4G untuk memastikan transmisi data yang reliable dibandingkan alat komunikasi radio lainnya.
Sensor-sensor yang dipakai antara lain:
MQ7 MQ7 adalah sensor gas yang mendeteksi keberadaan karbon monoksida (CO) di udara.
Sensor ini bekerja dengan mengubah resistansi ketika terpapar gas CO, memiliki sensitivitas tinggi, dan digunakan dalam sistem deteksi kebocoran gas serta pemantauan kualitas udara di dalam ruangan dan area perkotaan.
ZH03B Sensor ini mampu mengukur konsentrasi partikel debu di udara, khususnya partikel PM1.
PM2.
5, dan PM10.
Sensor ini menggunakan metode pengukuran optik untuk mendeteksi partikel-partikel kecil di udara dengan presisi .
DHT22 Sensor untuk suhu yang dilengkapi dengan elemen resistif untuk mendeteksi kelembaban, serta termistor untuk mengukur suhu.
DHT22
mampu memberikan data dengan resolusi cukup tinggi dan dapat beroperasi dalam rentang suhu yang luas, dari -40 hingga 80 derajat Celcius, serta tingkat kelembaban dari 0% hingga 100%.
BME280 Sensor ini menggabungkan kemampuan untuk mengukur tekanan udara, suhu, dan kelembaban sehingga dapat digunakan untuk menghitung ketinggian berdasarkan perubahan tekanan atmosfer.
Shofa, dkk.
Pemodelan Sistem MonitoringA 473 Tabel 1.
Hasil Kajian Literatur
Teknologi Perangkat
IoT
Model
BO-HyTS
SARIMA
memprediksi AQI (Air Quality Inde.
Monitoring kualitas udara berbasis IoT EnMos Long-Range (Longdistanc.
wireless dan cloud service Monitoring partikel PM2.
5 dan prototipe air purifier dengan PMS5003 dan arduino Monitoring polutan PM2.
PM10 berbasis IoT
Arduino
ATmega
2560 dan sensor
ZH03A
Long Short Term
Memory Prediksi
Kualitas Udara dan Suhu
Kota Bandung
Air prediction using short-term
(LSTM)
Deep
Autoencoder (DAE) Machine LearningBased Prediction of Air Quality Hal yang Diteliti Platform
Air Quality Index
(AQI)
IoT PM2.
PM10,
CO2, serta suhu dan EnMoS.
Longdistance wireless network dan cloud PM2.
PM2.
5 dan PM10
PM10,
ISPU, suhu.
PM10 dan PM2.
Perfoma Monitoring partikel PM2.
5 dan prototipe air purifier dengan sensor PMS5003 dan arduino IoT Model LSTM LSTM dan Deep Autoencoder Adaptive Boosting (AdaBoos.
, artificial neural network (ANN), random forest, stacking ensemble, dan support vector machine (SVM) Hasil Penelitian Model yang dirancang memberikan hasil yang lebih baik dengan memberikan hasil prediksi yang paling akurat dan efisien dengan nilai RMSE sebesar 14.
Med AE sebesar 19.
Max Error 52, dan MAE sebesar 20.
Limitations Jumlah dataset yang digunakan terbatas akurasi prediksi.
Referensi (Ansari and Alam.
Website dapat menyediakan peta interaktif dan grafik data index kualitas udara secara real-time Nilai validasi sensor masih mempunyai nilai akurasi yang wilayah yang lebih luas puluhan kilo (Truong.
Nguyen and Truong.
Sensor MQ135 untuk melakukan monitoring kualitas udara di dalam ruangan, sensor PMS5003 digunakan untuk mendeteksi partikel polutan udara yang berukuran sangat kecil sekitar 2.
micro yang tergolong pada tipe PM2.
kipas penghisap udara, dan hepa filter sebagai filter udara.
Hasil prototipe air purifier yang dikembangkan telah berhasil mengurangi jumlah polutan PM2.
5 sebesar 90% sehingga kualitas udara menjadi lebih baik.
Sensor membaca yang baik (Suryantoro Kusriyanto.
Sistem monitoring polutan PM2.
5 dan PM10 IoT menggunakan mikrokontroler Arduino ATmega 2560 dan sensor ZH03A mampu mengukur kualitas udara yang lebih efisien, relatif ringan, dan dapat dibawa kemana-mana.
(Wibawa and Putra.
Hasil prediksi yang cukup baik untuk parameter suhu, kelembapan, suhu, dan ISPU sedangkan hasil prediksi untuk parameter PM10 mempunyai hasil prediksi yang kurang baik.
Hal ini dikarenakan hasil perhitungan RMSE untuk data training dan data testing diperoleh adalah train score sebesar 1,92 RMSE dan test score sebesar 1,76 RMSE.
Dataset tahun yang menghasilkan model DAE berhasil memberikan hasil prediksi yang efektif dan model LSTM yang menghasilkan performa model yang sedikit lebih baik.
Kedua model ini berhasil memprediksi konsentrasi molekul PM untuk 10 hari kedepan dengan optimal learning rate
0,01 untuk 100 epochs dan batch 32
untuk LSTM, dan batch 64 untuk model
DAE
Performa kurang baik karena nilai RMSE prediksi lebih besar dari nilai standar deviasi dari pengujian dataset.
(Khumaidi.
RaafiAoudin and Solihin.
Model diujikan untuk data spasial dan dataset dengan jumlah lebih besar dari yang (Xayasouk.
Lee and Lee, 2.
Hasil performansi dari model-model ini didapatkan model stacking ensemble mempunyai performansi prediksi yang paling baik, diikuti dengan model AdaBoost, dan random forest.
Model stacking ensemble ini mempunyai nilai performansi R2 dan RMSE yang konsisten, sedangkan nilai MAE yang terbaik dimiliki oleh model AdaBoost Peningkatan kinerja langkah waktu lebih besar menggunakan stacking ensemble.
AdaBoost, (Liang et , 2.
474 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
April 2025, hlm.
Kontroler ini akan menggunakan protokol komunikasi MQTT melalui internet untuk mengirim data dari perangkat ke cloud, memungkinkan pengolahan data secara real-time.
Server Cloud Arsitektur server yang dirancang untuk memenuhi sistem ini dibangun dengan menggunakan layanan virtual server berbasis Pada arsitektur server ini akan dibagi menjadi tiga host yang digunakan untuk menjalankan layanan sesuai dengan kegunaannya.
Ketiga host ini akan dipasang sistem operasi Ubuntu.
Docker Host 1 Docker Host 1 digunakan untuk menjalankan layanan yang berfokus pada penyimpanan data dari perangkat kontroler IoT.
Host ini terdiri dari satu container yang terdiri dari MQTT Broker (NanoMQ).
Docket Host 2 Docker Host 2 digunakan untuk menjalankan layanan yang berfokus pada engine prediksi data kualitas udara.
Host ini terdiri dari satu container yang akan dipasangkan Python server dan library PyTorch untuk menjalankan algoritma LSTM untuk memprediksi informasi kualitas udara.
Selain itu, librari Keras dipasang untuk mengembangkan dan mengevaluasi model deep learning yang telah dibangun.
Hasil data prediksi kemudian akan dikirimkan melalui API untuk aplikasi client untuk ditampilkan pada .
Docker Host 3 Docker Host 3 digunakan untuk menjalankan layanan aliran data yang berfokus untuk memenuhi kebutuhan client application.
Docker Host 3 ini dibagi menjadi tiga container yang terdiri dari Relational Database Management System (RDBMS) menggunakan server basis data MySQL, halaman administrator basis data menggunakan server basis data MySQL dan server Client PHP, dan Web Application sistem monitoring yang dibangun dengan framework Laravel untuk sisi back-end dan JavaScript Framework untuk front-end.
Client Application Pada bagian client application ini akan dirancang sistem monitoring berupa dashboard berbasis website yang dapat diakses melalui internet oleh setiap PC client dengan bantuan aplikasi browser.
Client application ini akan dipasang kode program untuk dapat menerima dan meminta request data yang disimpan di basis data yang disimpan pada cloud server melalui API.
Sehingga, data yang diterima akan diolah dan ditampilkan dalam dashboard yang menginformasikan index kualitas udara secara real-time maupun prediksi untuk tujuh hari Sistem ini memanfaatkan sensor ZH03B untuk mengukur konsentrasi PM1.
PM2.
PM10, serta gas CO yang diukur menggunakan sensor MQ-7, dan dilengkapi dengan sensor tambahan untuk mengukur suhu, kelembaban dengan sensor DHT22, dan tekanan udara oleh sensor BME280.
Data yang dikumpulkan oleh sensor-sensor tersebut dikirimkan secara realtime melalui jaringan IoT ke server pusat yang dirancang untuk mengolah dan menyimpan data.
Sistem pengolahan data menggunakan algoritma Long Short-Term Memory (LSTM) untuk memprediksi kualitas udara.
LSTM dipilih karena kemampuannya yang unggul dalam mempelajari pola data histori yang kompleks dan panjang.
Data historis yang terkumpul dilatih menggunakan model LSTM untuk menghasilkan prediksi kualitas udara harian, yang kemudian ditampilkan melalui antarmuka berbasis web.
Antarmuka web ini memungkinkan pengguna untuk memantau kualitas udara di tiga lokasi utama di Kota Bandung (Pelesiran.
Setiabudi, dan Buah Bat.
dalam interval soft real-time.
Selain itu, antarmuka ini menyediakan visualisasi data yang informatif serta fitur peringatan dini apabila user berada di zona Tidak Sehat, dan prediksi kualitas udara untuk tujuh hari ke depan.
Arsitektur ini dirancang agar scalable dan dapat diadaptasi untuk kota-kota lain dengan penyesuaian Arsitektur Kontroler Diagram Arsitektur Kontroler pada Gambar 3 menunjukkan bagaimana komponen-komponen dalam sistem ini terhubung.
Pertama-tama, seluruh sistem mendapatkan daya dari adaptor USB 5V yang mengalirkan listrik ke mikrokontroler dan sensorsensor lainnya, yang semuanya membutuhkan tegangan 5V untuk berfungsi.
Sensor-sensor yang ada, seperti ZH03B untuk partikel PM.
DHT22 untuk suhu dan kelembaban.
BME280 untuk tekanan udara, dan MQ7 untuk karbon monoksida, bertugas mengumpulkan data dari lingkungan.
Masing-masing sensor terhubung ke mikrokontroler YD-ESP32-S3 melalui jalur komunikasi yang berbeda-beda.
ZH03B menggunakan komunikasi Universal Asynchronous Receiver-Transmitter (UART).
DHT22 melalui pin General Purpose Input/Ouput (GPIO).
BME280 menggunakan Inter-Integrated Circuit (I2C), dan MQ7 melalui Analog Digital Converter (ADC) yang dihubungkan dengan ADS1232.
Shofa, dkk.
Pemodelan Sistem MonitoringA 475 Gambar 3.
Arsitektur Kontroler Mikrokontroler ini kemudian mengambil data dari semua sensor dan memprosesnya lalu dikirimkan ke cloud server.
Data tersebut dikirim menggunakan koneksi Wireless Fidelity (WiF.
dan modem 4G dengan protokol komunikasi MQTT.
Gambar 4.
Relational Model Pemodelan Data Berdasarkan analisis kebutuhan fungsionalitas sistem yang akan dirancang, desain basis data pada sistem ini seperti pada Gambar 4 terdiri dari tiga entitas yaitu entitas device, telemetry log, dan prediction log.
Entitas device menyimpan data identitas device yang digunakan untuk menangkap data polusi dari sensor IoT.
Entitas telemetry log menyimpan data yang dihasilkan dari sensor komponen IoT yang akan diolah, divisualisasikan, dan diprediksi.
Sedangkan entitas prediction log digunakan untuk menyimpan data history hasil prediksi yang dihasilkan oleh model LSTM.
Adapun data yang akan digunakan untuk kebutuhan prediksi meliputi data historis dari atribut Aopm_1_0_levelAo.
Aopm_2_5_levelAo.
Aopm_10_0_levelAo.
Aoco_levelAo.
Aodht22_temperatureAo.
Aodht22_humidityAo.
Aobme280_pressureAo yang diperoleh dari masingmasing device karena pada rancangan penelitian ini digunakan tiga perangkat .
untuk ditempatkan di tiga titik lokasi di Kota Bandung.
Class Diagram Perancangan class diagram yang dibuat untuk perancangan arsitektur dashboard monitoring ini dihasilkan dari proses analisis data sebelumnya yang menghasilkan tiga kelas yaitu kelas device, prediction log, dan telemetry log seperti pada Gambar 5.
Kelas Device berfungsi untuk menyimpan data identitas perangkat IoT, seperti ID perangkat dan lokasi, tanpa memiliki metode atau aksi khusus.
Di sisi lain, kelas Telemetry Log dan Prediction Log masing-masing menyimpan data yang dihasilkan dari sensor dan hasil prediksi model LSTM.
Kedua kelas ini memiliki metode yang dirancang untuk mengelola dan memproses data mereka.
Kelas Gambar 5.
Class Diagram Telemetry Log menyimpan data dari sensor yang mencakup parameter kualitas udara, sedangkan kelas Prediction Log menyimpan hasil prediksi berdasarkan data historis.
Metode-metode yang ada dalam kelas Telemetry Log dan Prediction Log dirancang untuk mengolah data yang masuk, melakukan analisis, dan menghasilkan output yang dapat digunakan untuk visualisasi dan peramalan.
Penjelasan detail mengenai fungsi dari setiap metode yang dirancang pada kedua kelas ini dapat dilihat pada Tabel 2.
Desain Dashboard Monitoring Gambar 5 merupakan rancangan visualisasi dashboard yang berisi data polutan PM1.
PM2.
PM10.
CO, kategori kualitas udara secara real-time, beserta data lingkungan seperti suhu, kelembaban, dan tekanan udara, juga grafik prediksi yang bisa dilihat oleh pengguna.
476 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
April 2025, hlm.
Gambar 6.
Rancangan Visualisasi Dashboard Seluruh data yang ditampilkan pada dashboard merupakan data yang akan diperoleh dari perangkat kontroler IoT yang dipasang di beberapa titik di Kota Bandung.
Tabel 2.
Daftar Method pada Perancangan Class Diagram
Method
Class
Keterangan Prediction Mendapatkan data
log, telemetry dari API untuk Telemetry log Menyimpan data
telemetry log ke Prediction log Melakukan kualitas udara
getResultPrediction() Prediction Mengambil data
Log
log prediksi untuk pada dashboard
get_ispu() Telemetry log Mengambil data
ISPU
getAverageISPUPer Telemetry log Mengambil data Day() rata-rata ISPU per hari untuk ditampilkan pada dashboard calculateISPU() Telemetry log Melakukan ISPU ditampilkan pada categorizeISPU() Telemetry log Melakukan kategorisasi pada data ISPU checkAirQuality() Telemetry log Melakukan kualitas udara Rancangan Model Prediksi Pemodelan sistem monitoring polusi udara ini juga menggunakan pendekatan machine learning.
Jenis tugas machine learning yang dilakukan dalam penelitian ini adalah tugas regresi, tugas ini dilakukan untuk memprediksi nilai numerik yang kontinu seperti yang dilakukan dalam penelitian ini dengan algoritma Long Short-Term Memory yang merupakan varian dari Recurrent Neural Network (RNN).
LSTM
hadir karena RNN pada umumnya tidak dapat memecahkan masalah ketergantungan urutan input dalam waktu yang lama, sedangkan LSTM dapat mempelajari time series dalam waktu yang lama untuk hasil prediksi yang akurat (Wang.
Bingchun Liu and Jiali Chen, 2.
Struktur LSTM terdiri dari memory cell, input gate, output gate dan forgetting LSTM ini terletak terletak pada keadaan sel dan struktur gerbangnya.
Struktur LSTM terdiri dari memory cell, input gate, output gate dan forgetting gate.
Konsep inti dari LSTM ini terletak pada keadaan sel dan struktur Keadaan sel dapat mengirimkan informasi yang relevan dalam proses urutan, yang mengatasi pengaruh memori jangka pendek dan menggunakan gerbang untuk menentukan informasi mana yang harus disimpan atau dilupakan (Li.
Zhang and Wang, 2.
Gambar 7 merupakan perancangan model komputasi machine learning dengan algoritma LSTM yang akan dibangun, berikut adalah tahapantahapan yang akan dilakukan untuk membuat model prediksi data polutan untuk sistem ini.
Shofa, dkk.
Pemodelan Sistem MonitoringA 477 Gambar 7.
Perancangan Model Komputasi Machine Learning Data Preprocessing Pada bagian ini data akan dilakukan praproses mempersiapkan data agar dapat diproses oleh model.
Praproses data ini akan terdiri dari beberapa proses, antara lain proses data extracting, data cleaning, dan resampling data.
Dataset Splitting Setelah data dilakukan praproses, maka berikutnya data akan dibagi menjadi dua bagian yaitu data pelatihan dan data pengujian.
Data pelatihan akan digunakan dalam proses pelatihan model, sedangkan data pengujian akan digunakan dalam proses pengujian model.
Pada penelitian ini, data dibagi menjadi rasio train dan test 70:30.
Model Training Model training adalah bagian untuk melakukan pelatihan model menggunakan data pelatihan.
Proses ini bertujuan untuk membuat model belajar pola dan hubungan dari data yang dapat digunakan untuk membuat prediksi.
Model Evaluation Setelah melakukan proses pelatihan, maka performa model yang telah dilatih akan diuji dan diukur menggunakan data yang terpisah dari data pelatihan yakni data pengujian.
Bagian ini penting untuk memastikan model mampu bekerja baik pada data yang belum terlihat.
Hyperparameter Tuning Hyperparameter tuning adalah proses untuk mengoptimalkan hyperparameter dari sebuah model yang telah dilatih sebelumnya.
Tabel 3 berikut merupakan hyperparameter untuk model prediksi yang akan digunakan pada sistem ini.
Tabel 3.
Hyperparameter Model LSTM Hyperparameter Value Input size Hidden size Number layers Output size Epoch Batch size Learning rate Optimizer Adam Loss function MSE.
RMSE
Model Deployment Terakhir, pada bagian ini model akan diintegrasikan ke dalam lingkungan produksi, sehingga dapat digunakan untuk membuat prediksi pada data baru.
Evaluasi Model Prediksi Evaluasi model prediksi dilakukan untuk menilai kinerja algoritma LSTM dalam memprediksi konsentrasi polutan PM2.
5 berdasarkan data historis.
Model dilatih menggunakan hyperparameter yang telah ditentukan seperti pada Tabel 3.
Selama proses pelatihan, model diuji dengan berbagai jumlah epoch untuk mendapatkan hasil yang paling optimal.
Berdasarkan hasil eksperimen, model menunjukkan performa terbaik pada epoch ke-30, yang memberikan keseimbangan antara akurasi prediksi dan minimisasi nilai kesalahan .
Adapun evaluasi model PM2.
5 yang diuji menggunakan data aktual selama periode satu bulan menunjukkan nilai Root Mean Square Error (RMSE) sebesar 2.
RMSE ini merepresentasikan rata-rata selisih mutlak antara nilai prediksi dan nilai aktual dalam satuan yang sama dengan data asli (AAg/mA).
Nilai RMSE ini mengindikasikan bahwa model memiliki tingkat kesalahan prediksi sebesar 2.
68 unit dalam memprediksi kualitas udara untuk polutan PM2.
478 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
April 2025, hlm.
DAFTAR PUSTAKA