1 Pendahuluan
Kebutuhan akan efisiensi energi listrik menjadi semakin penting pada era modern, terutama dengan meningkatnya biaya listrik dan kesadaran akan dampak lingkungan dari konsumsi energi berlebih [1]. Secara umum, sumber beban utama konsumsi energi listrik pada suatu bangunan yaitu, penerangan (lampu) dan pendingin udara (AC) [2]. Pengoperasian lampu dan pendingin udara secara manual masih menjadi praktik umum pada banyak tempat. Meskipun cara ini sederhana dan mudah diterapkan, namun memiliki kelemahan terutama terkait dengan efisiensi pengoperasiannya, misalnya sering lupa mematikan
lampu dan pendingin udara setelah selesai digunakan yang mengakibatkan pemborosan energi listrik sehingga berdampak pada peningkatan biaya listrik. Selain itu, pengoperasian perangkat secara manual tidak memungkinkan penyesuaian berdasarkan kondisi sebenarnya (aktual) pada ruangan, seperti keberadaan orang atau perubahan suhu, sehingga seringkali perangkat beroperasi tidak sesuai kebutuhan.
Perhatian khusus terhadap otomatisasi beban listrik menandai revolusi dalam sistem manajemen energi listrik. Pemanfaatan teknologi otomatisasi berperan penting dalam meningkatkan efisiensi pengelolaan dan distribusi listrik [3]. Inovasi dalam otomatisasi beban listrik memberikan potensi untuk meningkatkan kinerja sistem kelistrikan secara keseluruhan, mengurangi pemborosan energi listrik, dan menciptakan solusi yang lebih efektif, lebih optimal dan berkelanjutan.
Aryandhi dan Talakua (2019) mengembangkan sistem kontrol suhu ruangan otomatis berbasis logika fuzzy untuk pendingin udara (AC) dengan mempertimbangkan suhu dalam dan luar ruangan serta jumlah orang dalam ruangan, tetapi belum mengintegrasikan kontrol pencahayaan dan tidak dilengkapi fitur pemantauan berbasis IoT [4]. Haniifah, dkk.(2020) mensimulasikan sistem kontrol dan monitoring jarak jauh untuk lampu dan AC berbasis IoT menggunakan sensor PZEM-004T, tetapi belum mengimplementasikan logika fuzzy sebagai pengontrol adaptif terhadap kondisi lingkungan yang dinamis [5].
Berdasarkan latar belakang di atas, maka pada penelitian ini dibahas mengenai sistem otomatisasi pengoperasian lampu dan pendingin udara dengan implementasi logika fuzzy dan pemantauannya berbasis IoT. Logika fuzzy adalah pendekatan yang mampu menangani ketidakpastian dan ketidakjelasan pada sistem kontrol yang memungkinkan sistem membuat keputusan lebih adaptif dan cerdas terhadap perubahan kondisi di lingkungan sekitarnya [6]. Sistem yang dirancang secara otomatis mengontrol aktuator lampu TL dan pendingin udara melalui ESP32 sesuai parameter-parameter yang diukur melalui sensor SHT20, TSL2561, HC-SR501, E3JK-S4M2, IR Receiver, dan PZEM-004T. Dengan didukung oleh teknologi IoT (Internet of Things), maka kinerja sistem dapat dipantau secara langsung melalui aplikasi Android "Smart Class". IoT adalah teknologi yang mampu menghubungkan dan mengkomunikasikan berbagai perangkat melalui jaringan internet [7]. Objek penelitian ini adalah Laboratorium Robotika dan Kecerdasan Buatan, Politeknik Perkapalan Negeri Surabaya (PPNS) yang berukuran panjang 15 meter, lebar 11 meter dan tinggi 4 meter.
Dengan adanya penelitian ini, maka pengoperasian lampu dan pendingin udara dapat dilakukan secara optimal sehingga konsumsi energi listrik menjadi lebih efisien dan berkelanjutan yang berdampak pada pengurangan biaya listrik secara signifikan dengan tetap memperhatikan kenyamanan pengguna. Selain itu, dengan pengontrolan yang tepat dan pemantauan berkelanjutan, resiko kerusakan akibat kelebihan beban atau kondisi operasional yang ekstrim dapat diminimalisir sehingga berpotensi memperpanjang umur lampu dan pendingin udara [8].
2 Metode
Sistem yang dirancang terdiri dari komponen-komponen masukan (input), pemroses (controller) dan keluaran (output). Rancangan sistem ditunjukkan pada Gambar 1.
Gambar 1. Rancangan sistem.
Komponen input berupa sensor-sensor yang berfungsi sebagai pengukur parameter-parameter terdiri dari SHT20 sebagai sensor suhu, TSL2561 sebagai sensor cahaya, HC-SR501 dan E3JK-S4M2 sebagai sensor pergerakan dan penghitung orang dalam ruangan serta IR Receiver sebagai sensor inframerah. Selain itu, terdapat PZEM-004T sebagai sensor listrik yang mengukur parameter tegangan, arus, frekuensi, faktor daya, daya, dan energi listrik. Komponen controller berupa mikrokontroler ESP32 yang berfungsi sebagai penerima data, pemroses data dan pengambil keputusan. Data juga dikirimkan ke database dengan platform Firebase untuk dipantau melalui aplikasi Android "Smart Class" dengan memanfaatkan teknologi IoT [9]. Komponen output berupa aktuator-aktuator yang berfungsi sebagai penggerak terdiri dari LCD sebagai aktuator penampil, relay SSR sebagai aktuator pemutus/penghubung lampu TL dan IR Transmitter sebagai aktuator inframerah untuk pengontrol pendingin udara.
Gambar 2. Diagram alir sistem.
Diagram alir sistem ditunjukkan pada Gambar 2 dengan tahapan sebagai berikut,
- 1. Data hasil pengukuran intensitas cahaya ruangan oleh sensor TSL2561 dikirimkan ke mikrokontroler ESP32, kemudian digunakan untuk mengontrol lampu sesuai Tabel 3. Data hasil pengukuran jumlah orang yang masuk ruangan oleh sensor E3JK-S4M2 dan pengukuran suhu ruangan oleh sensor SHT20 dikirimkan ke mikrokontroler ESP32 untuk diolah dengan metode logika fuzzy Sugeno, kemudian digunakan untuk mengontrol pendingin udara sesuai aturan fuzzy pada Tabel 8. Data hasil pengukuran konsumsi energi listrik pada lampu dan pendingin udara oleh PZEM-004T serta data hasil pengukuran intensitas cahaya ruangan, jumlah orang yang masuk ruangan dan suhu ruangan ditampilkan di LCD dan dikirimkan ke Firebase serta dipantau melalui aplikasi Android "Smart Class"
- 2. Pergerakan orang di ruangan dideteksi oleh sensor HC-SR501. Apabila dalam kurun waktu tertentu, tidak terdeteksi pergerakan orang di ruangan, maka secara otomatis lampu dan pendingin udara dimatikan.
Tingkat intensitas cahaya yang sesuai pada suatu ruangan secara langsung mempengaruhi kenyamanan visual baik di dalam maupun di luar ruangan [10]. Dalam perancangan sebuah bangunan harus memperhatikan aspek sistem pencahayaan yang akan dibuat dengan merujuk pada rekomendasi standar rata-rata pencahayaan dan standar daya listrik maksimum yaitu, SNI 6197:2011 yang ditunjukkan pada Tabel 1.
Jurnal Otomasi Kontrol dan Instrumentasi Vol 17 (1), 2025 ISSN: 2085-2517 https://doi.org/10.5614/joki.2025.17.1.2 E-ISSN: 2460-6340
Tabel 1. Standar rata-rata pencahayaan [11]
| Fungsi ruangan | Intensitas cahaya (lux) |
| Lembaga pendidikan | |
| Ruang kelas | 250 |
| Perpustakaan | 300 |
| Laboratorium | 500 |
| Ruang komputer | 500 |
| Ruang bahasa | 300 |
| Ruang gambar | 750 |
Dalam perancangan sistem kontrol lampu, input data intensitas cahaya yang didapatkan dari hasil pembacaan sensor TSL2561 diklasifikasikan menjadi tiga kondisi yaitu, Gelap, Sedang, dan Terang dengan rentang skala intensitas cahaya yang ditunjukkan pada Tabel 2.
Tabel 2. Klasifikasi intensitas cahaya
| Klasifikasi | Intensitas cahaya (lux) |
|---|---|
| Gelap | 0-45 |
| Sedang | 48-62 |
| Terang | >65 |
Nilai klasifikasi intensitas cahaya pada Tabel 2 didapatkan dari data hasil pengukuran nilai intensitas cahaya sesuai kondisi sebenarnya (aktual) di Laboratorium Robotika dan Kecerdasan Buatan, PPNS dengan menggunakan Luxmeter yang mencapai rentang 10-120 lux, meskipun standar pencahayaan sesuai SNI 6197:2011 di laboratorium seharusnya 500 lux. Hal ini dipengaruhi oleh desain dan konstruksi bangunan laboratorium.
Gambar 3. Denah lampu laboratorium.
Sesuai yang ditunjukkan pada Gambar 3, terdapat 16 lampu di Laboratorium Robotika dan Kecerdasan Buatan dengan pembagian sebagai berikut,
- 1. Lampu 1 berada pada bagian pintu
- 2. Lampu 2 berada pada bagian gudang
- 3. Lampu 3 berada pada bagian praktek.
Untuk memastikan pencahayaan optimal di seluruh area laboratorium yang dapat mempengaruhi kenyamanan dan produktivitas pengguna, maka pengontrolan lampu sesuai kondisi ditunjukkan pada Tabel 3.
Tabel 3. Pengontrolan lampu
| Kondisi | Lampu 1 | Lampu 2 | Lampu 3 |
| Gelap | ON | ON | ON |
| Sedang | ON | OFF | ON |
| Terang | OFF | OFF | OFF |
Kenyamanan termal adalah kondisi seseorang merasakan kesejukan/kehangatan sesuai dengan preferensinya terhadap suhu lingkungan, sehingga tidak merasa terlalu panas maupun terlalu dingin [12]. Kondisi ini dicapai ketika terdapat keseimbangan antara panas yang diproduksi oleh tubuh manusia melalui proses metabolisme dengan panas yang diserap atau dilepaskan ke lingkungan sekitarnya. Standar kenyamanan termal Indonesia (berdasarkan temperatur efektif) menurut SNI T-14-1993-037 ditunjukkan pada Tabel 4.
Tabel 4. Standar kenyamanan termal Indonesia [13]
| Kenyaman Termal | Suhu (℃) |
|---|---|
| Dingin tidak nyaman | <20.5 |
| Sejuk-nyaman | 20.5-22.8 |
| Nyaman optimal | 22.8-25.8 |
| Hangat-nyaman | 25.8-27.2 |
| Panas tidak nyaman | >27.2 |
Dalam perancangan metode logika fuzzy untuk sistem kontrol pendingin udara dibutuhkan simulasi input, output, dan aturan-aturan yang digunakan dengan tujuan untuk memastikan bahwa logika fuzzy dirancang dengan parameter-parameter yang tepat untuk mencapai kinerja optimal.
Gambar 4. Input dan output logika fuzzy.
Sesuai yang ditunjukkan pada Gambar 4, terdapat dua input dan satu output yang diolah oleh metode logika fuzzy dengan pendekatan Sugeno. Input yang digunakan berupa parameter suhu ruangan dan jumlah orang di dalam ruangan yang dikombinasikan untuk menghasilkan satu output yaitu, pengontrolan suhu pendingin udara yang paling tepat dengan kondisi sebenarnya. Dengan mempertimbangkan berbagai aturan dan parameter yang terlibat, logika fuzzy memungkinkan sistem untuk membuat keputusan yang adaptif dan responsif terhadap perubahan lingkungan, sehingga pengontrolan suhu pendingin udara yang dihasilkan dapat memastikan kenyamanan termal yang optimal bagi pengguna ruangan. Metode ini juga mampu memperhitungkan kemungkinan variasi kondisi ruangan, sehingga dapat memberikan pengontrolan suhu pendingin udara yang presisi dan sesuai kebutuhan pengguna [14].
Gambar 5. Input suhu logika fuzzy.
Pada Gambar 5 menunjukkan bahwa input data suhu ruangan yang didapatkan dari hasil pembacaan sensor SHT20 memiliki tiga himpunan keanggotaan yaitu, Dingin, Normal, dan Panas. Klasifikasi rentang skala himpunan keanggotaan suhu ruangan ditunjukkan pada Tabel 5.
Tabel 5. Himpunan keanggotaan suhu ruangan
Gambar 6. Input jumlah orang logika fuzzy.
Pada Gambar 6 menunjukkan bahwa input data jumlah orang yang didapatkan dari hasil pembacaan sensor E3JK-S4M2 memiliki tiga himpunan keanggotaan yaitu, Sedikit, Sedang, dan Banyak. Klasifikasi rentang skala himpunan keanggotaan jumlah orang ditunjukkan pada Tabel 6.
https://doi.org/10.5614/joki.2025.17.1.2 E-ISSN: 2460-6340
Tabel 6. Himpunan keanggotaan jumlah orang
| Klasifikasi | Jumlah orang (orang) |
|---|---|
| Sedikit | 1-16 |
| Sedang | 11-21 |
| Banyak | 16-31 |
Klasifikasi-klasifikasi di atas digunakan untuk mendefinisikan kondisi suhu ruangan dan jumlah orang yang diolah metode logika fuzzy, memungkinkan metode untuk menganalisis dan menafsirkan data suhu ruangan dan jumlah orang yang telah diperoleh dari sensor-sensor. Informasi ini digunakan untuk pengontrolan suhu pendingin udara paling sesuai untuk menciptakan lingkungan yang nyaman. Proses ini memastikan bahwa pengontrolan suhu pendingin udara selalu disesuaikan dengan kondisi aktual yang diukur oleh sensor, memberikan kontrol yang lebih efektif dan adaptif terhadap perubahan suhu ruangan dan jumlah orang di dalam ruangan.
Gambar 7. Output suhu pendingin udara logika fuzzy.
Pada Gambar 7 menunjukkan bahwa output data suhu pendingin udara yang dihasilkan oleh IR Transmitter untuk pengontrol pendingin udara memiliki tiga himpunan keanggotaan yaitu, Naik, Sedang, dan Turun. Klasifikasi rentang skala himpunan keanggotaan suhu pendingin udara ditunjukkan pada Tabel 7.
Tabel 7. Himpunan keanggotaan suhu pendingin udara
| Klasifikasi | Suhu pendingin udara (℃) |
|---|---|
| Turun | 16 |
| Sedang | 23 |
| Naik | 30 |
Pada Tabel 8 ditunjukkan sembilan aturan logika fuzzy yang berfungsi sebagai penghubung antara kombinasi variabel input suhu ruangan (Dingin, Normal, Panas) dan variabel input jumlah orang (Sedikit, Sedang, Banyak) dengan variabel output suhu pendingin udara (Turun, Sedang, Naik) melalui himpunan logika fuzzy. Aturan logika fuzzy Sugeno dinyatakan dalam IF mewakili kondisi yang dipenuhi oleh variabel input dan THEN menentukan output yang harus dihasilkan.
Tabel 8. Aturan fuzzy
| Input | Output | |||
|---|---|---|---|---|
| Aturan | Suhu ruangan (℃) | Jumlah orang (orang) | Suhu pendingin udara (℃) | |
| R1 | Dingin | Sedikit | Suhu Naik | |
| R2 | Dingin | Sedang | Suhu Naik | |
| R3 | Dingin | Banyak | Suhu Naik | |
| R4 | Normal | Sedikit | Suhu Sedang | |
| R5 | Normal | Sedang | Suhu Sedang | |
| R6 | Normal | Banyak | Suhu Sedang | |
| R7 | Panas | Sedikit | Suhu Turun | |
| R8 | Panas | Sedang | Suhu Turun | |
| R9 | Panas | Banyak | Suhu Turun | |
Dengan memanfaatkan teknologi IoT-Firebase, maka kinerja sistem yang dirancang dapat dipantau secara langsung (real time) melalui aplikasi Android "Smart Class" yang telah dibuat berupa informasi suhu ruangan, intensitas cahaya dan jumlah orang di dalam ruangan serta konsumsi energi listrik lampu dan pendingin udara yang ditunjukkan pada Gambar 8.
Gambar 8. Pemantauan kinerja sistem.
3 Hasil dan Diskusi
3.1 Pengujian Pencahayaan
Pengujian pencahayaan untuk sistem pengontrolan lampu dilakukan dengan pemberian rangsangan cahaya dan pemblokiran cahaya pada sensor cahaya TSL2561. Dengan metode ini memungkinkan untuk mengevaluasi efektivitas dan responsivitas dari sistem pengontrolan lampu terhadap perubahan tingkat intensitas cahaya. Nilai intensitas cahaya pada pengujian pencahayaan di Laboratorium Robotika dan Kecerdasan Buatan didapatkan dari pengujian trial and error ditunjukkan pada Tabel 9.
Tabel 9. Pengujian pencahayaan
| No. | Intensitas cahaya (lux) | Lampu 1 | Lampu 2 | Lampu 3 | |
|---|---|---|---|---|---|
| 1. | 14 | ON | ON | ON | |
| 2. | 52 | ON | OFF | ON | |
| 3. | 72 | OFF | OFF | OFF | |
Dari hasil pengujian pencahayaan di atas didapatkan bahwa sistem pengontrolan lampu berjalan dengan benar dan sesuai dengan klasifikasi intensitas cahaya dan pengontrolan lampu yang telah ditetapkan pada Tabel 2 dan Tabel 3.
3.2 Data Latih (Training)
Pengujian data latih dengan menggunakan metode logika fuzzy Sugeno bertujuan untuk mengukur kinerja model Sugeno pada data latih dan mengevaluasi capaian model Sugeno dapat memahami dan
memodelkan relasi antara variabel input dan variabel output. Pengujian ini penting untuk memastikan bahwa model Sugeno mampu memahami kompleksitas dan variasi dalam data yang diberikan, serta mampu memprediksi dengan akurat berdasarkan pola yang telah dipelajari. Data latih diperoleh dari pengukuran variabel input yaitu, suhu ruangan dan jumlah orang di Laboratorium Robotika dan Kecerdasan Buatan dengan menggunakan sensor yang telah dikalibrasi untuk memastikan keakuratan pengukuran. Data tersebut kemudian digunakan untuk membangun dan melatih model logika fuzzy Sugeno agar dapat mengontrol variabel output yaitu, suhu pendingin udara berdasarkan variabel input yang diperoleh. Proses pengambilan data ditunjukkan pada Gambar 9.
Gambar 9. Proses pengambilan data
Tabel 10. Data suhu ruangan dan jumlah orang
| No. | Waktu | Suhu ruangan (℃) | Jumlah orang (orang) |
| 1. | 08.00 | 24.5 | 25 |
| 2. | 09.00 | 23.4 | 30 |
| 3. | 10.00 | 26.0 | 35 |
| 4. | 11.00 | 27.5 | 35 |
| 5. | 12.00 | 27.2 | 7 |
| 6. | 13.00 | 27.2 | 27 |
| 7. | 14.00 | 26.2 | 30 |
Tabel 10 menunjukkan data hasil pengukuran suhu dan jumlah orang di Laboratorium Robotika dan Kecerdasan Buatan. Pengambilan data dilakukan setiap satu jam untuk memantau perubahan suhu ruangan dan jumlah orang dalam ruangan. Pengumpulan data dilakukan secara cermat guna memastikan akurasi dalam penerapan metode logika fuzzy. Pemilihan variabel ini bertujuan untuk mengoptimalkan kinerja pendingin udara, memungkinkan pendinginan yang lebih efisien sesuai kondisi sebenarnya, sehingga meningkatkan kenyamanan pengguna sekaligus mengurangi konsumsi energi listrik.
3.3 Pengujian Metode Logika Fuzzy
Pengujian metode logika fuzzy dilakukan untuk menguji bagaimana sistem dapat memproses input berdasarkan aturan-aturan yang telah ditentukan dalam metode logika fuzzy [15]. Dalam pengujian ini, nilai variabel input berupa suhu ruangan sebesar 26℃ dan jumlah orang di dalam ruangan sebanyak 20 orang. Perhitungan untuk menentukan bagian aturan variabel yang akan dihitung pada proses defuzzifikasi dilakukan dengan cara memilih hasil yang paling kecil dari setiap komposisi variabel input. Perhitungan komposisi variabel input ditunjukkan pada Tabel 11. Dengan mengukur dan mengkompilasi komposisi variabel input secara akurat, sistem dapat memutuskan dan menjalankan proses defuzzifikasi dengan benar dan efektif sehingga hasil akhir dari proses defuzzifikasi mencerminkan kondisi yang paling konservatif atau kritis dalam mengontrol variabel output berupa suhu pendingin udara yang paling tepat sesuai kondisi yang diinginkan.
Jurnal Otomasi Kontrol dan Instrumentasi Vol 17 (1), 2025 ISSN: 2085-2517 https://doi.org/10.5614/joki.2025.17.1.2 E-ISSN: 2460-6340
Tabel 11. Perhitungan komposisi variabel input
| No. | Suhu ruangan (oC) | Jumlah orang (orang) |
| R1 | 26 − 24.5 26 − 24.5 = 1(𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷) | 21 − 20 21 − 16 = 0.2 (𝑆𝑆𝑆𝑆𝑆𝑆 𝑆𝑆 𝑆𝑆) |
| R2 | 26 − 24.5 26 − 24.5 = 1 (𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷) | 20 − 16 21 − 16 = 0.8 (𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 ) |
| R3 | 26 − 24.5 26 − 24.5 = 1 (𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷) | 0 (𝐵𝐵 𝐵𝐵 ) |
| R4 | 1 (𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁 𝑁𝑁) | 21 − 20 21 − 16 = 0.2 (𝑆𝑆𝑆𝑆𝑆𝑆 𝑆𝑆 𝑆𝑆) |
| R5 | 1 (𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁 𝑁𝑁) | 20 − 16 21 − 16 = 0.8 (𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 ) |
| R6 | 1 (𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁 𝑁𝑁) | 0 (𝐵𝐵 𝐵𝐵 ) |
| R7 | 26.7 − 26 26.7 − 26 = 1 (𝑃𝑃 𝑃𝑃) | 21 − 20 21 − 16 = 0.2 (𝑆𝑆𝑆𝑆𝑆𝑆 𝑆𝑆 𝑆𝑆) |
| R8 | 26.7 − 26 26.7 − 26 = 1 (𝑃𝑃 𝑃𝑃) | 20 − 16 21 − 16 = 0.8 (𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 ) |
| R9 | 26.7 − 26 26.7 − 26 = 1 (𝑃𝑃 𝑃𝑃) | 0 (𝐵𝐵 𝐵𝐵 ) |
Hasil inferensi kemudian diubah menjadi nilai crisp menggunakan proses defuzzifikasi yang merupakan proses mengkonversi hasil inferensi metode logika fuzzy menjadi nilai variabel output yang jelas dan dapat diterapkan pada sistem nyata [16]. Perhitungan menggunakan operator AND MIN pada metode logika fuzzy Sugeno ditunjukkan pada Tabel 12.
Tabel 12. Perhitungan AND MIN variabel output
| Rule | Suhu ruangan (oC) | Jumlah orang (orang) | Suhu pendingin udara (oC) |
| R1 | 1 (Dingin) | 0.2 (Sedikit) | 30 (Suhu naik) |
| R2 | 1 (Dingin) | 0.8 (Sedang) | 30 (Suhu naik) |
| R4 | 1 (Normal) | 0.2 (Sedikit) | 23 (Suhu sedang) |
| R5 | 1 (Normal) | 0.8 (Sedang) | 23 (Suhu sedang) |
| R7 | 1 (Panas) | 0.2 (Sedikit) | 16 (Suhu turun) |
| R8 | 1 (Panas) | 0.8 (Sedang) | 16 (Suhu turun) |
Proses terakhir dalam pengujian ini adalah menentukan nilai keanggotaan variabel output menggunakan perhitungan manual dengan menerapkan metode matematis secara rinci untuk memastikan akurasi pada setiap nilai keanggotaan variabel output [17].
\[Output = \frac{\sum (derajat \ keanggotaan \times nilai \ output)}{\sum (derajat \ keanggotaan)}\] \[Output = \frac{(0.2 \times 30) + (0.8 \times 30) + (0.2 \times 23) + (0.8 \times 23) + (0.2 \times 16) + (0.8 \times 16)}{0.2 + 0.8 + 0.2 + 0.8 + 0.2 + 0.8}\] \[Output = \frac{(6) + (24) + (4.6) + (18.4) + (3.2) + (12.8)}{3}\] \[Output = \frac{69}{3} = 23 \ (Suhu \ Sedang)\]
Dari hasil perhitungan manual di atas didapatkan nilai variabel output sebesar 23℃ yang termasuk dalam kategori Suhu Sedang sesuai dengan himpunan keanggotaan suhu pendingin udara yang telah ditetapkan pada Tabel 7. Nilai variabel output yang didapatkan dari hasil perhitungan manual akan dibandingkan dengan hasil pengujian menggunakan MATLAB untuk mengetahui validasi, akurasi, dan konsistensinya.
Gambar 10. Hasil pengujian MATLAB.
Hasil pengujian menggunakan MATLAB dengan nilai variabel input berupa suhu ruangan sebesar 26℃ dan jumlah orang di dalam ruangan sebanyak 20 orang menghasilkan nilai variabel output berupa suhu pendingin udara sebesar 23℃ yang dikategorikan Suhu Sedang ditunjukkan pada Gambar 10. Antara hasil perhitungan manual dengan hasil pengujian menggunakan MATLAB menunjukkan hasil identik yang membuktikan keandalan metode logika fuzzy Sugeno yang digunakan. Konsistensi ini menegaskan bahwa sistem pengontrolan suhu dapat berjalan secara efisien dan tepat sesuai dengan kebutuhan dalam berbagai kondisi operasional.
3.4 Pengujian Konsumsi Energi Listrik
Pengambilan data konsumsi energi listrik lampu dan pendingin udara di Laboratorium Robotika dan Kecerdasan Buatan didapatkan dari hasil pembacaan sensor PZEM-004T selama dua hari dengan kondisi cahaya, suhu, dan jumlah orang yang identik. Pengujian konsumsi energi listrik tanpa optimalisasi dimana pengoperasian lampu dan pendingin udara dilakukan secara manual ditunjukkan pada Tabel 13.
| Tabel 13. Pengujian konsumsi energi listrik tanpa optimalisasi |
|---|
| Lampu | Pendingin udara | ||||||||
|---|---|---|---|---|---|---|---|---|---|
| Tanggal | Waktu | Tegangan (V) | Arus (A) | Daya (W) | Energi (kWh) | Tegangan (V) | Arus (A) | Daya (W) | Energi (kWh) |
| 07/08/2024 | 08:00:00 AM | 235.7 | 1.65 | 223.4 | 0.0 | 231.7 | 11.21 | 911.8 | 0.0 |
| 07/08/2024 | 12:00:00 PM | 236.1 | 1.65 | 223.1 | 0.9 | 233.6 | 11.39 | 931.8 | 3.1 |
| 07/08/2024 | 04:00:00 PM | 237.0 | 1.65 | 223.3 | 1.8 | 234.3 | 11.17 | 921.8 | 6.4 |
| 07/08/2024 | 08:00:00 PM | 236.2 | 1.64 | 223.2 | 2.7 | 233 | 11.23 | 921.9 | 10.2 |
| 08/08/2024 | 12:00:00 AM | 235.6 | 1.65 | 223.4 | 3.6 | 232.1 | 11.07 | 907.2 | 14.0 |
| 08/08/2024 | 04:00:00 AM | 235.6 | 1.01 | 211.4 | 4.2 | 232.5 | 11.16 | 912.4 | 17.4 |
| 08/08/2024 | 08:00:00 AM | 235.9 | 0.84 | 208.3 | 4.4 | 231.6 | 5.43 | 519.7 | 19.1 |
Dari hasil pengujian di atas didapatkan konsumsi energi listrik harian untuk lampu sebesar 4,4 kWh dan untuk pendingin udara sebesar 19.1 kWh sehingga total keseluruhan sebesar 32,5 kWh dengan estimasi biaya sebesar Rp. 33.950,45. Pengujian konsumsi energi listrik dengan optimalisasi dimana pengoperasian lampu dan pendingin udara dilakukan secara otomatis ditunjukkan pada Tabel 14.
Tabel 14. Pengujian konsumsi energi listrik dengan optimalisasi
| Lampu | Pendingin udara | ||||||||
|---|---|---|---|---|---|---|---|---|---|
| Tanggal | Waktu | Tegangan (V) | Arus (A) | Daya (W) | Energi (kWh) | Tegangan (V) | Arus (A) | Daya (W) | Energi (kWh) |
| 09/08/2024 | 08:00:00 AM | 235.7 | 1.65 | 223.4 | 0.0 | 231.7 | 11.21 | 911.8 | 0.00 |
| 09/08/2024 | 12:00:00 PM | 234.9 | 1.64 | 223.3 | 0.4 | 234.9 | 11.32 | 916.4 | 2.20 |
| 09/08/2024 | 04:00:00 PM | 236.5 | 1.66 | 223.1 | 1.1 | 233.5 | 11.27 | 925.7 | 4.70 |
| 09/08/2024 | 08:00:00 PM | 236.8 | 1.64 | 223.3 | 1.7 | 234.3 | 11.17 | 921.8 | 6.40 |
| 10/08/2024 | 12:00:00 AM | 235.5 | 1.64 | 223.4 | 2.4 | 233.5 | 11.19 | 921.3 | 9.20 |
| 10/08/2024 | 04:00:00 AM | 236.8 | 1.66 | 223.4 | 2.9 | 232.1 | 11.13 | 911.4 | 12.30 |
| 10/08/2024 | 08:00:00 AM | 236.7 | 1.67 | 223.3 | 3.2 | 231.9 | 11.03 | 905.1 | 15.10 |
Dari hasil pengujian di atas didapatkan konsumsi energi listrik harian untuk lampu sebesar 3,2 kWh dan untuk pendingin udara sebesar 15.1 kWh sehingga total keseluruhan sebesar 18,3 kWh dengan estimasi biaya sebesar Rp26.438,01,-. Berdasarkan hasil pengujian konsumsi energi listrik yang telah dilakukan pada Tabel 13 dan Tabel 14 terdapat penurunan konsumsi energi listrik sebesar 14.2 kWh dengan estimasi penghematan biaya sebesar Rp7.512,44,-.
3.5 Pengujian Sistem Pemantauan
Data berupa hasil pengukuran parameter intensitas cahaya ruangan, jumlah orang yang masuk ruangan, suhu ruangan dan konsumsi energi listrik pada lampu dan pendingin udara ditampilkan di LCD dan dikirimkan ke Firebase serta dipantau melalui aplikasi Android "Smart Class" yang telah dibuat dengan memanfaatkan teknologi loT.
Gambar 11. Tampilan LCD dan aplikasi Android "Smart Class"
Perbandingan antara data yang ditampilkan pada LCD dengan pemantauan melalui aplikasi Android "Smart Class" ditunjukkan pada Gambar 11. Berdasarkan hasil pengujian, data yang ditampilkan pada LCD menunjukkan kesesuaian dengan data pemantauan melalui aplikasi Android "Smart Class". Konsistensi ini mengindikasikan bahwa sistem pemantauan berbasis IoT bekerja dengan baik dan berfungsi secara akurat sehingga dapat diandalkan oleh pengguna dalam memantau kondisi Laboratorium Robotika dan Kecerdasan Buatan secara real-time tanpa harus berada di lokasi secara langsung sehingga dapat meningkatkan efisiensi dalam manajemen ruangan.
4 Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan, sistem pengontrolan cahaya dan suhu untuk optimalisasi pengoperasian lampu dan pendingin udara yang dirancang telah bekerja dengan baik. Dalam pengujian metode fuzzy dengan nilai variabel input berupa suhu ruangan sebesar 26°C dan jumlah orang di dalam ruangan sebanyak 20 orang menghasilkan variabel output berupa suhu pendingin udara 23°C yang termasuk dalam kategori Suhu Sedang sesuai dengan himpunan keanggotaan suhu pendingin udara yang
telah ditetapkan. Hasil pengujian konsumsi energi listrik antara tanpa dan dengan optimalisasi pengoperasian lampu dan pendingin udara yang dilakukan selama dua hari menunjukkan terdapat penurunan konsumsi energi listrik sebesar 14.2 kWh setara Rp7.512,44,- dari 32,5 kWh setara Rp33.950,- menjadi 18,3 kWh setara Rp26.438,-. Pemantauan kinerja sistem pengontrolan cahaya dan suhu secara real-time berbasis Android dan IoT dapat bekerja dengan baik dan berfungsi secara akurat yang dapat ditunjukkan dari kesesuain data hasil pengukuran intensitas cahaya ruangan, jumlah orang yang masuk ruangan, suhu ruangan dan konsumsi energi listrik pada lampu dan pendingin udara dan yang ditampilkan pada LCD dengan pemantauan melalui aplikasi Android "Smart Class" yang telah dibuat.
Ucapan Terima Kasih
Dengan penuh rasa syukur, kami mengucapkan terima kasih kepada Politeknik Perkapalan Negeri Surabaya, yang telah memberikan dukungan berupa fasilitas Laboratorium Otomasi dan Robotika dalam penyelesaian penelitian ini.
Nomenklatur
kWh = kilowatt hour (Energi)
Lux = Intensitas cahaya
℃ = Celsius (Suhu)
V = Volt (Tegangan)
A = Ampere (Arus)
W = Watt (Daya)