PENGEMBANGAN PROTOTYPE ALAT KLASIFIKASI KUALITAS LAMPU DENGAN LONG SHORT-TERM MEMORY BERBASIS IOT PADA PT. XYZ

Ramadhani, Rizqi (2025) PENGEMBANGAN PROTOTYPE ALAT KLASIFIKASI KUALITAS LAMPU DENGAN LONG SHORT-TERM MEMORY BERBASIS IOT PADA PT. XYZ. Skripsi thesis, Universitas Buddhi Dharma.

	Text COVER - BAB III.pdf - Published Version Download (2MB)
	Text BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text BAB V.pdf - Published Version Download (1MB)

Abstract

Proses pengujian kualitas lampu LED di PT. XYZ yang selama ini dilakukan secara manual cenderung menghasilkan penilaian yang subjektif, tidak konsisten, dan sulit dianalisis secara kuantitatif. Untuk mengatasi permasalahan tersebut, dikembangkan sebuah prototipe sistem klasifikasi kualitas lampu berbasis Internet of Things (IoT) dengan algoritma Long Short-Term Memory (LSTM). Sistem ini menggunakan sensor BH1750FVI untuk mengukur intensitas cahaya, sensor PZEM-004T untuk memantau daya dan tegangan, serta mikrokontroler ESP32 untuk pengumpulan dan pengiriman data selama sesi pengujian berdurasi 15 menit. Data time-series dari 100 sesi (50 layak, 50 defect) digunakan sebagai dataset untuk pelatihan model LSTM. Evaluasi model dilakukan melalui validation testing menggunakan berbagai metrik yang dihitung dari confusion matrix, menghasilkan akurasi sebesar 0,95, presisi 0,90, recall 1,00, dan F1-score 0,947. Sistem ini juga secara otomatis mengidentifikasi lampu yang mati berdasarkan pola pembacaan lux yang bernilai nol secara berurutan. Prototipe juga dilengkapi dengan dashboard berbasis web untuk memantau, memulai, membatalkan, dan melihat hasil klasifikasi sesi pengujian. Pengujian sistem dilakukan melalui functional testing dengan pendekatan blackbox testing, untuk memastikan seluruh fungsi berjalan sesuai kebutuhan, termasuk validasi input, pengelolaan sesi, pengiriman data, dan tampilan data sensor melalui dashboard. Selain itu, performance testing menunjukkan bahwa sistem mampu mengirimkan 450 hingga 750 baris data sensor per sesi ke database. Meskipun terjadi kehilangan sebagian data akibat noise dari ESP32 dan gangguan jaringan, proses klasifikasi tetap berjalan dengan akurat dan andal. Dengan demikian, proses pengujian kualitas lampu dapat diotomatisasi melalui sistem yang dikembangkan, dan memiliki potensi untuk menggantikan metode pengujian manual yang telah diterapkan sebelumnya.

Item Type:	Thesis (Skripsi)
Uncontrolled Keywords:	Deep Learning, ESP32, IoT, LSTM
Subjects:	000 Karya Umum > 005 Pemograman > 005.74 Database
Divisions:	Fakultas Sains & Teknologi > Teknik Informatika
Depositing User:	Hariyanto Rie
Date Deposited:	13 Mar 2026 08:40
Last Modified:	13 Mar 2026 08:41
URI:	https://repositori.buddhidharma.ac.id//id/eprint/3080

Actions (login required)

View Item