Prasetyo, Aditya (2023) Sistem otomasi gerak panel surya menggunakan logarithmic learning for generalized classifier neural network berbasis internet of things. Undergraduate thesis, Universitas Islam Negeri Maulana Malik Ibrahim.
|
Text (Fulltext)
18650003.pdf - Accepted Version Available under License Creative Commons Attribution Non-commercial No Derivatives. Download (5MB) | Preview |
Abstract
INDONESIA:
Dengan pesatnya perkembangan teknologi disertai dengan kebutuhan energi yang tinggi, energi listrik sudah menjadi kebutuhan di berbagai sektor kehidupan. Indonesia merupakan daerah yang diberkahi dengan sinar matahari yang melimpah, yang dapat dimanfaatkan melalui penggunaan sel surya untuk menghasilkan listrik. Namun energi yang dihasilkan sel surya konvensional masih belum efektif karena sifatnya yang stasioner. Oleh karena itu, diperlukan sistem otomasi untuk mengatasi masalah tersebut. Metode Logarithmic learning for Generalized classifier neural network (L-GCNN) digunakan untuk tujuan klasifikasi dalam penelitian ini. Komponen yang digunakan dalam penelitian ini antara lain Raspberry Pi sebagai pusat perhitungan metode dan server, mikrokontroler Arduino Mega sebagai pembaca masukan dan eksekutor aktuator, sembilan buah sensor LDR yang disusun dalam formasi setengah bola untuk menangkap sinar matahari dari semua sisi secara akurat, dua buah servo untuk memposisikan panel surya, dan unit catu daya untuk menyediakan daya ke semua komponen. Berdasarkan percobaan yang dilakukan dengan menggunakan 450 data yang dibagi menjadi dua kategori, dengan rasio uji 80:20 dan 50:50 untuk data latih dan uji, hasil dari rata-rata pengujian 80:20 data didapatkan hasil accuracy sebesar 98.02%, precision sebesar 92.42%, recall sebesar 91.11% dan fmeasure sebesar 88.50%. Sementara itu, pada pengujian 50:50 data, diperoleh hasil rata-rata accuracy sebesar 98.72%, precision sebesar 94.84%, recall sebesar 94.22%, dan fmeasure sebesar 93.37%. perbandingan dari kedua hasil pengujian didapati nilai accuracy dan fmeasure dari pengujian 50:50 data lebih tinggi dibandingkan pengujian 80:20 data.
ENGLISH:
With the rapid development of technology accompanied by high energy needs, electrical energy has become a necessity in various sectors of life. Indonesia is an area blessed with abundant sunshine, which can be harnessed through the use of solar cells to generate electricity. However, the energy produced by conventional solar cells is still ineffective because of its stationary nature. Therefore, an automation system is needed to overcome this problem. The Logarithmic learning for Generalized classifier neural network (L-GCNN) method is used for classification purposes in this study. Components used in this study include Raspberry Pi as a method calculation center and server, Arduino Mega microcontroller as input reader and actuator executor, nine LDR sensors arranged in a hemispherical formation to capture sunlight from all sides accurately, two servos. to position the solar panels, and a power supply unit to provide power to all components. Based on experiments conducted using 450 data divided into two categories, with test ratios of 80:20 and 50:50 for training and test data, the results of the average test of 80:20 data obtained results of accuracy of 98.02%, precision of 92.42 %, recall of 91.11% and fmeasure of 88.50%. Meanwhile, in the 50:50 data test, the average accuracy was 98.72%, precision was 94.84%, recall was 94.22%, and fmeasure was 93.37%. The comparison of the two test results shows that the accuracy and fmeasure values of the 50:50 data test are higher than the 80:20 data test.
ARABIC:
مع التطور السريع للتكنولوجيا المصحوبة باحتياجات عالية من الطاقة ، أصبحت الطاقة الكهربائية ضرورة في مختلف قطاعات الحياة. إندونيسيا هي منطقة تتمتع بأشعة الشمس الوفيرة ، والتي يمكن استخدامها من خلال استخدام الخلايا الشمسية لتوليد الكهرباء. ومع ذلك ، فإن الطاقة التي تنتجها الخلايا الشمسية التقليدية لا تزال غير فعالة بسبب طبيعتها الثابتة. لذلك ، هناك حاجة إلى نظام أتمتة للتغلب على المشكلة. تم استخدام طريقة التعلم اللوغاريتمي للشبكة العصبية المصنفة المعممة (L-GCNN) لأغراض التصنيف في هذه الدراسة. تشمل المكونات المستخدمة في هذه الدراسة Raspberry Pi كمركز حساب طريقة وخادم ، ومتحكم Arduino Mega كقارئ إدخال ومنفذ مشغل ، وتسعة مستشعرات LDR مرتبة في تشكيل نصف كروي لالتقاط ضوء الشمس من جميع الجوانب بدقة ، واثنين من الماكينات لوضع الألواح الشمسية ، ووحدة إمداد الطاقة لتوفير الطاقة لجميع المكونات. بناء على التجارب التي أجريت باستخدام 450 بيانات مقسمة إلى فئتين ، بنسب اختبار 80:20 و 50:50 لبيانات التدريب والاختبار ، حصلت نتائج الاختبار المتوسط لبيانات 80:20 على نتائج دقة 98.02٪ ، دقة 92.42٪ ، استدعاء 91.11٪ وقياس 88.50٪. وفي الوقت نفسه ، في اختبار البيانات 50:50 ، كان متوسط نتائج الدقة 98.72٪ ، والدقة 94.84٪ ، والاستدعاء 94.22٪ ، والقياس 93.37٪. وجدت مقارنة نتيجتي الاختبار أن قيم الدقة والقياس لاختبار البيانات 50:50 كانت أعلى من اختبار البيانات 80:20..
Downloads
Downloads per month over past year
Actions (login required)
View Item |