Penerapan Model Algoritma Unsupervised Learning untuk Klasterisasi Tingkat Kenyamanan Ruang Tidur berdasarkan Faktor Lingkungan

Abstract

Bahasa Indonesia

Pada era revolusi industri 4.0, teknologi seperti cloud computing, robotic, internet of things(IoT), artificial intelligence (AI) dan machine learning (ML) sangat banyak dikembangkan di berbagai sektor seperti industri, pemerintahan, pendidikan hingga ke sektor rumah tangga. Salah satu teknologi yang banyak digunakan di era revolusi industri 4.0 ini adalah AI atau ML. Pada penelitian ini telah berhasil menerapkan sebuah pengolahan data secara klasterisasi menggunakan model ML yaitu unsupervised learning menggunakan algoritma k-means clustering terhadap data yang sudah dikumpulkan. Data tersebut berupa data kuantitaif lingkungan ruang tidur yang dapat diukur, data tersebut diukur dan diambil menggunakan perangkat yang memiliki 5 sensor, yaitu sensor suara, cahaya, temperature, humidity, karbon dioksida (CO2), data nilai panjang, data nilai lebar serta, nilai cuaca yang diambil pada platform OpenWheater menggunakan perangkat yang dibangun berbasis IoT menggunakan koneksi internet dari sebuah access point. Data yang dikumpulkan menjadi sebuah dataset yang diolah menggunakan model algoritma k-means clustering sehingga dapat digunakan untuk melakukan klasterisasi terhadap kenyamanan ruang tidur. Dari hasil pengolahan menggunakan model algoritma k-means clustering terdapat nilai Silhouette sebesar 0,268 dengan persentase data per klaster adalah 29,92%% untuk klaster 0 (tidak nyaman) dan 70,08% untuk klaster 1 (nyaman). Dalam praktik nyata, temuan dari hasil penerapan penelitian ini dapat digunakan untuk mengembangkan rekomendasi personalisasi untuk pengaturan ruang tidur, nantinya dapat merancang produk atau desain yang lebih efektif, di mana penerapan ML dapat dibenamkan secara langsung dalam sebuah sistem yang utuh. Dampaknya bisa sangat luas, mencakup peningkatan kesehatan, produktivitas, dan kesejahteraan penggunanya. Abstract In the era of Industry 4.0, technologies such as cloud computing, robotics, the Internet of Things (IoT), artificial intelligence (AI), and machine learning (ML) have been extensively developed across various sectors, including industry, government, education, and even households. One of the technologies widely used in this era is AI and ML. This research successfully applied clustered data processing using the ML model, specifically unsupervised learning with the k-means clustering algorithm, to the collected data. The data consists of quantitative measurements of the bedroom environment, gathered using a device with 5 sensors: sound, light, temperature, humidity, carbon dioxide (CO2), as well as length, width, and weather data taken from the OpenWeather platform using an IoT-based device with an internet connection from an access point. The collected data forms a dataset that is processed using the k-means clustering algorithm to classify the comfort level of the bedroom. The results of this processing showed a Silhouette value of 0.268, with the percentage of data per cluster being 29.92% for cluster 0 (uncomfortable) and 70.08% for cluster 1 (comfortable). In real practice, the findings from this research can be used to develop personalized recommendations for bedroom arrangements and to design more effective products. The application of ML can be embedded directly into a complete system, with far-reaching impacts, including improving users' health, productivity, and well-being.

English

Pada era revolusi industri 4.0, teknologi seperti cloud computing, robotic, internet of things(IoT), artificial intelligence (AI) dan machine learning (ML) sangat banyak dikembangkan di berbagai sektor seperti industri, pemerintahan, pendidikan hingga ke sektor rumah tangga. Salah satu teknologi yang banyak digunakan di era revolusi industri 4.0 ini adalah AI atau ML. Pada penelitian ini telah berhasil menerapkan sebuah pengolahan data secara klasterisasi menggunakan model ML yaitu unsupervised learning menggunakan algoritma k-means clustering terhadap data yang sudah dikumpulkan. Data tersebut berupa data kuantitaif lingkungan ruang tidur yang dapat diukur, data tersebut diukur dan diambil menggunakan perangkat yang memiliki 5 sensor, yaitu sensor suara, cahaya, temperature, humidity, karbon dioksida (CO2), data nilai panjang, data nilai lebar serta, nilai cuaca yang diambil pada platform OpenWheater menggunakan perangkat yang dibangun berbasis IoT menggunakan koneksi internet dari sebuah access point. Data yang dikumpulkan menjadi sebuah dataset yang diolah menggunakan model algoritma k-means clustering sehingga dapat digunakan untuk melakukan klasterisasi terhadap kenyamanan ruang tidur. Dari hasil pengolahan menggunakan model algoritma k-means clustering terdapat nilai Silhouette sebesar 0,268 dengan persentase data per klaster adalah 29,92%% untuk klaster 0 (tidak nyaman) dan 70,08% untuk klaster 1 (nyaman). Dalam praktik nyata, temuan dari hasil penerapan penelitian ini dapat digunakan untuk mengembangkan rekomendasi personalisasi untuk pengaturan ruang tidur, nantinya dapat merancang produk atau desain yang lebih efektif, di mana penerapan ML dapat dibenamkan secara langsung dalam sebuah sistem yang utuh. Dampaknya bisa sangat luas, mencakup peningkatan kesehatan, produktivitas, dan kesejahteraan penggunanya. Abstract In the era of Industry 4.0, technologies such as cloud computing, robotics, the Internet of Things (IoT), artificial intelligence (AI), and machine learning (ML) have been extensively developed across various sectors, including industry, government, education, and even households. One of the technologies widely used in this era is AI and ML. This research successfully applied clustered data processing using the ML model, specifically unsupervised learning with the k-means clustering algorithm, to the collected data. The data consists of quantitative measurements of the bedroom environment, gathered using a device with 5 sensors: sound, light, temperature, humidity, carbon dioxide (CO2), as well as length, width, and weather data taken from the OpenWeather platform using an IoT-based device with an internet connection from an access point. The collected data forms a dataset that is processed using the k-means clustering algorithm to classify the comfort level of the bedroom. The results of this processing showed a Silhouette value of 0.268, with the percentage of data per cluster being 29.92% for cluster 0 (uncomfortable) and 70.08% for cluster 1 (comfortable). In real practice, the findings from this research can be used to develop personalized recommendations for bedroom arrangements and to design more effective products. The application of ML can be embedded directly into a complete system, with far-reaching impacts, including improving users' health, productivity, and well-being.

Keywords

• clustering
• unsupervised learning
• comfort level
• k-means clustering
• Klasterisasi
• kenyamanan