Penerapan Machine Learning untuk Deteksi Kebocoran Gas dalam Sistem Internet of Things: Studi Algoritma K-Nearest Neighbor

Abstract

Deteksi kebocoran gas secara dini merupakan langkah penting untuk mengurangi resiko kebakaran dan ledakan dalam berbagai industri termasuk dalam rumah tangga. Penelitian ini mengkaji penerapan machine learning, khususnya algoritma K-Nearest Neighbor (KNN) untuk mendeteksi kebocoran gas dalam konteks sistem Internet of Things (IoT). Metodologi penelitian melibatkan pengumpulan dataset dari sensor yang meliputi sensor konsentrasi gas MQ2, sensor suhu DHT11, sensor getaran SW-037, serta sensor tingkat kebisingan yaitu KY-037. Sensor-sensor tersebut terhubung melalui jaringan IoT, yang kemudian dianalisis menggunakan algoritma KNN untuk mengidentifikasi kebocoran. Evaluasi dilakukan dengan melihat performa KNN dalam hal akurasi dan kecepatan deteksi. Hasil penelitian menunjukkan bahwa dengan multiple dataset dan algoritma KNN menjadikan akurasi deteksi yang bagus dan kecepatan deteksi yang cepat, menjadikannya pilihan yang efektif untuk implementasi dalam sistem pemantauan gas berbasis IoT. Temuan ini diharapkan dapat berkontribusi pada pengembangan teknologi keselamatan industri yang lebih canggih dan andal.