ANALISA METODE VALIDASI SENSOR SUHU UNTUK APLIKASI INTERNET OF THINGS
DOI:
https://doi.org/10.26623/jprt.v15i1.1482Keywords:
Internet of Thing (IoT), validitas data, Sensor suhuAbstract
Internet of Thing (IoT) saat ini mengalami perkembangan yang pesat dalam implementasinya, banyak bidang kehidupan yang sudah menerapkannya. Hal ini tidak terlepas akan peranan teknologi komputer dan teknologi sensor. Teknologi komputer memunculkan banyak ragam perangkat keras yang semakin kompak dan mudah untuk dibuat menjadi IoT. Begitu pula teknologi sensor yang beragam, yang mendukung terwujudnya IoT untuk berbagai parameter. Sensor yang banyak macam dan sering dipakai adalah sensor suhu, oleh sebab itulah dalam penelitian ini membatasi pada sensor suhu. Koreksi ataupun validitas data merupakan kebutuhan yang sangat penting dalam IoT, dan hal ini bergantung dari jenis atau macam sensor yang digunakan. Dalam penelitian ini menggunakan untuk jenis-jenis sensor suhu, seperti : thermostat, thermistor, Resistive Temperature Detector (RTD), dan thermocouple tidak mendetail. Yang menjadi tujuan utamanya adalah metode yang bisa digunakan untuk menentukan validitas ataupun tingkat koreksi dari penangkapan data berbagai sensor suhu.
References
A. A. Miranda, Y. A. Le Borgne, and G. Bontempi. New Routes from Minimal Approximation Error to Principal Components, Volume 27, Number 3 / June, 2008, Neural Processing Letters, Springer
Johnson, Richard A & Wichern, Dean W. Applied Multivariate Statistical Analysis (New Jersey: Prentice-Hall International Inc, 1998). ISBN 0-13-080084-8.
Juanda, Bambang. Ekonometrika : Pemodelan dan Pendugaan (Bogor: IPB Press, 2009). ISBN 978-979-493-177-6.
Iriawan, Nur , Astuti, Septin Puji. Mengolah Data Statistik dengan mudah menggunakan Minitab 14 (Yogyakarta: ANDI, 2006). ISBN 979-763-111-7.
Ivan Miguel Pires, Nuno M. Garcia, Nuno Pombo, Francisco Fl ³rez-Revuelta, and Natalia D az Rodr guez. (2016). Validation Techniques for Sensor Data in Mobile Health Applications, Journal of Sensors, Volume 2016, Article ID 2839372, 9 pages
Halim, N. N., & Widodo, E. (2017, July). Clustering Dampak Gempa Bumi di Indonesia Menggunakan Kohonen Self Organizing Maps (SOM). In Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai-Nilai Islami) (Vol. 1, No. 1, pp. 188-194).
Trugman, D. T., & Shearer, P. M. (2017). GrowClust: A hierarchical clustering algorithm for relative earthquake relocation, with application to the Spanish Springs and Sheldon, Nevada, earthquake sequences. Seismological Research Letters, 88(2A), 379-391.
Scitovski, S. (2018). A density-based clustering algorithm for earthquake zoning. Computers & Geosciences, 110, 90-95.
Manish Verma, Mauly Srivastava, Neha Chack, Atul Kumar Diswar and Nidhi Gupta. (2012). A Comparative Study of Various Clustering Algorithms in Data Mining. International Journal of Engineering Research and Applications (IJERA) Vol. 2, Issue 3, pp.1379-1384
Prasetyo, E. (2014). Data mining mengolah data menjadi informasi menggunakan matlab. Yogyakarta: Andi Offset.Andrianto, Heri dan Aan, Darmawan. (2016). Arduino Belajar Cepat dan Pemprograman. Bandung: Informatika.
Weigong Lv ; Fanchao Meng ; Ce Zhang ; Yuefei Lv ; Ning Cao ; Jianan Jiang. (2017), A General Architecture of IoT System, IEEE International Conference on Computational Science and Engineering (CSE) and IEEE International Conference on Embedded and Ubiquitous Computing (EUC) Year: 2017 , Volume: 1 Page s: 659 664 Cited by: Papers IEEE Conferences
