Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Teras Fisika : Teori, Modeling, dan Aplikasi Fisika
Ramdhani, Putra
Unknown Affiliation
Materials Science & Nanotechnology

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Prediksi polutan karbon monoksida menggunakan algoritma machine learning regresi linier berbasis sensor MQ-135 dan IoT di PT XYZ Bekasi Ramdhani, Putra; Pratiwi, Umi; Hartono, Hartono
Jurnal Teras Fisika: Teori, Modeling, dan Aplikasi Fisika Vol 8 No 1 (2025): Jurnal Teras Fisika: Teori, Modeling, dan Aplikasi Fisika
Publisher : Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20884/1.jtf.2025.8.1.15512

Abstract

Karbon monoksida (CO) merupakan polutan udara berbahaya yang sulit dideteksi tanpa alat khusus. Penelitian ini bertujuan untuk merancang sistem pemantauan CO berbasis sensor MQ-135 dan teknologi Internet of Things (IoT) guna melakukan pengukuran secara real-time serta memprediksi konsentrasinya menggunakan algoritma regresi linier. Sistem ini diterapkan di salah satu PT yang ada di Kawasan Industri MM2100, Bekasi, dengan data dikumpulkan menggunakan mikrokontroler ESP32 dan dikirim ke platform ThingSpeak, sementara faktor meteorologi seperti suhu, kelembapan, kecepatan angin, dan kondisi cuaca diperoleh dari Open Meteo sebagai variabel independen. Proses penelitian meliputi perancangan sistem, pengumpulan data, pemodelan regresi linier, serta evaluasi performa menggunakan RMSE, MSE, MAE, dan R-squared (R²). Hasil penelitian menunjukkan bahwa sensor MQ-135 memiliki standar deviasi sebesar 19,89 ppm akibat keterbatasan rentang deteksi maksimum 450 ppm, yang memengaruhi akurasi pengukuran. Selain itu, model prediksi berbasis regresi linier menghasilkan nilai R-squared sebesar 0,079 atau 7,9%, menunjukkan bahwa hubungan antara faktor meteorologi dan konsentrasi CO masih lemah, sebagian besar disebabkan oleh keterbatasan jumlah dan variasi data yang digunakan. Meskipun demikian, sistem ini tetap menunjukkan potensi dalam pemantauan polutan CO secara real-time. Peningkatan akurasi dapat dicapai melalui optimalisasi sensor, perluasan cakupan data, serta penerapan algoritma machine learning yang lebih kompleks agar sistem dapat memberikan prediksi yang lebih akurat dan andal dalam mendukung pemantauan konsentrasi CO.
Co-Authors Hartono Hartono Umi Pratiwi, Umi