PENERAPAN ALGORITMA STATISTICAL PROFILING UNTUK PENENTUAN AMBANG BATAS DINAMIS (DYNAMIC THRESHOLDING) PADA SISTEM DETEKSI ANOMALI GAS BERBASIS ESP32
Isi Artikel Utama
Abstrak
Kebocoran gas Liquefied Petroleum Gas (LPG) merupakan risiko keselamatan domestik yang kritis, namun sistem deteksi dini konvensional sering kali tidak efektif akibat tingginya tingkat alarm palsu yang disebabkan oleh penggunaan ambang batas statis (static threshold) yang kaku terhadap fluktuasi lingkungan. Penelitian ini bertujuan untuk meningkatkan keandalan sistem deteksi gas dengan mengimplementasikan algoritma Statistical Profiling untuk penentuan ambang batas dinamis (dynamic thresholding) pada mikrokontroler ESP32. Metode yang diusulkan menggunakan teknik Exponential Weighted Moving Average (EWMA) untuk membangun profil normalitas data sensor gas per jam secara real-time, serta menerapkan protokol komunikasi hibrida ESP-NOW untuk efisiensi transmisi data. Hasil pengujian terhadap 200 sampel data runtun waktu menunjukkan bahwa sistem mampu membentuk profil lingkungan yang stabil dengan nilai rata-rata 389,50 dan standar deviasi 20,15. Penerapan ambang batas dinamis dengan koefisien kepercayaan 3,5-sigma terbukti efektif dalam membedakan lonjakan transien non-bahaya dari anomali gas yang sesungguhnya, sehingga meminimalisir kesalahan deteksi (false positive) yang umum terjadi pada metode statis. Penelitian ini menyimpulkan bahwa pendekatan adaptif pada perangkat edge mampu meningkatkan akurasi instrumen keselamatan rumah tangga secara signifikan tanpa ketergantungan pada layanan komputasi awan.
Rincian Artikel
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright (c) STMIK TIMEReferensi
[1] M. I. Prananda, S. Syahputra, and M. A. Syari, "Design Of An LPG Leak Detection System Using IoT Based MQ-2 Sensor," Journal of Artificial Intelligence and Engineering Applications (JAIEA), vol. 3, no. 1, pp. 383–387, 2023.
[2] I. Allafi and T. Iqbal, "Low-Cost Smart Home IoT-Based Gas Monitoring System," Journal of Sensor and Actuator Networks, vol. 13, no. 2, 2024.
[3] A. J. Benavides-Serrano, C. D. Laird, and M. J. Realff, "Optimizing gas detector layouts by considering false positive and false negatives," in Proc. CCPS Latin American Conf. Process Safety, 2013.
[4] T. A. Al-Sanea et al., "A False Alarm Reduction Method for a Gas Sensor Based Electronic Nose," Sensors, vol. 17, no. 9, p. 2089, 2017.
[5] M. Schmidl, P. Wenig, and T. Papenbrock, "Anomaly Detection in Time Series: A Comprehensive Evaluation," Proceedings of the VLDB Endowment, vol. 15, no. 9, pp. 1779–1797, 2022.
[6] D. Zorbas, "Indoor Performance Evaluation of ESP-NOW," in Proceedings of the 2023 Wireless Days (WD), 2023.
[7] S. De Vito et al., "Metal Oxide Gas Sensor Drift Compensation Using a Dynamic Classifier Ensemble Based on Fitting," Sensors, vol. 13, no. 7, pp. 9160–9185, 2013.
[8] V. Chandola, A. Banerjee, and V. Kumar, "Anomaly detection: A survey," ACM Computing Surveys, vol. 41, no. 3, 2009.
[9] A. AnEWMA, "Anomaly Detection on Univariate Time Series Data Using Exponentially Weighted Moving Average," in Proceedings of the International Conference on Forecasting and Data Analytics, SciTePress, 2025.
[10] J. Smith et al., "Determining Dynamic Thresholds for Gas Turbine Engine Condition Monitoring," Journal of Engineering for Gas Turbines and Power, vol. 144, no. 3, 2022.
[11] Espressif Systems, "ESP-NOW User Guide," 2023. [Online]. Available: https://docs.espressif.com.
[12] F. Labib et al., "ESP-NOW Performance in Outdoor Environments: Field Experiments and Analysis," in Proc. IFIP/IEEE Wireless On-demand Network Systems and Services Conference (WONS), 2025.