Athallah, Fairuz (2026) ANALISIS PREDIKTIF KONFIGURASI SERI–PARALEL SMART FLOOR PIEZOELECTRIC MENGGUNAKAN PENDEKATAN MACHINE LEARNING. Diploma thesis, Politeknik Negeri Sriwijaya.
![[img]](http://eprints.polsri.ac.id/style/images/fileicons/text.png) |
Text (COVER)
COVER.pdf - Published Version Download (1MB) |
|
Text (Abstrak)
ABSTRAK.pdf - Published Version Download (217kB) |
|
Text (BAB I Pendahuluan)
BAB I.pdf - Published Version Restricted to Repository staff only Download (244kB) |
|
Text (BAB II Tinjauan Pustaka)
BAB II.pdf - Published Version Restricted to Repository staff only Download (1MB) |
|
Text (BAB III Metodologi Penelitian)
BAB III.pdf - Published Version Restricted to Repository staff only Download (1MB) |
|
Text (BAB IV Hasil dan Pembahasan)
BAB IV.pdf - Published Version Restricted to Repository staff only Download (2MB) |
|
Text (BAB V Kesimpulan dan Saran)
BAB V.pdf - Published Version Restricted to Repository staff only Download (188kB) |
|
Text (DAFTAR PUSTAKA)
DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (148kB) |
|
Text (LAMPIRAN)
LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (3MB) |
Abstract
Kebutuhan energi global mendorong pemanfaatan energi kinetik langkah kaki manusia melalui teknologi piezoelectric, namun keluaran dayanya yang kecil dan fluktuatif menjadi tantangan utama yang belum terpecahkan secara prediktif. Penelitian ini membangun model prediktif Power Output sistem Smart Floor Piezoelectric dengan membandingkan algoritma Random Forest Regression (RFR) dan Extreme Gradient Boosting (XGBoost) menggunakan tiga variabel input: berat badan (Weight), frekuensi langkah (Rate of Motion), dan konfigurasi rangkaian seri-paralel (Circuit Configuration). Sistem dibangun dari 12 blok modular dengan akuisisi data otomatis berbasis ADC 16-bit ADS1115 dan ESP32-S3 yang terintegrasi dengan IoT, menghasilkan dataset dari 12 responden (480 sesi pengujian). Penelitian menguji dua pendekatan dataset: per-baris (13.250 sampel) yang menghasilkan R² rendah akibat variansi internal tinggi (RFR: 0,0294; XGBoost: 0,0677), dan per-sesi menggunakan agregasi nilai puncak daya P_max (480 sampel) yang menghasilkan performa cukup presisi (RFR: R²=0,8114; XGBoost: R²=0,8297, MAE=12,14µW, RMSE=16,19µW). Model terbaik XGBoost per-sesi mengidentifikasi konfigurasi rangkaian sebagai fitur paling dominan (43,44%), diikuti frekuensi langkah (33,47%) dan berat badan (23,09%). Analisis prediktif menunjukkan pola optimal yang bersifat hybrid: konfigurasi Seri unggul 36,93% pada aktivitas berjalan, sedangkan konfigurasi Paralel unggul 7,65% pada aktivitas berlari. Temuan ini menegaskan bahwa pemilihan konfigurasi optimal harus mempertimbangkan pola aktivitas pejalan kaki secara dinamis.
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | Piezoelectric Energy Harvesting, Smart Floor, Random Forest Regression, XGBoost, Machine Learning, Analisis Prediktif |
| Subjects: | T Technology > TK Electrical engineering. Electronics Nuclear engineering |
| Divisions: | Electronic Engineering > Undergraduate Theses |
| Depositing User: | Pustaka Teknik Elektro |
| Date Deposited: | 31 Aug 2026 05:08 |
| Last Modified: | 31 Aug 2026 05:08 |
| URI: | http://eprints.polsri.ac.id/id/eprint/23160 |
Actions (login required)
 |
View Item |
