PERANCANGAN DAN IMPLEMENTASI FRAMEWORK PREDIKSI CERDAS BERBASIS ARSITEKTUR DEEP LEARNING PADA SMART FLOOR PIEZOELECTRIC

Akbar, Muhammad Billy (2026) PERANCANGAN DAN IMPLEMENTASI FRAMEWORK PREDIKSI CERDAS BERBASIS ARSITEKTUR DEEP LEARNING PADA SMART FLOOR PIEZOELECTRIC. Diploma thesis, Politeknik Negeri Sriwijaya.

	Text (COVER) COVER.pdf - Published Version Download (646kB)
Preview	Text (ABSTRAK) ABSTRAK.pdf - Published Version Download (193kB) | Preview
	Text (BAB I PENDAHULUAN) BAB I.pdf - Published Version Restricted to Repository staff only Download (200kB) | Request a copy
	Text (BAB II TINJAUAN PUSTAKA) BAB II.pdf - Published Version Restricted to Repository staff only Download (753kB) | Request a copy
	Text (BAB III METODOLOGI PENELITIAN) BAB III.pdf - Published Version Restricted to Repository staff only Download (885kB) | Request a copy
	Text (BAB IV PEMBAHASAN) BAB IV.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB V PENUTUP) BAB V.pdf - Published Version Restricted to Repository staff only Download (153kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (156kB) | Request a copy
	Text (LAMPIRAN) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Penelitian ini bertujuan merancang dan mengimplementasikan framework prediksi cerdas untuk memprediksi output energi smart floor piezoelectric melalui studi komparatif tiga arsitektur deep learning, yaitu Multi-Layer Perceptron (MLP), Long Short-Term Memory (LSTM), dan model Hybrid MLP-LSTM. Dataset diperoleh secara real-time menggunakan sistem akuisisi berbasis ESP32-S3 dan ADS1115 dari 12 subjek dengan rentang berat badan 42,4–100,9 kg melalui tiga jenis aktivitas, yaitu jalan, lari, dan lompat, menghasilkan total 10.336 sampel. Input model berupa berat badan subjek dan laju gerak (Rate of Motion), dengan output berupa tegangan (V), arus (µA), dan daya (µW). Tahap prapemrosesan meliputi deteksi outlier menggunakan metode Interquartile Range (IQR), normalisasi Min-Max Scaling, serta pembagian dataset dengan rasio 70:15:15. Hasil evaluasi menunjukkan bahwa model LSTM menghasilkan performa terbaik dengan nilai R² sebesar 0,824 (tegangan), 0,804 (arus), dan 0,833 (daya), serta nilai MAPE sebesar 10,778%, 11,233%, dan 23,800%. Model MLP memperoleh R² sebesar 0,681, 0,692, dan 0,746, sedangkan model Hybrid MLP-LSTM memperoleh R² sebesar 0,722, 0,702, dan 0,761. Penelitian ini membuktikan bahwa arsitektur LSTM paling sesuai untuk memprediksi output smart floor piezoelectric berbasis data deret waktu IoT dibandingkan MLP maupun Hybrid MLP-LSTM.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	deep learning, energy harvesting, Multi-Layer Perceptron, Long Short-Term Memory, smart floor piezoelectric
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Electronic Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	07 Aug 2026 07:30
Last Modified:	07 Aug 2026 07:30
URI:	http://eprints.polsri.ac.id/id/eprint/24423

Actions (login required)

View Item