Design Smart Parking Untuk Parkir Basemen Gedung Telkom University Landmark Tower Dengan Menggunakan Machine Learning
Abstract
Permasalahan yang ada dalam manajemen parkir di gedung TULT adalah kurangnya efisiensi dalam pencarian lahan parkir oleh pengguna. Ketidakpastian akan ketersediaan tempat parkir menyebabkan waktu yang terbuang bagi pengguna, serta meningkatkan kepadatan lalu lintas di area parkir basemen. Masalah ini diperparah dengan kurangnya sistem yang memberikan informasi terkini mengenai ketersediaan lahan parkir secara real-time, sehingga menghambat optimasi penggunaan ruang parkir. Untuk mengatasi permasalahan ini, proyek ini menawarkan solusi Smart Parking menggunakan kombinasi teknologi Internet of Things (IoT) dan Machine Learning. Teknologi ini dirancang untuk memberikan informasi real-time mengenai ketersediaan slot parkir melalui penggunaan sensor inframerah dan ultrasonik yang terhubung dengan platform Firebase. Data dari sensor ini kemudian dikirim ke Firebase dan diolah untuk ditampilkan melalui layar LCD serta aplikasi mobile. Aplikasi mobile tersebut tidak hanya menampilkan informasi real-time dari keempat alat, tetapi juga memprediksi kepadatan parkir basement menggunakan algoritma Machine Learning. Untuk evaluasi model Machine Learning menggunakan Mean Squared Error (MSE) dan R2-squared. Dengan hasil pengujian ini, solusi ketiga yang menggabungkan IoT dan Machine Learning terbukti sebagai pilihan yang paling tepat untuk mengoptimalkan manajemen parkir di gedung TULT.
Kata kunci - Firebase, Internet of Things (IoT), Machine Learning, Mean Squared Error (MSE).
References
D. Hernikawati, “Perbandingan Solusi Parkir Konvensional dengan Smart Parking,” Open Journal Systems, pp. 118–130, Dec. 2021.
E. Rosenkranz, “Smart Parking: How It Works & Successful Examples,” Smart CRE. Accessed: Oct. 22, 2023. [Online]. Available: https://smart-cre.com/smart-parking-definition-and-examples/
Y. Yudhanto, A. Azis, and E. H. Pratisto, “Pengantar Teknologi Internet Of Things (IoT),” UNS Press. Accessed: Oct. 18, 2023. [Online]. Available: https://d3tisolo.vokasi.uns.ac.id/pr/product/pengantar-teknologi-internet-of-things--iot-
A. Selay, G. D. Andgha, M. Encep, Khaira Mulil, and M. N. Falah, “Internet of Things,” 1, 2022. Accessed: Sep. 19, 2023. [Online]. Available: https://ojs.unida.ac.id/karimahtauhid/article/view/7633/3570
S. Brown, “Machine learning, explained,” MIT Sloan. Accessed: Oct. 22, 2023. [Online]. Available: https://mitsloan.mit.edu/ideas-made-to-matter/machine-learning-explained
J. Kufel et al., “What Is Machine Learning, Artificial Neural Networks and Deep Learning? Examples of Practical Applications in Medicine,” Diagnostics, vol. 13, no. 15, p. 2582, Aug. 2023.
H. Raghavan, “What is accuracy in machine learning?” Cloud2Data. Accessed: Oct. 22, 2023. [Online]. Available: https://cloud2data.com/what-is-accuracy-in-machine-learning/
G. R. Koten et al., “Penerapan internet of things pada smart parking system untuk kebutuhan pengembangan smart city,” Jurnal Teknik Industri dan Manajemen Rekayasa, vol. 1, no. 1, pp. 49–59, Jun. 2023, doi: 10.24002/jtimr.v1i1.7204.
H. Raghavan, “What is accuracy in machine learning?” Cloud2Data. Accessed: Oct. 22, 2023. [Online]. Available: : https://cloud2data.com/what-is-accuracy-in-machine-learning/
K. Stewart, “Mean Squared Error (MSE),” Encyclopedia Britannica, Mar. 2023, Accessed: Jul. 22, 2024. [Online]. Available: https://www.britannica.com/science/mean-squared-error
K. Muralidhar, “Demystifying R-Squared and Adjusted R-Squared.” Accessed: Jul. 22, 2024. [Online]. Available: https://builtin.com/data-science/adjusted-r-squared
S. C. Koumetio Tekouabou, E. A. Abdellaoui Alaoui, W. Cherif, and H. Silkan, “Improving parking availability prediction in smart cities with IoT and ensemble-based model,” Journal of King Saud University - Computer and Information Sciences, vol. 34, no. 3, pp. 687–697, Mar. 2022, doi: 10.1016/j.jksuci.2020.01.008.
A. Chakure, “Random Forest Regression in Python Explained,” builtin, Apr. 2023.
T. Masui, “All You Need to Know about Gradient Boosting Algorithm − Part 1. Regression,” Towards Data Science, Jan. 2022, Accessed: Jul. 22, 2024. [Online]. Available: All You Need to Know about Gradient Boosting Algorithm − Part 1. Regression
I. D. Mienye and Y. Sun, “A Survey of Ensemble Learning: Concepts, Algorithms, Applications, and Prospects,” 2022, Institute of Electrical and Electronics Engineers Inc. doi: 10.1109/ACCESS.2022.3207287.
J. Brownlee, “Train-Test Split for Evaluating Machine Learning Algorithms,” Machine Learning Mastery, Aug. 2020, Accessed: Aug. 01, 2024. [Online]. Available: https://machinelearningmastery.com/train-test-split-for-evaluating-machine-learning-algorithms/
