Data Sintetis VAE pada Sistem DeteksiOkupansi Berbasis IoT yang DapatDigeneralisasi dengan CIMA+Random Forest

Abstract

Occupancy detection Internet of Things (IoT) adalah merupakan salah satu pengembangan sistem pada rumah pintar untuk melakukan penghematan energi. Namun permasalahan generalizability menunjukan bahwa penggunaan model machine learning pada satu studi kasus deteksi okupansi dapat menunjukan kinerja yang menurun ketika diterapkan pada studi kasus yang lain. Oleh karena itu, tujuan dari penelitian ini adalah untuk mengatasi masalah generalizability pada sistem deteksi okupansi berbasis IoT dengan menggunakna variational auto encoder (VAE) untuk mengembangkan dataset sintetis pada dataset yang telah dikumpulkan disuatu ruangan menggunakan sensor PIR+Ultrasonik. Selain itu penelitian ini juga akan menggunakan pertubation robustness test untuk menguji generalizability dari kedua dataset tersebut. Hasil pengujian menunjukan bahwa CIMA+Random Forest pada dataset sintetis VAE memperlihatkan generalizability yang lebih baik pada pertubation rebustness test.