SISTEM DETEKSI DAN KLASIFIKASI KEBOCORAN GAS BERBASIS INTERNET OF THINGS DAN MACHINE LEARNING MENGGUNAKAN SUPPORT VECTOR MACHINE

Abstract

Perubahan kondisi atmosferik pada area domestik akibat akumulasi gas berbahaya seperti Liquefied Petroleum Gas (LPG), karbon monoksida (CO), dan amonia ($NH_3$) menjadi pemicu utama kejadian kebakaran fatal dan keracunan akut. Penelitian ini mengusulkan sebuah arsitektur cerdas penanganan dini berupa sistem deteksi dan klasifikasi multi-gas berbasis Internet of Things (IoT) dan Machine Learning dengan mengintegrasikan larik sensor MQ-2, MQ-7, MQ-135, serta algoritma Support Vector Machine (SVM). Menggunakan mikrokontroler ESP32 sebagai edge gateway , sensor data ditransmisikan secara real-time ke Firebase Real-time Database. Sistem Inteligensia dibangun menggunakan kernel SVM Radial Basis Function (RBF) untuk mengkategorikan kondisi udara ke dalam lima klaster spesifik: NoGas, Perfume, Smoke, Mixture, dan GasLPG. Hasil eksperimen menunjukkan kinerja model SVM mencapai akurasi impresif sebesar 94.4%, membuktikan kinerja sistem dalam mengenali pola non-linear dari respon sensor. Validasi fungsional menyeluruh melalui Black Box Testing menegaskan bahwa seluruh subsistem—mulai dari akuisisi data, klasifikasi, enkapsulasi data cloud, hingga diseminasi notifikasi darurat berbasis email—berjalan secara sinkron tanpa kegagalan sistemik. Implementasi ini menawarkan solusi preventif berkelanjutan bagi ketahanan sistem keamanan ruang dapur modern.