SISTEM MONITORING KADAR KARBON DIOKSIDA PADA RUANG KELAS MENGGUNAKAN METODE LINEAR REGRESSION STUDI KASUS : FAKULTAS VOKASI UNESA

MONITORING SYSTEM FOR CARBON DIOXIDE LEVELS IN CLASSROOMS USING LINEAR REGRESSION METHOD CASE STUDY : UNESA VOCATIONAL FACULTY

Kualitas udara dalam ruang kelas sangat penting untuk kesehatan dan kenyamanan manusia yang berada di dalamnya.  Peningkatan konsentrasi karbon dioksida (CO2) akibat aktivitas manusia dapat menyebabkan berbagai masalah kesehatan seperti sakit kepala, kelelahan, dan gangguan pernapasan. Penelitian ini bertujuan untuk mengembangkan sistem monitoring kualitas udara dalam ruang kelas berbasis Internet of Things (IoT) menggunakan kombinasi antara sensor HC-SR04 untuk menghitung jumlah manusia dan sensor MQ-135 untuk mengukur kadar CO2 yang diintegrasikan dengan platform thinger.io secara realtime, serta mengklasifikasikan kondisi udara berdasarkan standar IQ Air. Metode linear regression diterapkan untuk kalibrasi sensor MQ-135, dengan hasil menunjukkan tingkat akurasi yang tinggi dengan persentase error sebesar 1.9%. Indikator LED dan buzzer digunakan untuk memberikan peringatan visual dan audio berdasarkan kadar CO2 yang terdeteksi. Hasil pengujian menunjukkan bahwa sistem ini dapat memberikan informasi yang akurat dan realtime mengenai kualitas udara dalam ruangan, serta memberikan peringatan dini jika kadar CO2 mencapai tingkat yang tidak sehat. Dengan demikian, sistem ini dapat digunakan sebagai alat bantu yang efektif untuk memonitor dan meningkatkan kualitas udara di berbagai jenis ruangan.

Air quality in classrooms is very important for the health and comfort of the people inside.  Increased concentrations of carbon dioxide (CO2) due to human activities can cause various health problems such as headaches, fatigue and respiratory problems. This research aims to develop an air quality monitoring system in classrooms based on the Internet of Things (IoT) using a combination of the HC-SR04 sensor to count the number of people and the MQ-135 sensor to measure CO2 levels which is integrated with the thinger.io platform in real time, as well as classify air conditions based on IQ Air standards. The linear regression method was applied to calibrate the MQ-135 sensor, with the results showing a high level of accuracy with an error percentage of 1.9%. LED indicators and buzzers are used to provide visual and audio warnings based on detected CO2 levels. Test results show that this system can provide accurate and real-time information regarding indoor air quality, as well as provide early warning if CO2 levels reach unhealthy levels. Thus, this system can be used as an effective tool to monitor and improve air quality in various types of rooms.