Deteksi Dini Kebocoran Refrigeran Menggunakan Sensor Murah dan Klasifikasi Machine Learning - Baso Alauddin

Sep 10, 2026

Unggah oleh Gelato

Penelitian ini mengembangkan sistem deteksi dini kebocoran refrigeran berbasis sensor murah dan algoritma machine learning untuk sistem pendingin skala kecil. Sensor MQ-135 mendeteksi gas refrigeran, DS18B20 memantau suhu evaporator dan kondensor, DHT22 mengukur suhu serta kelembapan ruangan, dan ACS712 mengukur arus kompresor. Semua sensor diintegrasikan melalui Arduino Uno dan ESP8266 untuk pengiriman data real-time. Pengujian pada unit 1 PK dengan R134a menggunakan simulasi kebocoran bertahap 0,5–3 g/s. KNN, SVM, dan Random Forest dibandingkan; Random Forest terbaik dengan akurasi 96,7% dan F1-score 0,95, menunjukkan sistem adaptif dan berbiaya rendah.

BahasaIndonesian

KategoriPenelitian & Laporan

FormatPDF

Halaman8

Waktu Membaca12 mnt

AksesGratis untuk diunduh

Daftar Isi

Pendahuluan

Latar Belakang Sistem Refrigerasi

Permasalahan dalam Sistem Refrigerasi

Dampak Kebocoran Refrigeran

Metode dan Pengujian (Ringkasan dari Abstrak)

Integrasi Sensor dan Akuisisi Data

Algoritma Klasifikasi dan Evaluasi

J. MESIN Vol. 31, No. 1, 2026, 17-24 17 Deteksi Dini Kebocoran Refrigeran Menggunakan Sensor Murah dan Klasifikasi Machine Learning Baso Alauddin1* 1Prodi Teknik Mesin, Fakultas Teknik, Universitas Pejuang Republik Indonesia Jl. Baruga Raya Antang, Kota Makassar, 90234 [Email: basoalauddin84@gmail.com](Email: basoalauddin84@gmail.com) Abstract. Penelitian ini bertujuan mengembangkan sistem deteksi dini kebocoran refrigeran berbasis sensor murah dan algoritma machine learning pada sistem pendingin skala kecil. Sistem menggunakan sensor MQ-135 untuk mendeteksi gas refrigeran, DS18B20 untuk suhu evaporator dan kondensor, DHT22 untuk suhuserta kelembapan ruangan, ACS712 untuk pengukuran arus kompresor. Seluruh sensor diintegrasikan menggunakan Arduino Uno dan modul ESP8266 untuk pengiriman data secara real-time. Pengujian dilakukan pada unit pendingin 1 PK dengan refrigeran R134a melalui simulasi kebocoran bertahap sebesar 0,5–3 g/spada kondisi normal, kebocoran ringan dan kebocoran berat. Data yang diperoleh diproses menggunakan algoritma K-Nearest Neighbor (KNN), Support Vector Machine (SVM), dan Random Forest. Hasil penelitian menunjukkan bahwa peningkatan tingkat kebocoran menyebabkan penurunan tekanan system, peningkatan suhu evaporator, arus listrik, dan konsentrasi gas yang terdeteksi sensor MQ-135 . Algoritma Random Forest memberikan performa terbaik denganakurasi 96,7% dan F1-score 0,95 . Penelitian ini membuktikan bahwa kombinasi sensor murah dan machine learning mampu menghasilkan sistem deteksikebocoran refrigeran yang efektif, adaptif dan berbiaya rendah. Kata Kunci: Deteksi dini, kebocoran refrigerant, machine learning, sensor murah. 1 Pendahuluan Sistem pendingin atau refrigerasi merupakan salah satu teknologi yang sangat penting dalam kehidupan modern. Aplikasi sistem ini mencakup berbagai bidang mulai dari penyimpanan makanan, pengkondisian udara, hingga sistem industriseperti pendingin mesin dan fasilitas manufaktur [1] . Pada umumnya sistem pendingin bekerja dengan memanfaatkan sirkulasi fluida. Refrigeran berfungsisebagai media perpindahan panas antara evaporator, kompresor, kondensor, dan katup ekspansi [2] . Salah satu permasalahan utama dalam sistem refrigeran adalah kebocoran refrigeran. Kebocoran ini dapat menyebabkan penurunan performa sistem, peningkatan konsumsi energi, kerusakan permanenpada komponenutama sepertikompresor. Selain itu kebocoran refrigeran berpotensi menimbulkan dampak Diterima 9 April 2026, Direvisi 14 Mei 2026, Diterima untuk dipublikasikan 30 Juni 2026 Copyright ©2026 Diterbitkan oleh Fakultas Teknik Mesin dan Dirgantara ITB ISSN:0852-6095, DOI: 10.5614/MESIN.2026.31.1.2. 18 Baso Alauddin lingkungan yang signifikan terutama jika refrigeran yang digunakan termasuk dalam kategori gas rumah kaca (greenhouse gases) atau memiliki potensi perusakan ozon (Ozone Depletion Potential, ODP) [3] . Menurut laporan Intergovernmental Panel on Climate Change (IPCC), emisirefrigeran seperti HFC (hydrofluorocarbon) memiliki potensi pemanasan global (GWP) hingga 2000–4000 kali lebih tinggi dibandingkan dengan CO₂ [4] . Deteksi dini kebocoran refrigeran menjadi salah satu langkah strategis dalam mendukung transisi energi bersih dan pengurangan emisi gas rumah kaca sesuai agenda Sustainable Development Goals (SDG) [5], [6] . Teknologi deteksi kebocoran yang tersedia di industri masih relatif mahal bergantung pada sensor presisi tinggi seperti infrared leak detector atau mass spectrometer yang tidak ekonomis untuk sistem skala kecil seperti AC rumah tangga atau sistem pendingin komersial kecil. Sensor murah berbasis semiconductor gas sensor (seperti seri MQ, TGS, Figaro) menawarkan alternatif menarik karena memiliki harga rendah, ukuran kecil, dan kemudahan integrasi dengan mikrokontroler [7] . Namun sensor murah memiliki keterbatasan seperti sensitivitas rendah crosssensitivity terhadap gas lain serta drift jangka panjang yang dapat mempengaruhiakurasi deteksi [8], [9] . Untu

Pertanyaan Umum

Sistem deteksi dini kebocoran refrigeran ini menggunakan sensor apa saja?

MQ-135 digunakan untuk mendeteksi gas refrigeran, DS18B20 untuk suhu evaporator dan kondensor, DHT22 untuk suhu serta kelembapan ruangan, dan ACS712 untuk pengukuran arus kompresor. Semua diintegrasikan dengan Arduino Uno dan ESP8266 untuk data real-time.

Bagaimana pengujian kebocoran refrigeran dilakukan pada penelitian ini?

Pengujian dilakukan pada unit pendingin 1 PK dengan refrigeran R134a menggunakan simulasi kebocoran bertahap sebesar 0,5–3 g/s pada kondisi normal, kebocoran ringan, dan kebocoran berat.

Algoritma machine learning mana yang memberikan performa terbaik dan berapa metriknya?

Random Forest memberikan performa terbaik dengan akurasi 96,7% dan F1-score 0,95. Penurunan tingkat kebocoran berkorelasi dengan perubahan parameter seperti tekanan sistem, suhu evaporator, arus listrik, dan konsentrasi gas terdeteksi MQ-135.

Sep 10, 2026

Unggah oleh Gelato