Rancang Bangun Sistem Monitoring Emisi Gas Buang Pada Ruang Parkir Bawah Tanah Gedung Perkantoran Menggunakan Internet of Things (IoT)
Notice bibliographique
Résumé
Penelitian ini bertujuan merancang dan membangun sistem monitoring emisi gas buang di ruang parkir bawah tanah gedung perkantoran dengan memanfaatkan teknologi Internet of Things (IoT). Sistem ini mengintegrasikan sensor MQ-7 dan MQ-135 untuk mendeteksi gas berbahaya seperti karbon monoksida (CO), sulfur dioksida (SO₂), dan nitrogen oksida (NOₓ). Data hasil deteksi dikirim secara real-time melalui modul ESP32 ke aplikasi Blynk, sehingga memungkinkan pemantauan kualitas udara secara terus-menerus dan jarak jauh. Selain itu, sistem ini juga dilengkapi dengan indikator visual berupa LED dan buzzer sebagai peringatan dini apabila konsentrasi gas melebihi ambang batas yang ditentukan. Hasil pengujian menunjukkan bahwa sistem ini mampu mendeteksi dan memantau emisi gas secara akurat serta memberikan notifikasi yang dapat digunakan sebagai dasar pengambilan tindakan preventif. Dengan demikian, sistem ini dinilai efektif dan andal dalam menjaga kualitas udara di area parkir tertutup. Kesimpulannya, implementasi sistem monitoring berbasis IoT ini berpotensi besar untuk meningkatkan keselamatan dan kesehatan pengguna ruang parkir bawah tanah melalui pemantauan kualitas udara yang efisien, real-time, dan responsif terhadap kondisi lingkungan.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».