Pengembangan Sistem Smart Lighting Indoor Berbasis Klasifikasi Aktivitas Manusia Menggunakan Computer Vision

Sistem pencahayaan kamar tidur yang masih dikendalikan secara manual atau berbasis sensor konvensional belum mampu merespons kondisi ruangan secara kontekstual berdasarkan aktivitas spesifik penghuni. Penelitian ini mengembangkan sistem smart lighting indoor berbasis computer vision dengan pendekatan rule-based yang mengintegrasikan klasifikasi aktivitas manusia dan deteksi kecerahan cahaya ruangan untuk mengendalikan lampu secara otomatis. Sistem dirancang dengan pipeline: akuisisi citra oleh kamera Tapo C200, inferensi model MobileNetV2 untuk mengklasifikasikan empat kelas aktivitas (empty_room, lying_down, sitting, standing), pengambilan keputusan berbasis aturan IF-THEN yang mempertimbangkan hasil klasifikasi dan nilai sensor LDR, serta eksekusi kondisi lampu melalui mikrokontroler ESP32. Sebagai perbandingan, pendekatan machine learning berbasis HOG+SVM juga diimplementasikan dan dievaluasi. Hasil evaluasi menunjukkan model MobileNetV2 mencapai akurasi 95,41% pada data uji, jauh melampaui HOG+SVM yang hanya mencapai 69,28% dengan indikasi overfitting. Pengujian pada kondisi real-world menghasilkan akurasi 90,00%, melampaui target minimum 85%. Logika rule-based berjalan sesuai ekspektasi pada 87,5% skenario yang diuji, dan seluruh komponen sistem terintegrasi secara fungsional dari kamera hingga aktuator lampu.