Rancang Bangun Sistem Deteksi Barang Tertinggal pada Meja Kerja Berbasis Sensor Load Cell dan Ultrasonik

Abstract

Rutinitas kerja yang padat dan mobilitas tinggi di lingkungan kantor sering menyebabkan barang penting seperti dompet, kunci, atau kartu identitas tertinggal di meja kerja. Untuk mengatasi masalah tersebut, penelitian ini merancang sistem pengingat barang tertinggal berbasis IoT menggunakan sensor load cell dan sensor ultrasonik yang diproses oleh ESP32 untuk mendeteksi keberadaan barang dan pengguna secara real-time, mengaktifkan buzzer sebagai peringatan lokal, mengirim notifikasi melalui aplikasi Blynk IoT, serta mencatat kejadian secara otomatis ke Google Spreadsheet untuk monitoring dan analisis. Analisis data dilakukan dengan metode analisis performa dengan mengamati sistem dalam kondisi penggunaan sebenarnya untuk menilai akurasi deteksi, waktu respon notifikasi, dan keandalan sistem. Hasil pengujian menunjukkan bahwa sistem berhasil mendeteksi 25 kejadian barang tertinggal dengan tingkat akurasi mencapai 100%. Pemberian peringatan ganda secara lokal dan jarak jauh juga terbukti efektif mempercepat waktu respon pengguna dengan rata-rata durasi pengambilan barang selama 5,44 detik, sehingga sistem ini secara nyata mampu meminimalkan risiko barang tertinggal dan mendukung efisiensi aktivitas kerja di lingkungan perkantoran.

Busy work routines and high mobility in office environments often cause essential items such as wallets, keys, or identification cards to be left behind on the desk. To address this issue, this study designs an IoT-based forgotten item reminder system using a load cell sensor and an ultrasonic sensor processed by an ESP32 to detect the presence of items and users in real-time, activate a buzzer as a local alert, send notifications through the Blynk IoT application, and automatically record events to Google Spreadsheet for monitoring and analysis. Data analysis is conducted using the performance analysis method by observing the system in actual usage conditions to evaluate detection accuracy, notification response time, and system reliability. The test results showed that the system successfully detected 25 scenarios of left-behind items with a 100% accuracy rate. The implementation of dual local and remote alerts proved effective in accelerating user response time, with an average item retrieval duration of 5.44 seconds, thereby demonstrably minimizing the risk of forgotten items and supporting work efficiency in office environments.