Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Alat ini dibuat untuk memudahkan para pengemudi mobil untuk mencari tempat parkir gedung dan rubanah yang kosong. Alat ini menggunakan System-On-Chip NodeMCU ESP32 Wi-Fi yang diintegrasikan dengan sensor ultrasonic HC-SR04 dan aplikasi android yang dirancang dengan bahasa pemrograman Flutter. Alat utama pada proyek ini adalah sensor ultrasonic HC-SR04 yang bekerja untuk menentukan jarak ke objek mobil dalam ambang batas yang telah ditetapkan dan menjelaskan keberadaan mobil pada parkir mobil yang tersedia. Informasi yang dibaca oleh sensor ditransfer ke NodeMCU ESP32 Wi-Fi, lalu informasi tersebut kemudian ditransfer ke aplikasi android. Aplikasi android diprogram dengan bahasa pemrograman Flutter. Aplikasi akan menampilkan informasi kepada pengguna apakah tempat parkir tersedia atau tidak. Dalam hasil pengujian, perangkat lunak dan perangkat keras pada proyek ini dapat bekerja dengan baik dan dapat membaca keberadaan berbagai jenis mobil dan bukan jenis mobil.

---

This tool is made to make it easier for car drivers to find an empty parking space and basement. This tool uses the System-On-Chip NodeMCU ESP32 Wi-Fi which is integrated with the HC-SR04 ultrasonic sensor and an android application designed with the Flutter programming language. The main tool in this project is the HC-SR04 ultrasonic sensor to determine the distance to a car within a predetermined threshold and explain the presence of the car in the car park. Information read by the sensor is transferred to NodeMCU ESP32 Wi-Fi, and then it transferred to the android application. The android application is programmed with the Flutter programming language. The application will display information to users whether a parking space is available or not. In the testing result, This project successfully work either in software and hardware, and can read the existence of various types of cars and not cars.

"

"Penelitian ini bertujuan untuk mengatasi kekurangan Global Positioning System (GPS) dalam penentuan posisi di dalam ruangan dengan mengembangkan sebuah indoor positioning system (IPS) yang mengkombinasikan Wi-Fi fingerprinting dengan pedestrian dead reckoning (PDR). Wi-Fi fingerprinting memanfaatkan infrastruktur dalam ruangan yang tersebar luas sehingga implementasi menjadi praktis dan meminimalkan biaya instalasi. Namun, Wi-Fi fingerprinting memiliki tantangan karena adanya overhead dalam proses pengumpulan data. PDR melengkapi Wi-Fi fingerprinting dengan melacak pergerakan pengguna melalui deteksi langkah dan arah dengan memanfaatkan sensor inersia dalam smartphone untuk mengurangi kebutuhan pemindaian fingerprint yang sering sambil tetap mempertahankan atau meningkatkan akurasi posisi. Fokus dari penelitian ini adalah penggabungan Wi-Fi fingerprinting dengan PDR untuk menciptakan sebuah IPS yang praktis dan efisien. Teknik machine learning digunakan untuk prediksi posisi pada Wi-Fi fingerprinting. Thresholding digunakan untuk deteksi langkah (step detection), fixed step length digunakan untuk panjang langkah (step length), dan magnetometer dimanfaatkan untuk deteksi arah (heading detection). Implementasi dilakukan pada perangkat Android, di mana desain antarmuka (interface) dan pengalaman pengguna (user experience) tidak termasuk dalam cakupan penelitian. Desain sistem melibatkan aplikasi sisi klien (client-side application), backend service, machine learning service, serta algoritma penggabungan Wi-Fi fingerprinting dengan PDR. Studi ini menemukan bahwa integrasi antara Wi-Fi fingerprinting dengan PDR secara signifikan mengurangi overhead, serta meningkatkan akurasi dari penentuan posisi dalam ruangan.

---

This research aims to address the shortcomings of the Global Positioning System (GPS) in indoor positioning by developing an indoor positioning system (IPS) that combines Wi-Fi fingerprinting with pedestrian dead reckoning (PDR). Wi-Fi fingerprinting leverages widely available indoor infrastructure, making implementation practical and minimizing installation costs. However, Wi-Fi fingerprinting faces challenges due to the overhead involved in data collection. PDR complements Wi-Fi fingerprinting by tracking user movement through step detection and direction using inertial sensors in smartphones, thereby reducing the need for frequent fingerprint scanning while maintaining or improving positioning accuracy. The focus of this research is the integration of Wi-Fi fingerprinting with PDR to create a practical and efficient IPS. Machine learning techniques are used for position prediction in Wi-Fi fingerprinting. Thresholding is used for step detection, fixed step length for step length measurement, and a magnetometer for heading detection. The implementation is done on Android devices, with interface design and user experience not being within the scope of this research. The system design involves a client-side application, backend services, machine learning services, and algorithms for integrating Wi-Fi fingerprinting with PDR. This study finds that the integration of Wi-Fi fingerprinting with PDR significantly reduces overhead and improves the accuracy of indoor positioning."

"Penelitian ini bertujuan untuk mengatasi kekurangan Global Positioning System (GPS) dalam penentuan posisi di dalam ruangan dengan mengembangkan sebuah indoor positioning system (IPS) yang mengkombinasikan Wi-Fi fingerprinting dengan pedestrian dead reckoning (PDR). Wi-Fi fingerprinting memanfaatkan infrastruktur dalam ruangan yang tersebar luas sehingga implementasi menjadi praktis dan meminimalkan biaya instalasi. Namun, Wi-Fi fingerprinting memiliki tantangan karena adanya overhead dalam proses pengumpulan data. PDR melengkapi Wi-Fi fingerprinting dengan melacak pergerakan pengguna melalui deteksi langkah dan arah dengan memanfaatkan sensor inersia dalam smartphone untuk mengurangi kebutuhan pemindaian fingerprint yang sering sambil tetap mempertahankan atau meningkatkan akurasi posisi. Fokus dari penelitian ini adalah penggabungan Wi-Fi fingerprinting dengan PDR untuk menciptakan sebuah IPS yang praktis dan efisien. Teknik machine learning digunakan untuk prediksi posisi pada Wi-Fi fingerprinting. Thresholding digunakan untuk deteksi langkah (step detection), fixed step length digunakan untuk panjang langkah (step length), dan magnetometer dimanfaatkan untuk deteksi arah (heading detection). Implementasi dilakukan pada perangkat Android, di mana desain antarmuka (interface) dan pengalaman pengguna (user experience) tidak termasuk dalam cakupan penelitian. Desain sistem melibatkan aplikasi sisi klien (client-side application), backend service, machine learning service, serta algoritma penggabungan Wi-Fi fingerprinting dengan PDR. Studi ini menemukan bahwa integrasi antara Wi-Fi fingerprinting dengan PDR secara signifikan mengurangi overhead, serta meningkatkan akurasi dari penentuan posisi dalam ruangan.

---

This research aims to address the shortcomings of the Global Positioning System (GPS) in indoor positioning by developing an indoor positioning system (IPS) that combines Wi-Fi fingerprinting with pedestrian dead reckoning (PDR). Wi-Fi fingerprinting leverages widely available indoor infrastructure, making implementation practical and minimizing installation costs. However, Wi-Fi fingerprinting faces challenges due to the overhead involved in data collection. PDR complements Wi-Fi fingerprinting by tracking user movement through step detection and direction using inertial sensors in smartphones, thereby reducing the need for frequent fingerprint scanning while maintaining or improving positioning accuracy. The focus of this research is the integration of Wi-Fi fingerprinting with PDR to create a practical and efficient IPS. Machine learning techniques are used for position prediction in Wi-Fi fingerprinting. Thresholding is used for step detection, fixed step length for step length measurement, and a magnetometer for heading detection. The implementation is done on Android devices, with interface design and user experience not being within the scope of this research. The system design involves a client-side application, backend services, machine learning services, and algorithms for integrating Wi-Fi fingerprinting with PDR. This study finds that the integration of Wi-Fi fingerprinting with PDR significantly reduces overhead and improves the accuracy of indoor positioning."

"Penelitian ini bertujuan untuk mengatasi kekurangan Global Positioning System (GPS) dalam penentuan posisi di dalam ruangan dengan mengembangkan sebuah indoor positioning system (IPS) yang mengkombinasikan Wi-Fi fingerprinting dengan pedestrian dead reckoning (PDR). Wi-Fi fingerprinting memanfaatkan infrastruktur dalam ruangan yang tersebar luas sehingga implementasi menjadi praktis dan meminimalkan biaya instalasi. Namun, Wi-Fi fingerprinting memiliki tantangan karena adanya overhead dalam proses pengumpulan data. PDR melengkapi Wi-Fi fingerprinting dengan melacak pergerakan pengguna melalui deteksi langkah dan arah dengan memanfaatkan sensor inersia dalam smartphone untuk mengurangi kebutuhan pemindaian fingerprint yang sering sambil tetap mempertahankan atau meningkatkan akurasi posisi. Fokus dari penelitian ini adalah penggabungan Wi-Fi fingerprinting dengan PDR untuk menciptakan sebuah IPS yang praktis dan efisien. Teknik machine learning digunakan untuk prediksi posisi pada Wi-Fi fingerprinting. Thresholding digunakan untuk deteksi langkah (step detection), fixed step length digunakan untuk panjang langkah (step length), dan magnetometer dimanfaatkan untuk deteksi arah (heading detection). Implementasi dilakukan pada perangkat Android, di mana desain antarmuka (interface) dan pengalaman pengguna (user experience) tidak termasuk dalam cakupan penelitian. Desain sistem melibatkan aplikasi sisi klien (client-side application), backend service, machine learning service, serta algoritma penggabungan Wi-Fi fingerprinting dengan PDR. Studi ini menemukan bahwa integrasi antara Wi-Fi fingerprinting dengan PDR secara signifikan mengurangi overhead, serta meningkatkan akurasi dari penentuan posisi dalam ruangan.

---

This research aims to address the shortcomings of the Global Positioning System (GPS) in indoor positioning by developing an indoor positioning system (IPS) that combines Wi-Fi fingerprinting with pedestrian dead reckoning (PDR). Wi-Fi fingerprinting leverages widely available indoor infrastructure, making implementation practical and minimizing installation costs. However, Wi-Fi fingerprinting faces challenges due to the overhead involved in data collection. PDR complements Wi-Fi fingerprinting by tracking user movement through step detection and direction using inertial sensors in smartphones, thereby reducing the need for frequent fingerprint scanning while maintaining or improving positioning accuracy. The focus of this research is the integration of Wi-Fi fingerprinting with PDR to create a practical and efficient IPS. Machine learning techniques are used for position prediction in Wi-Fi fingerprinting. Thresholding is used for step detection, fixed step length for step length measurement, and a magnetometer for heading detection. The implementation is done on Android devices, with interface design and user experience not being within the scope of this research. The system design involves a client-side application, backend services, machine learning services, and algorithms for integrating Wi-Fi fingerprinting with PDR. This study finds that the integration of Wi-Fi fingerprinting with PDR significantly reduces overhead and improves the accuracy of indoor positioning."

"Penelitian ini bertujuan untuk mengatasi kekurangan Global Positioning System (GPS) dalam penentuan posisi di dalam ruangan dengan mengembangkan sebuah indoor positioning system (IPS) yang mengkombinasikan Wi-Fi fingerprinting dengan pedestrian dead reckoning (PDR). Wi-Fi fingerprinting memanfaatkan infrastruktur dalam ruangan yang tersebar luas sehingga implementasi menjadi praktis dan meminimalkan biaya instalasi. Namun, Wi-Fi fingerprinting memiliki tantangan karena adanya overhead dalam proses pengumpulan data. PDR melengkapi Wi-Fi fingerprinting dengan melacak pergerakan pengguna melalui deteksi langkah dan arah dengan memanfaatkan sensor inersia dalam smartphone untuk mengurangi kebutuhan pemindaian fingerprint yang sering sambil tetap mempertahankan atau meningkatkan akurasi posisi. Fokus dari penelitian ini adalah penggabungan Wi-Fi fingerprinting dengan PDR untuk menciptakan sebuah IPS yang praktis dan efisien. Teknik machine learning digunakan untuk prediksi posisi pada Wi-Fi fingerprinting. Thresholding digunakan untuk deteksi langkah (step detection), fixed step length digunakan untuk panjang langkah (step length), dan magnetometer dimanfaatkan untuk deteksi arah (heading detection). Implementasi dilakukan pada perangkat Android, di mana desain antarmuka (interface) dan pengalaman pengguna (user experience) tidak termasuk dalam cakupan penelitian. Desain sistem melibatkan aplikasi sisi klien (client-side application), backend service, machine learning service, serta algoritma penggabungan Wi-Fi fingerprinting dengan PDR. Studi ini menemukan bahwa integrasi antara Wi-Fi fingerprinting dengan PDR secara signifikan mengurangi overhead, serta meningkatkan akurasi dari penentuan posisi dalam ruangan.

---

This research aims to address the shortcomings of the Global Positioning System (GPS) in indoor positioning by developing an indoor positioning system (IPS) that combines Wi-Fi fingerprinting with pedestrian dead reckoning (PDR). Wi-Fi fingerprinting leverages widely available indoor infrastructure, making implementation practical and minimizing installation costs. However, Wi-Fi fingerprinting faces challenges due to the overhead involved in data collection. PDR complements Wi-Fi fingerprinting by tracking user movement through step detection and direction using inertial sensors in smartphones, thereby reducing the need for frequent fingerprint scanning while maintaining or improving positioning accuracy. The focus of this research is the integration of Wi-Fi fingerprinting with PDR to create a practical and efficient IPS. Machine learning techniques are used for position prediction in Wi-Fi fingerprinting. Thresholding is used for step detection, fixed step length for step length measurement, and a magnetometer for heading detection. The implementation is done on Android devices, with interface design and user experience not being within the scope of this research. The system design involves a client-side application, backend services, machine learning services, and algorithms for integrating Wi-Fi fingerprinting with PDR. This study finds that the integration of Wi-Fi fingerprinting with PDR significantly reduces overhead and improves the accuracy of indoor positioning."

"Supermarket adalah tempat yang sering menjadi pilihan untuk orang berbelanja. Hampir semua supermarket masih menggunakan keranjang belanja (shopping basket). Proses belanja banyak memakan waktu. Oleh karena itu dibutuhkan suatu perangkat pada smart shopping basket berbasis Internet of Things (IoT) agar kegiatan beberlanja lebih efektif dan efisien. Skripsi ini telah melakukan percobaan ekspreimental untuk sistem Edge Computing pada Smart Shopping Basket sebagai Alternatif Sistem Cloud Computing Internet of Things untuk membantu pembeli dalam kegiatan berbelanja menjadi lebih cepat. Sistem terdiri dari perangkat keras Raspberry Pi dan webcam dan perangkat lunak Python, TFLite, OpenCV dan Google Cloud Vision API untuk mendeteksi objek belanja dan mengukur berapa lama objek dideteksi. Hasil deteksi objek tersebut dikalkulasi dan dikirimkan ke end-user dengan bentuk struk hasil belanja melalui aplikasi Telegram.Penulis telah melakukan uji coba perangkat dengan 2 skenario utama yaitu Skenario #1 “Edge Computing” dan #2 “Cloud Computing”. Uji coba dilakukan dengan menggeser perangkat sejauh 0.3 meter sebanyak 10 kali dari titik acuan berupa router dengan 2 jenis propagasi yaitu Line of Sight dan Non-Line of Sight. Penulis juga memberi beberapa variabel tambahan untuk mengukur beberapa faktor yang mungkin mempengaruhi performa waktu perangkat. Varibel itu berupa resolusi gambar (480p dan 720p) dan banyak objek yang dideteksi (2 Objek dan 4 Objek). Berdasarkan uji coba skenario di atas, didapatkan waktu rata-rata total sebesar 1.75 detik untuk Skenario #1 “Edge Computing” dan 8.24 detik untuk Skenario #2 “Cloud Computing”.

---

Supermarket is a place that is often the choice to fulfill their basic needs. Almost all supermarkets still use shopping basket. The shopping process takes a lot of time. Therefore, we need a device on the Internet of Things (IoT) -based smart shopping basket so that shopping activities are more effective and efficient. This thesis has conducted experimental experiments for the Edge Computing system on Smart Shopping Basket as an Alternative Cloud of Computing Internet of Things System to help shoppers shop faster. The system consists of Raspberry Pi hardware and webcam and Python, TFLite, OpenCV, and Google Cloud Vision API software to detect shopping objects and measure how long they are detected. The object detection results are calculated and sent to end-users in the form of shopping receipts through the Telegram application.

The author has tested the device with 2 main scenarios namely Scenario # 1 "Edge Computing" and # 2 "Cloud Computing". The trial was carried out by shifting the device as far as 0.3 meters 10 times from the reference point in the form of a router with 2 types of propagation namely Line of Sight and Non-Line of Sight. The author also provides several additional variables to measure several factors that might affect the device's time performance. The variable is in the form of image resolution (480p and 720p) and many objects are detected (2 Objects and 4 Objects). Based on the above scenario test, a total average time of 1.75 seconds is obtained for Scenario # 1 "Edge Computing" and 8.24 seconds for Scenario # 2 "Cloud Computing"."

"Tren cyber-attack atau serangan siber terus bertambah banyak setiap tahunnya. Menurut data dari patrolisiber.id, terdapat 61 laporan penipuan melalui e-mail dengan jumlah kerugian mencapai lebih dari 144 miliar rupiah dan merupakan modus penipuan dengan kerugian terbesar pada tahun 2019. Teknik machine learning telah diadaptasi pada algoritma deteksi dalam Intrusion Detection System (IDS) sebagai perangkat untuk memeriksa semua traffic jaringan karena dapat membawa manfaat dalam pengembangan performanya yang berskala besar dalam meningkatkan detection rate dan pengurangan processing time. Salah satu metode machine learning pada IDS adalah decision tree, yaitu metode yang dapat bekerja dengan cepat, menghasilkan akurasi yang baik, dan mudah untuk diinterpretasi. Penelitian ini bertujuan untuk melakukan klasifikasi jenis serangan cyber-attack terhadap jaringan Wi-Fi dan Internet of Things melalui penerapan teknik machine learning dengan metode decision tree. Untuk menghindari overfitting pada model, akan digunakan teknik lanjutan yaitu post-pruning dengan menggunakan algoritma reduced error pruning. Hasil yang diperoleh dari penelitian ini adalah pengembangan performa model decision tree setelah dilakukan metode reduced error pruning dibanding model yang tidak dilakukan pruning. Evaluasi kinerja model yang sudah dilakukan pruning dengan ukuran nilai metrik accuracy, F1 score, recall, dan precision pada data testing masing-masing adalah sebesar 94.67%, 94.79%, 94.9%, dan 94.69%.

---

The trend of cyber-attacks continues to increase every year. According to data from patrolsiber.id, there are 61 reports of fraud via e-mail with a total loss of more than 144 billion rupiahs and is the mode of fraud with the biggest losses in 2019. Machine learning techniques have been adapted to the detection algorithms in the Intrusion Detection System (IDS) as a tool to examine all network traffic because they can bring benefits in the development of large-scale performance in increasing the detection rate and reducing processing time. One of the machine learning methods in the IDS is the decision tree, which is a method that works quickly, produces good accuracy, and is easy to interpret. This study aims to classify types of cyber-attacks against Wi-Fi networks and the Internet of Things through the application of machine learning techniques with the decision tree method. To avoid overfitting on the model, an advanced technique will be used, namely post-pruning using the reduced error pruning algorithm. The results obtained from this study are the development of the performance of the decision tree model after the reduced error pruning method is used compared to the model without pruning. Evaluation of the performance of the model that has been pruned with the metrics measurement of accuracy, F1 score, recall, and precision in data testing is 94.67%, 94.79%, 94.9%, and 94.69%, respectively."

"ABSTRAKJaringan nirkabel atau wireless adalah salah satu media atau sistem transmisi data yang menggunakan gelombang radio sebagai media transmisinya dan sebuah pengembangan dari jaringan komputer yang sebelumnya menggunakan kabel sebagai media penghubungnya. Nirkabel memanfaatkan udara/gelombang elektromagnetik sebagai media lalu lintas pertukaran data. Namun seiring perkembangannya, keamanan pada jaringan nirkabel ternyata cukup rentan, dan memberikan potensi yang cukup tinggi bagi para hacker. Keamanan jaringan mempunyai dampak yang besar bagi dunia terhadap penggunaannya, seluruh informasi dapat dikirimkan dan diterima tanpa menggunakan kabel. Jaringan nirkabel menyediakan semua fungsi yang sama seperti jaringan kabel tanpa adanya perangkat fisik. Tujuan utama dari studi ini ialah mendemonstrasikan dan menganalisis jenis variasi serangan yang dapat ditemui saat menggunakan jaringan nirkabel sekaligus mitigasi terhadap serangan yang terjadi. Jaringan nirkabel memiliki banyak celah dalam penggunaannya. Pada studi kali ini akan digunakan software yaitu Kali Linux 3.0 adalah open source yang digunakan untuk melakukan uji penetrasi. Uji penetrasi akan dilakukan menggunakan beberapa metode yang nantinya studi ini akan memeberikan edukasi kepada setiap orang agar lebih berhati-hati dalam mengakses jaringan nirkabel di rumah maupun tempat umum.

---

ABSTRACTWireless or wireless network is one media or data transmission system that uses radio waves as transmission media and is a development of a computer network that previously used the cable as a connector. Wireless utilize air electromagnetic waves as a medium of traffic exchange data. But over the development of security on wireless networks was quite vulnerable, and provide a high enough potential for hackers. Network security has a major impact on the world for its use, all information can be sent and received without the use of cables. Wireless networks provide all the same functions as cable networks in the absence of physical devices. The main purpose of this study is to demonstrate and analyze the types of attack variations that can be encountered when using wireless networks and also how to mitigate them. Wireless networks have many loopholes in its use. In this study will be used software that is Kali Linux 3.0 is open source used to do penetration test. The penetration test will be conducted using several methods that will provide education for everyone to be more careful in accessing wireless networks at home and public places. "

"ABSTRAKSalah satu tantangan yang dihadapi oleh Indonesia saat ini adalah pemenuhan kebutuhan energi listrik yang terus meningkat dengan kondisi sumber energi yang semakin menipis. Salah satu solusi yang dilakukan oleh pemerintah untuk mengatasi permasalahan tersebut adalah dengan mengoptimalkan pengukuran dan pemantauan penggunaan daya listrik. Salah satunya diterapkan pada perangkat metering PLN. Pemanfaatan modul telekomunikasi dapat diterapkan dalam mengimplemetasikan pada lingkungan perumahan supaya dapat mengoptimalkan pemantauan daya dan energi listrik. Pada penelitian ini, dilakukan perancangan dan pengimplementasian smart meter dengan modul telekomunikasi ESP32 pada lingkungan perumahan. Penelitian dilakukan untuk mencari nilai keakuratan dari sensor-sensor listrik yang berupa sensor tegangan dan sensor arus listrik untuk menilai apakah smart meter dapat diandalkan dalam melakukan pengukuran besaran listrik jika dibandingkan dengan power meter portable yang dijual bebas di pasaran dan menilai apakah smart meter mampu melakukan monitoring besaran listrik. Berdasarkan studi dan penelitian yang dilakukan, penggunaan sensor arus listrik untuk mengukur arus efektif yang digunakan oleh beban statis mendapat keakuratan pengukuran rata-rata sebesar 99,84%. Penggunaan sensor tegangan listrik untuk mengukur tegangan efektif sistem yang digunakan oleh beban statis mendapatkan keakuratan pengukuran rata-rata sebesar 99,85%. Pengukuran faktor daya listrik dengan sensor-sensor listrik mendapatkan keakuratan pengukuran rata-rata sebesar 92,51%. Pengukuran daya aktif pada beban dengan sensor-sensor listrik mendapatkan keakuratan pengukuran rata-rata sebesar 94,38%. Selanjutnya, dilakukan juga pengujian smart meter untuk melakukan pengiriman data yang berisi besaran listrik. Untuk pengiriman data dengan modul ESP32 via WiFi mendapatkan jarak maksimal komunikasi sebesar 12 meter. Dengan menggunakan MQTT sebagai protocol pengiriman, CloudMQTT sebagai server dengan ESP32 yang terhubung jaringan internet via WiFi, didapatkan keberhasilan pengiriman antara 98% hingga 100%.

---

ABSTRACTOne of the challenges faced by Indonesia today is the fulfillment of the need for electricity that continues to increase with the condition of depleting energy sources. One solution made by the government to overcome these problems is by optimizing the measurement and monitoring of the use of electric power. One of them is applied to the PLN metering device. Utilization of telecommunications modules can be implemented in implementing the housing environment so that it can optimize monitoring of electricity and electricity. In this study, the design and implementation of smart meters was carried out with the ESP32 telecommunications module in a residential environment. The study was conducted to find the accuracy of the electrical sensors in the form of a voltage sensor and an electric current sensor to assess whether the smart meter can be relied upon to measure electrical quantities when compared to a portable power meter that is freely sold on the market and assess whether the smart meter is capable of monitoring electric scale. Based on studies and research conducted, the use of an electric current sensor to measure the effective current used by static loads has an average measurement accuracy of 99.84%. The use of an electric voltage sensor to measure the effective voltage of the system used by static loads gets an average measurement accuracy of 99.85%. The measurement of electric power factor with electrical sensors gets the measurement accuracy on average by 92.51%. The measurement of active power on loads with electrical sensors gets an average measurement accuracy of 94.38%. Furthermore, smart meter testing is also carried out to transmit data containing electrical quantities. For sending data with the ESP32 module via WiFi, the maximum communication distance is 12 meters. By using MQTT as the shipping protocol, the CloudMQTT as a server with ESP32 which is connected to the internet via WiFi, has achieved successful delivery between 98% to 100%"