Original Title: LoRa-Based Smart Waste Bins Placement using Clustering Method in Rural Areas of Indonesia
Source: doi.org/10.15849/IJASCA.221128.08
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការដាក់ធុងសំរាមឆ្លាតវៃផ្អែកលើបច្ចេកវិទ្យា LoRa ដោយប្រើវិធីសាស្ត្រចង្កោម (Clustering) នៅតំបន់ជនបទនៃប្រទេសឥណ្ឌូណេស៊ី

ចំណងជើងដើម៖ LoRa-Based Smart Waste Bins Placement using Clustering Method in Rural Areas of Indonesia

អ្នកនិពន្ធ៖ Aa Zezen Zaenal Abidin (Universiti Teknikal Malaysia Melaka / Universitas Mandiri), Mohd Fairuz Iskandar Othman (Universiti Teknikal Malaysia Melaka), Aslinda Hassan (Universiti Teknikal Malaysia Melaka), Yuli Murdianingsih (Universitas Mandiri), Usep Tatang Suryadi (Universitas Mandiri), Muhammad Faizal (Universitas Mandiri)

ឆ្នាំបោះពុម្ព៖ 2022, Int. J. Advance Soft Compu. Appl

វិស័យសិក្សា៖ Internet of Things (IoT) and Waste Management

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ អ្នកស្រុកនៅតំបន់ជនបទមានការយល់ដឹងទាបក្នុងការចោលសំរាម និងជួបប្រទះការខ្វះខាតទីតាំងចោលសំរាមសមស្រប។ ការសិក្សានេះដោះស្រាយបញ្ហានេះដោយស្នើឡើងនូវវិធីសាស្ត្រស្វែងរកទីតាំងដាក់ធុងសំរាមដែលផ្តល់ភាពយុត្តិធម៌ផ្នែកចម្ងាយសម្រាប់គ្រប់គ្រួសារ។

វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះប្រើប្រាស់វិធីសាស្ត្រចង្កោម (Clustering Method) ដោយផ្អែកលើចម្ងាយពីផ្ទះនីមួយៗទៅកាន់ម៉ាស៊ីនមេ IoT ដើម្បីកំណត់ទីតាំងកណ្តាលដ៏ល្អបំផុតសម្រាប់ការដាក់ធុងសំរាមឆ្លាតវៃ។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
IoT-based Clustering Method with LoRa (Proposed)
វិធីសាស្ត្រចង្កោមផ្អែកលើ IoT និងបណ្តាញ LoRa (វិធីសាស្ត្រស្នើឡើង)
ផ្តល់ភាពយុត្តិធម៌ក្នុងការដើរចោលសំរាមសម្រាប់ប្រជាជនគ្រប់រូបដោយស្វែងរកទីតាំងកណ្តាល។ ប្រើប្រាស់ថាមពលតិចតួច និងអាចបញ្ជូនទិន្នន័យបានឆ្ងាយរហូតដល់ ៨ គីឡូម៉ែត្រ។ ទាមទារការប្រមូលទិន្នន័យទីតាំងផ្ទះនីមួយៗជាមុនសិន ដែលអាចចំណាយពេលយូរសម្រាប់ភូមិធំៗ។ តម្រូវឱ្យមានការដំឡើង Gateway និង Node នៅតាមទីតាំងនីមួយៗ។ ទទួលបានសន្ទស្សន៍ Davies-Bouldin (DBI) ដ៏ល្អឥតខ្ចោះក្នុងកម្រិត ០,០៣៣៦ និងកំណត់ទីតាំងធុងសំរាមបានចំកណ្តាលចង្កោមលំនៅដ្ឋាន។
Traditional Placement based on Optimal Routing or Wi-Fi
ការដាក់ទីតាំងតាមបែបប្រពៃណីផ្អែកលើការសន្សំសំចៃផ្លូវ ឬបណ្តាញ Wi-Fi
ងាយស្រួលសម្រាប់ភ្នាក់ងារប្រមូលសំរាមក្នុងការចុះប្រមូល ដោយផ្តោតលើការកាត់បន្ថយចំណាយប្រតិបត្តិការ។ ប្រជាជនមួយចំនួនអាចនៅឆ្ងាយពីធុងសំរាម ដែលធ្វើឱ្យពួកគេមិនចង់ដើរទៅចោល និងងាកទៅចោលសំរាមពាសវាលពាសកាល។ ការប្រើ Wi-Fi មានចម្ងាយខ្លី និងស៊ីថ្មខ្លាំង។ មិនស័ក្តិសមសម្រាប់តំបន់ជនបទដែលខ្វះខាតហេដ្ឋារចនាសម្ព័ន្ធអ៊ីនធឺណិត និងមិនបានដោះស្រាយបញ្ហាគម្លាតចម្ងាយរបស់អ្នកភូមិឡើយ។

ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះទាមទារផ្នែករឹងដែលមានតម្លៃសមរម្យ និងស៊ីភ្លើងតិច រួមទាំងការប្រើប្រាស់កម្មវិធីឥតគិតថ្លៃសម្រាប់ការគណនាទីតាំងភូមិសាស្ត្រ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងភូមិជនបទនៃប្រទេសឥណ្ឌូណេស៊ី (តំបន់ Subang) ដោយពឹងផ្អែកលើការបែងចែករដ្ឋបាលមូលដ្ឋាន (RW និង RT) និងទិន្នន័យទីតាំងភូមិសាស្ត្រជាក់លាក់របស់គ្រួសារនីមួយៗ។ លក្ខខណ្ឌនេះមានភាពពាក់ព័ន្ធខ្លាំងសម្រាប់ប្រទេសកម្ពុជា ដោយសារតំបន់ជនបទ (កម្រិតភូមិ និងឃុំ) នៅកម្ពុជាមានលក្ខណៈភូមិសាស្ត្រ របាយប្រជាជន និងបញ្ហាខ្វះខាតទីលានចាក់សំរាមស្រដៀងគ្នា។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់ក្នុងការយកមកអនុវត្តនៅតាមតំបន់ជនបទ ឬសហគមន៍នៅប្រទេសកម្ពុជា ដើម្បីលើកកម្ពស់ការគ្រប់គ្រងសំណល់រឹង។

ការរួមបញ្ចូលគ្នារវាងបច្ចេកវិទ្យា LoRa និងវិធីសាស្ត្រចង្កោមនេះ នឹងជួយដោះស្រាយបញ្ហាខ្វះហេដ្ឋារចនាសម្ព័ន្ធ និងលើកកម្ពស់បរិស្ថាននៅកម្ពុជាប្រកបដោយប្រសិទ្ធភាពចំណាយខ្ពស់។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. ជំហានទី១៖ សិក្សាអំពីបច្ចេកវិទ្យា IoT សម្រាប់តំបន់ជនបទ: និស្សិតត្រូវសិក្សាអំពីមូលដ្ឋានគ្រឹះនៃមីក្រូកុងត្រូល័រ Arduino និងការប្រើប្រាស់ម៉ូឌុល LoRa E32 ដើម្បីយល់ពីរបៀបបញ្ជូនទិន្នន័យចម្ងាយឆ្ងាយដោយប្រើថាមពលថ្មទាប។
  2. ជំហានទី២៖ ប្រមូលទិន្នន័យទីតាំងភូមិសាស្ត្រជាក់ស្តែង: ជ្រើសរើសភូមិគោលដៅមួយនៅកម្ពុជា រួចប្រើប្រាស់កម្មវិធី Google EarthGPS Coord Camera ដើម្បីចុះកត់ត្រាខ្សែបណ្តោយ (Longitude) និងខ្សែទទឹង (Latitude) នៃខ្នងផ្ទះនីមួយៗ។
  3. ជំហានទី៣៖ អនុវត្តក្បួនដោះស្រាយស្វែងរកទីតាំងកណ្តាល: ប្រើប្រាស់ Python ឬកម្មវិធី Desmos ដើម្បីគណនាចម្ងាយមធ្យមនៃផ្ទះទាំងអស់ក្នុងចង្កោម ហើយវាយតម្លៃភាពត្រឹមត្រូវដោយប្រើរូបមន្ត Davies-Bouldin Index (DBI) ដើម្បីកំណត់ផ្ទះដែលស័ក្តិសមបំផុតសម្រាប់ដាក់ធុងសំរាម។
  4. ជំហានទី៤៖ អភិវឌ្ឍឧបករណ៍ធុងសំរាមឆ្លាតវៃសាកល្បង (Prototype): ដំឡើងឧបករណ៍ចាប់សញ្ញាដូចជា Ultrasonic សម្រាប់វាស់កម្ពស់សំរាម Load Cell សម្រាប់ថ្លឹងទម្ងន់ និង MQ-4 Gas Sensor សម្រាប់វាស់ឧស្ម័ន រួចភ្ជាប់វាទៅកាន់ប្រព័ន្ធ Firebase Database តាមរយៈ LoRa Gateway។
  5. ជំហានទី៥៖ បង្កើតប្រព័ន្ធជូនដំណឹងអន្តរកម្ម: សរសេរកូដដើម្បីភ្ជាប់ទិន្នន័យពី Firebase ទៅកាន់ Telegram Bot API ដើម្បីបញ្ជូនសារជូនដំណឹងដោយស្វ័យប្រវត្តិទៅកាន់អាជ្ញាធរភូមិ ឬភ្នាក់ងារប្រមូលសំរាម នៅពេលធុងសំរាមពេញ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
LoRa Network បណ្ដាញទំនាក់ទំនងឥតខ្សែដែលប្រើប្រាស់ថាមពលតិចតួចបំផុត ប៉ុន្តែអាចបញ្ជូនទិន្នន័យបានចម្ងាយឆ្ងាយ (រហូតដល់ច្រើនគីឡូម៉ែត្រ) ដែលស័ក្តិសមបំផុតសម្រាប់ឧបករណ៍ IoT នៅតំបន់ដាច់ស្រយាលដែលគ្មានសេវាអ៊ីនធឺណិត។ ដូចជាការស្រែកប្រាប់សារឆ្លងកាត់ភ្នំដោយប្រើសំឡេងតិចៗតែអាចឮដល់អ្នកម្ខាងទៀតបានយ៉ាងឆ្ងាយ។
Clustering Method វិធីសាស្ត្រក្នុងការប្រមូលផ្តុំទិន្នន័យ ឬទីតាំងភូមិសាស្ត្រដែលមានលក្ខណៈស្រដៀងគ្នា ឬនៅជិតគ្នាឱ្យទៅជាក្រុមៗ ដើម្បីងាយស្រួលក្នុងការចាត់ចែង និងគ្រប់គ្រង។ ដូចជាការចាត់ថ្នាក់សិស្សទៅតាមភូមិដែលពួកគេរស់នៅ ដើម្បីងាយស្រួលរៀបចំឡានក្រុងទៅទទួលឱ្យបានត្រឹមត្រូវ។
Davies-Bouldin Index (DBI) រូបមន្តគណិតវិទ្យាសម្រាប់វាស់ស្ទង់គុណភាពនៃការបែងចែកចង្កោម (Clustering) ថាតើចង្កោមនីមួយៗនៅដាច់ពីគ្នាបានល្អ និងមានទិន្នន័យប្រមូលផ្តុំជិតគ្នាបានកម្រិតណា (ពិន្ទុកាន់តែទាប ការបែងចែកកាន់តែល្អ)។ ដូចជាពិន្ទុវាយតម្លៃការតម្រៀបផ្លែឈើក្នុងកន្ត្រក ថាតើគេរៀបចំផ្លែឈើប្រភេទដូចគ្នាចូលកន្ត្រកតែមួយបានល្អកម្រិតណា។
Centroid ចំណុចកណ្តាលនៃចង្កោមនីមួយៗ ដែលបានមកពីការគណនាតម្លៃមធ្យមនៃទីតាំងលំនៅដ្ឋានទាំងអស់នៅក្នុងចង្កោមនោះ។ វាត្រូវបានប្រើជាទីតាំងដ៏យុត្តិធម៌បំផុតសម្រាប់ដាក់ធុងសំរាម។ ដូចជាការរកចំណុចកណ្តាលនៃតុអាហារ ដើម្បីដាក់ម្ហូបឱ្យអ្នកគ្រប់គ្នាអាចលូកយកបានក្នុងចម្ងាយស្មើៗគ្នា។
LoRa gateway ឧបករណ៍កណ្តាលដែលដើរតួជាអ្នកទទួលទិន្នន័យពីឧបករណ៍ចាប់សញ្ញាផ្សេងៗ (LoRa Nodes ភ្ជាប់នឹងធុងសំរាម) រួចបញ្ជូនបន្តទៅកាន់ប្រព័ន្ធអ៊ីនធឺណិត ឬម៉ាស៊ីនមេ (Server) លើពពក។ ដូចជាប៉ុស្តិ៍ប្រៃសណីយ៍ប្រចាំភូមិដែលប្រមូលសំបុត្រពីអ្នកភូមិ រួចបញ្ជូនបន្តទៅកាន់ទីក្រុង។
Load cell ឧបករណ៍ចាប់សញ្ញា (Sensor) អេឡិចត្រូនិកសម្រាប់វាស់ទម្ងន់ ឬកម្លាំងសង្កត់ ដែលនៅក្នុងការសិក្សានេះវាត្រូវបានប្រើសម្រាប់ថ្លឹងទម្ងន់ជាក់ស្តែងរបស់សំរាមនៅក្នុងធុង។ ដូចជាជញ្ជីងថ្លឹងទម្ងន់ឌីជីថលដែលអ្នកប្រើនៅផ្ទះបាយដើម្បីថ្លឹងសាច់ ឬបន្លែដែរ។
MQ-4 sensor ឧបករណ៍ចាប់សញ្ញាសម្រាប់វាស់កម្រិតឧស្ម័នមេតាន (Methane) ឬឧស្ម័នធម្មជាតិ ដែលត្រូវបានប្រើប្រាស់ដើម្បីរាវរកឧស្ម័នដែលបញ្ចេញដោយសំណល់សរីរាង្គពេលវាកំពុងរលួយ។ ដូចជាច្រមុះសិប្បនិម្មិតដែលជួយហិតក្លិនស្អុយ ដើម្បីដឹងថាសំរាមក្នុងធុងចាប់ផ្តើមរលួយហើយឬនៅ។
Sum of Square Within-cluster (SSW) ការគណនាផលបូកនៃការ៉េនៃចម្ងាយពីចំណុចនីមួយៗ (ផ្ទះអ្នកភូមិ) ទៅកាន់ចំណុចកណ្តាល (Centroid) ក្នុងចង្កោមតែមួយ ដើម្បីវាស់ស្ទង់ភាពប្រមូលផ្តុំនៃផ្ទះនៅជុំវិញធុងសំរាម។ ដូចជាការវាស់ចម្ងាយមើលថាតើសិស្សម្នាក់ៗក្នុងថ្នាក់រៀនតែមួយ អង្គុយនៅជិតគ្រូកម្រិតណា។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖