Text

PENDEKATAN BARU PENENTUAN LOKASI KERAMBA JARING APUNG MENGGUNAKAN INTERNET OF THINGS DAN PEMBELAJARAN MESIN

---

Indonesia merupakan negara yang memiliki perairan diatas 50% dan penduduknya banyak yang menggantungkan hidup sebagai nelayan. Perkembangan teknologi yang pesat salah satunya Internet of Things (IoT) dan pembelajaran mesin memberikan pengaruh pengembangan dalam membantu memberikan keputusan. Dari beberapa penelitian terdahulu diperoleh beberapa isu yaitu: (i) Kualitas air, (ii) Hasil produksi, (iii) Penyakit, (iv) Wilayah perairan, (v) perawatan dan pengawasan. Penelitian ini menetapkan bagaimana menentukan suatu lokasi dapat dikatakan baik untuk penempatan suatu keramba jaring apung (KJA) dengan memperhatikan (i) bagaimana mengumpulkan informasi untuk identifikasi sebuah lokasi untuk keramba jaring apung, (ii) bagaimana memprediksi lokasi terbaik untuk sebuah keramba jaring apung, (iii) bagaimana membuat sebuah pendekatan yang mampu memberikan keputusan untuk menempatkan KJA pada lokasi terbaik, berdasar data lapangan yang digunakan sebagai data set untuk pembelajaran mesin yang akan ditanamkan dalam sebuah perangkat IoT. Berdasarkan hasil studi lapangan yang dilakukan, data yang digunakan sebanyak 28118 baris dengan 3 fitur yang digunakan yaitu DO, pH dan Suhu dan 1 label yang digunakan yaitu baik dan tidak baik, dataset di buka untuk digunakan umum pada tautan https://doi.org/10.5281/zenodo.15600661. Algoritma yang digunakan dalam penelitian ini yaitu SVM, KNN, Naive Bayes, AdaBoost dan Random Forest. Hasil Evaluasi yang diperoleh yaitu Precision, F1-Score, Accuracy dan AUC SVM (0.99, 0.9795, 0.9884, 0.9997), KNN (1.0, 0.99926, 0.8859, 0.9989), Naive Bayes (0.96, 0.9183, 0.9553, 0.9889), AdaBoost (1.0, 0.9987, 0.9992, 1.0), Random Forest (1.0, 0.99993, 0.9996, 1.0). Evaluasi lain yang vii dilakukan yaitu terhadap evaluasi kesalahan (Error) yang dihasilkan dari model. Nilai yang diperoleh yaitu MSE, RMSE dan R2. SVM (0.0077, 0.0877, 0.9618), KNN (0.0033, 0.0575, 0.9835), Naive Bayes (0.0341, 0.1847, 0.8304), AdaBoost (0.1259, 0.3549, 0.3739), Random Forest (0.0004, 0.00196, 0.9981). Selanjutnya model terbaik yang dihasilkan diintegrasi ke dalam mesin tertanam menggunakan ESP32 dengan memanfaatkan kode micromlgen. Hal ini dilakukan agar node sensor memiliki kemampuan untuk melakukan klasifikasi terhadap kondisi kualitas air untuk rekomendasai penempatan keramba jaring apung. Secara keseluruhan disertasi ini telah menyajikan dataset primer, pemilihan model terbaik untuk ditanamkan ke dalam mesin tertanam dengan basis pembelajaran mesin untuk memberikan rekomendasi penempatan keramba jaring apung berdasarkan lokasi terbaik

---

Availability

Detail Information

Series Title

-

Call Number

T1893922025

Publisher

Palembang : Prodi Doktor Ilmu Teknik, Fakultas Teknik Universitas Sriwijaya., 2025

Collation

xix, 162 hlm.; ilus.; tab, 29 cm

Language

Indonesia

ISBN/ISSN

-

Classification

639.407

Content Type

Text

Media Type

-

Carrier Type

-

Edition

-

Subject(s)

Prodi Doktor Ilmu Teknik
Budidaya Ikan Keramba

Specific Detail Info

-

Statement of Responsibility

MI

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment