PENGARUH KUALITAS AIR DENGAN PARAMETER SUHU, PH, DAN KEKERUHAN TERHADAP PERTUMBUHAN IKAN LELE DI KOLAM BANDUNG TECHNO PARK MENGGUNAKAN METODE MACHINE LEARNING - Dalam bentuk buku karya ilmiah

DEVAN RAMADHANA

Informasi Umum

Kode

25.04.109

Klasifikasi

006.31 - Machine Learning

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine Learning

Dilihat

98 kali

Informasi Lainnya

Abstraksi

Penurunan produksi budidaya ikan lele telah menjadi salah satu isu signifikan yang dihadapi sektor akuakultur, khususnya di Kabupaten Bandung. Salah satu penyebab utama masalah ini adalah kualitas air yang tidak stabil, yang secara langsung memengaruhi tingkat pertumbuhan dan produktivitas ikan. Untuk mengatasi permasalahan ini, penelitian ini mengembangkan sistem prediksi berbasis Internet of Things (IoT) dan machine learning untuk menganalisis pengaruh parameter kualitas air terhadap pertumbuhan ikan lele. Sistem ini dirancang untuk memberikan rekomendasi berbasis data, sehingga mendukung pengelolaan budidaya yang lebih efisien dan efektif. Data kualitas air dikumpulkan menggunakan perangkat IoT yang dilengkapi sensor suhu, kekeruhan, dan pH, yang terhubung dengan modul ESP32 untuk pengiriman data secara real-time ke Firebase. Data set yang digunakan berasal dari pengamatan selama 30 hari dengan interval pengukuran setiap satu menit. Setelah dilakukan data preprocessing untuk menghilangkan anomali dan outlier, data dianalisis menggunakan metode unsupervised clustering. Model yang dipilih adalah KMeans karena menunjukan hasil evaluasi Silhoutte Score (0,670) dan Davies-Bouldin Score (0.407) yang lebih baik dibanding Agglomerative Clustering yang memiliki nilai Shilloutte Score 0.591 dan Davies-Bouldin Score adalah 0.410. Proses clustering menghasilkan tiga kelompok, yaitu paling optimal, optimal, dan cukup optimal, berdasarkan pola distribusi parameter yang diamati. Analisis terhadap pengaruh kualitas air menunjukkan bahwa distribusi cluster 0 dan 2 berada di kolam 1 dan cluster 0,1 dan 2 berada di kolam 2. Distribusi cluster di kolam 1 dianggap lebih baik berdasarkan kondisi ikan lele yang sesuai dengan laju pertumbuhan panjang ikan lele dan juga memiliki pertumbuhan yang lebih baik dibanding kolam 2. Cluster 0 dianggap yang paling optimal karena terdapat banyak tersebar di kolam 1, kemudian cluster 1 dianggap cukup optimal karena tidak tersebar di kolam 1, sedangkan cluster 2 dikatakan optimal karena persebaran datanya ada pada kedua kolam. Penelitian ini memberikan kontribusi signifikan dalam memanfaatkan teknologi IoT dan machine learning untuk mendukung pengelolaan kualitas air yang berbasis data, sehingga dapat meningkatkan produktivitas budidaya ikan lele secara berkelanjutan.