Perubahan cuaca secara ekstrim dapat menyebabkan stress pada ayam, jika kondisi stress ini dibiarkan, ternak dapat mengalami kematian. Untuk itu dibutuhkan suatu teknologi yang dapat mengendalikan suhu, dan kelembaban pada kandang ayam secara otomatis. Dalam perkembangan teknologi sudah dikenal istilah smart poultry farm dimana sistem ini dapat mengendalikan banyak hal dalam peternakan. Namun pada penerapannya konsep ini masih menggunakan metode yang cukup konvensional.
Dalam hal ini penulis membuat sebuah sistem pengendali suhu dan kelembaban kandang ayam menggunakan metode KNN. Suhu pada kandang ayam akan di jaga diantara 18°C sampai dengan 40°C tergantung dari umur ayam tersebut. Sedangkan kelembaban kandang ayam, akan dijaga pada kelembaban 80%. Variasi nilai K yang digunakan pada penelitian kali ini 3, 5, 7, dan 9 sedangkan nilai iterasi yang digunakan 10, 100, 1000, dan 10.000 untuk jumlah tipe output kecepatan kipas juga dibuat bervariasi mulai dari 2 tipe output, 4 tipe output, 7 tipe output dan 14 tipe output. Hasil yang didapatkan dari penelitian ini menghasilkan tingkat akurasi yang cukup tinggi yaitu 97.38%. Nilai ini didapatkan pada pengujian kecepatan kipas dengan 2 tipe output, menggunakan nilai K yaitu 3 dan jumlah iterasi yang digunakan 10.
Kata Kunci: Smart Poultry Farm, KNN, Machine Learning
Extreme weather changes can cause stress to chickens, if these stress are left unchecked, livestock can die. For that we need a technology that can control the temperature and humidity in the chicken coop automatically.is known smart poultry farm where this system can control many things in the farm. However, in its application this concept still uses a fairly conventional method.
In this case the author makes a temperature and humidity control system for chicken coops using the KNN method. The temperature in the chicken coop will be maintained between 18 ° C to 40 ° C depending on the age of the chicken. While the humidity of the chicken coop, will be maintained at 80% humidity. The variations in the K value used in this study are 3, 5, 7, and 9 while the iteration values ??used are 10, 100, 1000, and 10,000 for the number of types of fan speed outputs, starting from 2 types of output, 4 types of output, 7 output type and 14 output types. The results obtained from this study resulted in a fairly high level of accuracy, namely 97.38%. This value is obtained in testing the fan speed with 2 types of output, using a K value of 3 and the number of iterations used is 10.
Keywords: Smart Poultry Farm, KNN, Machine Learning