Analisa Prediksi Tegangan Input Sensor Capacitive Soil Moisture dengan Random Forest untuk Mendukung Pertanian Pintar
I will put the dimension here
Abstract
Saat ini, pertanian di Indonesia telah memasuki era Generasi 4.0 dengan fokus utama pada transformasi, pengembangan, dan pemanfaatan teknologi di bidang pertanian. Dengan memanfaatkan kemajuan teknologi, terutama Internet of Things (IoT), robotika, mikrokontroler, dan teknologi lainnya. Sektor pertanian di Indonesia saat ini sedang berada pada transformasi pertanian tradisional menuju pertanian cerdas. Kolaborasi teknologi, khususnya penggunaan sensor untuk mendeteksi kelembapan tanah, menjadi solusi penting dalam mendukung konsep pertanian berkelanjutan. Greenhouse, atau sering disebut sebagai rumah kaca, menjadi infrastruktur khusus untuk pertanian yang mengadopsi teknologi. Greenhouse memerlukan pemantauan variabel tertentu, seperti temperatur, kelembaban udara, dan intensitas cahaya, untuk menjaga kondisi tanaman yang dibudidayakan. Dalam konsep pertanian pintar, greenhouse dapat dilengkapi dengan berbagai teknologi, seperti penggunaan sensor suhu dan kelembapan udara, yang mempermudah petani dalam menjaga kondisi tanaman. Salah satu sensor yang dapat digunakan untuk mendeteksi kelembapan tanah adalah Sensor Capcitive Soil Moisture, dimana pada saat sensor tersebut mendeteksi kurangnya kelembapan pada tanah, maka sensor tersebut akan memberikan sinyal untuk menghidupkan pompa. Sensor ini tentu saja memerlukan input dalam menghidupkan pompa, dimana tegangan tersebut memiliki nilai yang berbeda-beda disetiap aksinya dalam menghidupkan pompa. Oleh karena itu, diperlukannya pendekatan prediksi dan pembuktian dengan bantuan optimalisasi untuk memprediski input sensor agar dapat terus mendukung kelancaran keberlangsungan pertanian pada greenhouse. Dalam memprediksi Tegangan Input Sensor Capcitive Soil Moisture ini menggunakan Random Forest menghasilkan prediksi input sensor kedepannya. Hasil pengujian menggunakan random forest dan linear regression menunjukkan angka akurasi 100% atau 1,00 yang prediksi di tampilkan dengan grafik ROC.
References
[2] Muhammad Ali, Muliadi dkk, "Random Forest Dengan Random Search Terhadap Ketidakseimbangan Kelas Pada Prediksi Gagal Jantung" Jurnal Informatika, Vol.10 No.1 April 2023, Halaman 13-18.
[3] Suci Amaliah, Muhammad Nusrang, Aswi, “Penerapan Metode Random Forest Untuk Klasifikasi Varian Minuman Kopi Di Kedai Kopi Konijiwa Bantaeng
[4] Kumar, dkk "IoT enabled system to monitor and control greenhouse"
[5] G. Singh, dkk “Formulation and validation of a mathematical model of the microclimate of a greenhouse, Renewable Energy”
[6] T. K. Hariadi, "Sistem Pengendali Suhu, Kelembapan dan Cahaya Dalam Rumah Kaca," vol. 10, pp. 82-93, 2007.
[7] Alvita, dkk, “Perbandingan Algoritma Random Forest, Naïve Bayes, Dan Decision Tree Dengan Oversampling Untuk Klasifikasi Bakteri E. Coli” Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA).
[8] Vishnu Suresh, dkk “Forecasting Solar PV Output Using Convolutional Neural Networks with a SlidingWindow Algorithm”.
[9] I Wayan Suartika, dkk “Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) pada Caltech 101”.
[10] Dewi, T., Rusdianasari, R., Kusumanto, R., & Siproni, S. (2022). Pengolahan citra Application on Automatic Fruit Detection for Agriculture Industry.
[11] Indra dkk, “Implementasi Deep Learning Dengan Metode Convolutional Neural Network Untuk Identifikasi Objek Secara Real Time Berbasis Android”.
[12] Risma P., Dewi T., Oktarina Y., and Wijanarko Y., 2019. Neural Network Controller Application on a Visual based Object Tracking and Following Robot.
[13] N. Hadianto, H. B. Novitasari, and A. Rahmawati, “Klasifikasi Peminjaman Nasabah Bank Menggunakan Metode Neural Network,” J. Pilar Nusa Mandiri, vol. 15, no. 2, pp. 163–170, 2019, doi: 10.33480/pilar.v15i2.658.
[14] R. Supriyadi, W. Gata, N. Maulidah, and A. Fauzi, “Penerapan Algoritma Random Forest Untuk Menentukan Kualitas Anggur Merah,” E-Bisnis J. Ilm. Ekon. dan Bisnis, vol. 13, no. 2, pp. 67–75, 2020, doi: 10.51903/e-bisnis.v13i2.247.
[15] S. Levantesi and G. Piscopo, “The importance of economic variables on London real estate market: A random forest approach,” Risks, vol. 8, no. 4, pp. 1–17, 2020, doi: 10.3390/risks8040112
[16] Larasati N., Dewi T., and Oktarina Y., 2017. Object Following Design for a Mobile Robot using Neural Network.
[17] Lindawati, Andi Ramadhan, “Random Forest, Adaptive Boosting, and Multi-Layer Perceptron for Android Malware”
[18] Dewi T., Risma P., Oktarina Y., and Roseno M.T., 2017. Neural Network Design for a Mobile Robot Navigation a Case Study.
[19] Farooq U., Amar M., Asad M.U., Hanif A., and Saleh S.O., 2014. “Design and Implementation of Neural Network of Based Controller for Mobile Robot Navigation in Unknown Environment”
[20] Perri, M. Simonetti, and O. Gervasi, “Synthetic data generation to speed-up the object recognition pipeline,”
[21] Yudha H. M., Dewi T., Hasana N., Risma P., Oktarina, Y. Kartini S., 2019, Performance Comparison of Fuzzy Logic and Neural Network Design for Mobile Robot Navigation
[22] Vasilev, Ivan. 2019. Python Deep Learning: Exploring Deep Learning Techniques and Neural Network Architectures with PyTorch, Keras, and TensorFlow.
[23] E. Wijaya, W. Swastika, and O. H. Kelana, “Implementasi Transfer Learning Pada Convolutional Neural Network Untuk Diagnosis Covid-19 Dan Pneumonia Pada Citra XRay,”
Copyright (c) 2024 Elsa Nurul Mardiyati, Tresna Dewi, Yurni Oktarina
This work is licensed under a Creative Commons Attribution 4.0 International License.
