BKG

Bhayangkara, Andika (2020) Sistem pendeteksi kualitas tanah tanaman kedelai menggunakan metode K-Nearest Neighbor (KNN) dengan arduino nano. Sarjana thesis, Universitas Brawijaya.

Indonesian Abstract

Kedelai merupakan tanaman komoditas terpenting ketiga dalam pangan dan juga termasuk komoditas palawija yang memiliki protein yang tinggi dalam membantu pemenuhan gizi masyarakat dengan harga yang relatif murah jika dibandingan komditas protein pangan hewani. Kedelai dengan protein yang cukup tinggi harus dapat berproduksi dengan baik agar masyarakat dapat mendapatkan protein yang baik dengan harga yang relatif murah. Dengan adanya target kenaikan produksi yang mampu memenuhi kebuyuhan masyarakat perlu diperhatikannya media penanaman tanaman kedelai agar tumbuh dengan baik. Media tanaman kedelai menggunakan tanah yang memiliki unsur hara yang baik agar dapat tumbuh dengan baik. Maka dengan ini dibutuhkannya sebuah sistem yang mampu mendetaksi kualitas tanah yang akan digunakan sebagai media tanam tanaman kedelai. Penelitian ini akan berfokus pada sistem yang mampu mendeteksi kualitas tanah tanaman kedelai menggunakan metode klasifikasi K-Nearest Neighbor (KNN) dengan memanfaatkan parameter pH tanah dan kelembapan tanah melaui proses yang dibantu dengan board Arduino Nano sebagai pemroses data. Proses klasifikasi akan dilakuan dengan mengumpulkan data latih dari beberapa kualitas tanah, kemudian mendeteksi tanah yang diuji menggunakan sensor pH dan sensor Capacitive Soil Moist, data pH data kelembapan yang didapatkan akan diproses menggunakan metode K-Nearest Neighbor. Hasil dari proses pengklasifikasian akan ditunjukkan melalui LCD dalam bentuk data ph dan kelembapan sekaligus hasil dari kualitas tanah yang dideteksi. Pada proses pengujian sistem menggunakan metode K-Nearest Neighbor dengan K=3 memilki akurasi paling tinggi yaitu sebesar 86,6% dibandingkan dengan K bernilai 5,7, atau 9.

English Abstract

Soybean is a top priority crop in food and also includes a commodity that has a high protein in helping meet the nutritional needs of the community at a relatively cheap price when compared to animal protein commodities. Soybeans with a high enough protein must be able to be produced well so that people can get good protein with relatively cheap prices. With the target of increasing production that is able to meet the needs of the community, it is necessary to consider plant growing media in order to grow well. Soybean media media uses soil that has a good nutrient retreat so that it can grow well. So with this we need a system that is able to detect soil quality that will be used as a planting medium for soybean plants. This study will challenge the system that is able to improve the quality of soybean plants using the K-Nearest Neighbor (KNN) classification method by using soil pH parameters and process moisture through the soil supported by Arduino Nano boards as data processing. The classification process will be carried out by collecting data from several soil qualities, then the conversion of land is approved using a pH sensor and a Capacitive Soil sensor, the pH data of the humidity data obtained will use the K-Nearest Neighbor method. The results of the classification process will be continued through the LCD in the form of ph data and moisture results from the detected soil quality. In the process of testing the system using the K-Nearest Neighbor method with K = 3 has the highest verification that is equal to 86.6% compared to K initiating 5, 7 or 9.

Other Language Abstract

-

Item Type: Thesis (Sarjana)
Identification Number: 0520150053
Uncontrolled Keywords: kedelai, K-Nearest neighbor, sensor pH, Capacitive Soil Moist, soybean, K-Nearest neighbor, pH sensor, Capacitive Soil Moist
Subjects: 000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.31 Machine learning > 006.312 Data mining
Divisions: Fakultas Ilmu Komputer > Teknik Informatika
Depositing User: Budi Wahyono
URI: http://repository.ub.ac.id/id/eprint/183623
Text
Andika Bhayangkara.pdf

Download | Preview

Actions (login required)

View Item View Item