Sistem Rekomendasi Dan Pemantauan Kualitas Air Kolam Bibit Budidaya Ikan Nila Menggunakan Metode Support Vector Machine (SVM)

Khasan, Fathurrahman Hernanda and Dahnial Syauqy, S.T., M.T., M.Sc. and Rakhmadhany Primananda, S.T., M.Kom. (2024) Sistem Rekomendasi Dan Pemantauan Kualitas Air Kolam Bibit Budidaya Ikan Nila Menggunakan Metode Support Vector Machine (SVM). Sarjana thesis, Universitas Brawijaya.

Abstract

Ikan Nila (Oreochromis niloticus) adalah salah satu komoditas perikanan air tawar yang memiliki nilai ekonomis tinggi di Indonesia. Pertumbuhan industri perikanan ikan nila semakin pesat, namun pemelihara perlu memantau dan menjaga kualitas air kolam budidaya ikan nila dengan cermat. Kualitas air yang optimal menjadi kunci bagi pertumbuhan ikan yang sehat dan produktif. Penelitian ini merespon kebutuhan dalam pemantauan kualitas air kolam bibit ikan nila. Berbeda dengan penelitian terdahulu, Penelitian ini berfokus untuk mengembangkan Sistem Rekomendasi dan Pemantauan Kualitas Air Kolam Bibit Budidaya Ikan Nila dengan menerapkan metode Support Vector Machine (SVM). Metode penelitian implementatif pengembangan digunakan untuk mengimplementasikan hasil penelitian sebelumnya ke dalam pengembangan aplikasi praktis. Tahapan penelitian melibatkan studi literatur, rekayasa kebutuhan sistem, perancangan dan implementasi sistem, pengujian, serta analisis hasil. Sistem ini didesain untuk memberikan rekomendasi dan memantau kualitas air kolam bibit ikan nila dengan memanfaatkan sensor suhu DS18B20, PH4502C, dan sensor turbiditas SEN0189. Proses pengujian melibatkan pengujian sensor dan pengujian metode SVM untuk klasifikasi kualitas air. Hasil uji klasifikasi SVM menunjukkan kemampuan sistem dalam mengenali tiga kelas kualitas air yaitu "Bersih", "Perlu Diencerkan", dan "Perlu Dikuras”. Sistem berhasil memberikan rekomendasi yang sesuai dengan kondisi air kolam bibit ikan nila serta mampu memonitor kualitas air yang akurat dengan berhasil memprediksi seluruh 15 data testing secara benar dengan akurasi 100%. Sensor suhu, pH, dan turbiditas juga telah bekerja dengan baik dengan memberikan tingakat akurasi sebesar 99.51% untuk akurasi sensor suhu DS18B20, 98.85% untuk sensor PH4502C dan pembacaan yang adaptif sesuai lingkungannya pada sensor turbiditas SEN0189.

English Abstract

Tilapia (Oreochromis niloticus) is one of the freshwater fish commodities with high economic value in Indonesia. The growth of the tilapia fisheries industry is rapid, but farmers need to carefully monitor and maintain the water quality of the cultivation ponds. Optimal water quality is crucial for the healthy and productive growth of fish. This research responds to the urgent need for monitoring the water quality of tilapia fry ponds. Unlike previous studies, this research focus to develop a Recommendation System and Water Quality Monitoring for Tilapia Fry Cultivation Ponds by applying the Support Vector Machine (SVM) method. The implementative development research method is used to implement previous research findings into practical application. The research stages involve literature review, system requirements engineering, system design and implementation, testing, and result analysis. The system is designed to provide recommendations and monitor the water quality of Tilapia cultivation ponds using DS18B20 temperature sensors, PH4502C sensors, and SEN0189 turbidity sensors. The testing process involves sensor testing and SVM method testing for water quality classification. The SVM classification test results show the system's ability to recognize three water quality classes: "Clean," "Needs Dilution," and "Needs Draining." The system successfully provides recommendations in line with the conditions of Nile tilapia fry pond water and accurately monitors water quality, successfully predicting all 15 testing data correctly with 100% accuracy. The temperature, pH, and turbidity sensors also worked well, providing accuracy rates of 99.51% for the DS18B20 temperature sensor, 98.85% for the PH4502C sensor and adaptive readings according to the environment on the SEN0189 turbidity sensor.

Item Type:	Thesis (Sarjana)
Identification Number:	0524150074
Uncontrolled Keywords:	Sistem Rekomendasi, Pemantauan, Ikan Nila, Budidaya Ikan Nila, Support Vector Machine-Recommendation System, Monitoring, Nile Tilapia, Tilapia Cultivation, Support Vector Machine.
Divisions:	Fakultas Ilmu Komputer > Teknik Komputer
Depositing User:	soegeng sugeng
Date Deposited:	20 Feb 2024 03:59
Last Modified:	20 Feb 2024 03:59
URI:	http://repository.ub.ac.id/id/eprint/215550

Text (DALAM MASA EMBARGO) FATHURRAHMAN HERNANDA KHASAN.pdf Restricted to Registered users only Download (3MB)

Actions (login required)

View Item