SISTEM KENDALI KADAR AIR TANAH UNTUK TANAMAN TOMAT CERI MENGGUNAKAN MIKROKONTROLER ESP32 DENGAN DEEP NEURAL NETWORK

Naufal Al-Hakim, - (2022) SISTEM KENDALI KADAR AIR TANAH UNTUK TANAMAN TOMAT CERI MENGGUNAKAN MIKROKONTROLER ESP32 DENGAN DEEP NEURAL NETWORK. S1 thesis, Universitas Pendidikan Indonesia.

Preview	Text S_FIS_1704582_Title.pdf Download (460kB) | Preview
Preview	Text S_FIS_1704582_Chapter1.pdf Download (259kB) | Preview
	Text S_FIS_1704582_Chapter2.pdf Restricted to Staf Perpustakaan Download (881kB)
Preview	Text S_FIS_1704582_Chapter3.pdf Download (1MB) | Preview
	Text S_FIS_1704582_Chapter4.pdf Restricted to Staf Perpustakaan Download (3MB)
Preview	Text S_FIS_1704582_Chapter5.pdf Download (244kB) | Preview
	Text S_FIS_1704582_Appendix.pdf Restricted to Staf Perpustakaan Download (3MB)

Abstract

Kadar air tanah merupakan parameter penting yang dalam pertumbuhan tanaman, khususnya tanaman tomat ceri untuk tumbuh dan hasil panen dari tanaman tomat ceri. Tetapi sistem pengairan tumbuhan khususnya tomat ceri di Indonesia masih banyak pengairan secara manual menjadikan salah satu alasan tidak terukurnya parameter pada pertumbuhan tomat ceri serta kurang efisien dalam perawaatan tomat ceri. Pengembangan sistem kendali menggunakan sensor serta alat elektronik untuk mengetahui parameter untuk pertumbuhan tanaman tomat ceri secara otomatis dan efisien sehingga dapat dikendalikan di mana saja dan kapan saja pemillik berada. Perancangan dan implementasi dari sistem kendali kadar air dalam tanah tumbuhan tomat ceri menggunakan sensor DHT-22 dan sensor kadar air dalam tanah berbasis kapasitif serta aktuator menggunakan stepper motor sebagai pengendali kadar air dalam tanah. Sensor dan aktuator terhubung dengan mikrokontroler ESP32 untuk mendapatkan parameter kendali, memproses dan mengirimkan nilai parameter menuju jaringan internet dengan protokol HTTP. Pembacaan parameter dan sistem kendali dapat diakses di mana saja secara realtime. Dari data selama 27 hari dapat mengimplementasikan algoritma Deep Neural Network untuk memberikan otomatisasi dengan klasifikasi biner mendapatkan tingkat keakurasian tertinggi sebesar 96,85% dibandingkan dengan algoritma k-Nearest Neighbor, Random Forest, dan Decision Tree serta pertumbuhan dengan implementasi sistem kendali memiliki pertumbuhan tomat ceri tertinggi dibandingkan tumbuhan tomat ceri lainnya sebesar 18,5 cm.

Item Type:	Thesis (S1)
Uncontrolled Keywords:	Sistem Kendali, Deep Neural Network, Binary Classification, HTTP, Tomat Ceri.
Subjects:	L Education > L Education (General) Q Science > QC Physics
Divisions:	Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Jurusan Pendidikan Fisika > Program Studi Fisika (non kependidikan)
Depositing User:	Naufal Al-Hakim
Date Deposited:	05 Sep 2022 06:49
Last Modified:	05 Sep 2022 06:49
URI:	http://repository.upi.edu/id/eprint/77359

Actions (login required)

View Item