Pengembangan Sensor Pengukuran pH Virtual untuk Sistem Hidroponik Biaya Rendah Berbasis IoT dengan KNN dan
Abstrak
Apa permasalahan pada topik. Sistem hidroponik cerdas yang menggabungkan IoT dan machine learning, dapat menjadi solusi ranah pertanian. Mengapa topik menarik atau penting. Penggunaan sensor pH fisik yang tergolong mahal, dan solusi berbiaya rendah dapat diusulkan dengan menggunakan sensor virtual. Bagaimana solusinya. Penelitian ini mengusulkan sensor virtual pH pada IoT Hidroponik dengan memanfaatkan data sekunder dari Kaggle. Kami menggunakan algoritma regresi decision tree, Extreme Gradient Boosting (XGBoost), dan K-Nearest Neighbors (KNN) untuk prediksi dengan menggunakan data dari meter TDS dan sensor temperatur sebagai fitur input. Beberapa metrik pengujian yang digunakan adalah Root Mean Squared error (RMSE), Mean Absolute Error (MAE), dan R² score. Metode Moving Average digunakan untuk meningkatkan kinerja model dan validasi data menggunakan matriks Pearson Correlation Coefficient (PCC). Hasil utama. Hasil pengujian menunjukan bahwa Moving Average dengan jendela 181 mengurangi RMSE model KNN dari 0.98 menjadi 0.37. Hasil pengukuran menunjukan bahwa KNN mencapai R² score yang lebih optimal (0.91), dibandingkan dengan decision tree (0.90) dan XGBoost (0.57). Sensor pH virtual dengan KNN adalah yang paling valid karena nilai korelasi pH dengan TDS dan temperatur air masing-masing yaitu -0.34 hingga -0.35 dan -0.44 hingga -0.31, dibandingkan dengan dataset sekunder. Sensor virtual ini dapat menjadi solusi biaya rendah dalam hidroponik IoT karena dapat mengurangi biaya produk dari 400 USD menjadi 10 USD. Kata kunci: sensor virtual, sensor pH, biaya rendah
Unduhan
Referensi
[1] Researcher Jizzakh State Pedagogical Institute Jizzakh, Uzbekistan, B. Y. Zikirov, I. Y. Zikirov, and Researcher Gulistan State University Gulistan, Uzbekistan, “WATER AS AN IMPORTANT NATURAL RESOURCE AND ECOLOGICAL FACTOR,” jgnr, vol. 02, no. 01, pp. 10–16, Feb. 2022, doi: 10.37547/supsci-jgnr-02-01-02.
[2] Mustaq Shaikh and Farjana Birajdar, “GROUNDWATER AND ECOSYSTEMS: UNDERSTANDING THE CRITICAL INTERPLAY FOR SUSTAINABILITY AND CONSERVATION,” EPRA, pp. 181–186, Mar. 2024, doi: 10.36713/epra16111.
[3] T. M. T. - and V. K. P. -, “A Review on Physico-chemical Parameters of the Quality of Water,” IJFMR, vol. 5, no. 1, p. 1717, Feb. 2023, doi: 10.36948/ijfmr.2023.v05i01.1717.
[4] V. Lakshmikantha, A. Hiriyannagowda, A. Manjunath, A. Patted, J. Basavaiah, and A. A. Anthony, “IoT based smart water quality monitoring system,” Global Transitions Proceedings, vol. 2, no. 2, pp. 181–186, Nov. 2021, doi: 10.1016/j.gltp.2021.08.062.
[5] Md. A. A. M. Hridoy, C. Bordin, A. Masood, and K. Masood, “Predictive modelling of aquaculture water quality using IoT and advanced machine learning algorithms,” Results in Chemistry, vol. 16, p. 102456, Jul. 2025, doi: 10.1016/j.rechem.2025.102456.
[6] M. Vermanen, J. Naskali, V. Harkke, and J. Koskinen, “PAPA for IoT - Role of Data Accuracy in IoT Deployment and Data-centric Decision-Making,” in 2023 46th MIPRO ICT and Electronics Convention (MIPRO), Opatija, Croatia: IEEE, May 2023, pp. 500–505. doi: 10.23919/MIPRO57284.2023.10159749.
[7] Aleefia .A. Khurshid, “IoT-Enabled Embedded Virtual Sensor for Energy-Efficient Scalable Online Water Quality Monitoring System,” jes, vol. 20, no. 2, pp. 2458–2466, Apr. 2024, doi: 10.52783/jes.2019.
[8] A. Juna et al., “Water Quality Prediction Using KNN Imputer and Multilayer Perceptron,” Water, vol. 14, no. 17, p. 2592, Aug. 2022, doi: 10.3390/w14172592.
[9] J. Wekalao, A. Baz, and S. K. Patel, “Design and analysis of high-sensitivity hormone sensor with KNN behavior prediction for healthcare and biomedical applications,” Measurement, vol. 242, p. 116172, Jan. 2025, doi: 10.1016/j.measurement.2024.116172.
[10] S. Dinesh, N. R. R, S. P. Anusha, and S. R, “Prediction of Trends in Stock Market using Moving Averages and Machine Learning,” in 2021 6th International Conference for Convergence in Technology (I2CT), Maharashtra, India: IEEE, Apr. 2021, pp. 1–5. doi: 10.1109/I2CT51068.2021.9418097.
[11] G. N. Vande Kamp and S. Jordan, “The Necessity of Moving Averages in Dynamic Linear Regression Models,” American J Political Sci, vol. 69, no. 1, pp. 176–193, Jan. 2025, doi: 10.1111/ajps.12825.
[12] N. Jävergård, R. Lyons, A. Muntean, and J. Forsman, “Tunable correlation retention: A statistical method for generating synthetic data,” 2024, arXiv. doi: 10.48550/ARXIV.2403.01471.
[13] M. Endres, A. Mannarapotta Venugopal, and T. S. Tran, “Synthetic Data Generation: A Comparative Study,” in Proceedings of the 26th International Database Engineered Applications Symposium, Budapest Hungary: ACM, Aug. 2022, pp. 94–102. doi: 10.1145/3548785.3548793.
[14] P. Nando, A. G. Putrada, and M. Abdurohman, “Increasing The Precision Of Noise Source Detection System using KNN Method,” KINETIK, pp. 157–168, May 2019, doi: 10.22219/kinetik.v4i2.757.
Unduhan
Diterbitkan
Versi
- 2026-08-01 (2)
- 2026-08-01 (1)
