PREDIKSI KEBUTUHAN AIR MENGGUNAKAN MODEL LSTM DENGAN PEMBANDING MODEL GRU UNTUK SISTEM SMART FARMING BERBASIS IOT DI KABUPATEN BANYUASIN

Febrian, Muhammad Rifqi (2025) PREDIKSI KEBUTUHAN AIR MENGGUNAKAN MODEL LSTM DENGAN PEMBANDING MODEL GRU UNTUK SISTEM SMART FARMING BERBASIS IOT DI KABUPATEN BANYUASIN. Diploma thesis, Politeknik Negeri Sriwijaya.

	Text (Cover) COVER.pdf - Published Version Download (653kB)
Preview	Text (Abstrak) Abstrak.pdf - Published Version Download (240kB) | Preview
	Text (Bab 1) BAB I.pdf - Published Version Restricted to Repository staff only Download (254kB)
	Text (Bab II) BAB II.pdf - Published Version Restricted to Repository staff only Download (546kB)
	Text (Bab III) BAB III.pdf - Published Version Restricted to Repository staff only Download (813kB)
	Text (Bab IV) BAB IV.pdf - Published Version Restricted to Repository staff only Download (2MB)
	Text (Bab V) BAB V.pdf Restricted to Repository staff only Download (142kB)
	Text (Daftar Pustaka) DAFTAR PUSTAKA.pdf Restricted to Repository staff only Download (178kB)
	Text (Lampiran) LAMPIRAN.pdf Restricted to Repository staff only Download (2MB)

Abstract

Pertanian modern menuntut sistem irigasi yang presisi dan efisien untuk meningkatkan produktivitas sekaligus menghemat sumber daya air. Penelitian ini mengusulkan sistem prediksi kebutuhan air tanaman cabai berbasis Internet of Things (IoT) menggunakan model Long Short-Term Memory (LSTM) dengan pembanding Gated Recurrent Unit (GRU). Data dikumpulkan secara real-time dari lahan cabai di Kabupaten Banyuasin menggunakan sensor suhu udara, kelembaban udara, kelembaban tanah, dan curah hujan yang terintegrasi dengan mikrokontroler ESP32, Node-RED, dan protokol MQTT. Dataset lebih dari 10.700 entri diproses melalui pembersihan, normalisasi dengan MinMaxScaler, dan pembentukan urutan data menggunakan metode sliding window (7 timestep). Model LSTM dan GRU dilatih dengan batch size 16, epoch 100, dan variasi learning rate (0,00060–0,00080). Evaluasi menggunakan MAE, RMSE, MSE, dan SMAPE. Hasil menunjukkan LSTM dengan learning rate 0,00075 memiliki performa terbaik (MAE 0,58%; RMSE 1,09%; SMAPE 1,00%) dan prediksi konsisten pada tiga skenario lingkungan: lembab (93,67 mL), normal (167,47 mL), dan panas (309,57 mL). GRU juga menunjukkan hasil baik dengan efisiensi komputasi, cocok untuk edge computing.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Smart Farming, Internet of Things, Long Short-Term Memory, Gated Recurrent Unit
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Electronic Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	15 Aug 2025 02:22
Last Modified:	15 Aug 2025 02:22
URI:	http://eprints.polsri.ac.id/id/eprint/18306

Actions (login required)

View Item