Perpustakaan Digital ITB

Sistem akuaponik menggabungkan budidaya akuakultur dan hidroponik. Kualitas air perlu diperhatikan untuk mendapatkan keberhasilan dalam budidaya. Dua faktor yang paling penting dalam kualitas air adalah suhu dan oksigen terlarut. Oksigen terlarut adalah jumlah oksigen dalam air yang berasal dari proses fotosintesis dan difusi udara. Secara umum, kadar oksigen terlarut yang baik untuk mendukung metabolisme yang tepat,pertumbuhan dan reproduksi bagi ikan adalah lebih dari 5 mg/L. Metode machine learning banyak di terapkan dalam memprediksi kualitas air. Penelitian ini bertujuan untuk mendapatkan model prediktif jumlah kadar oksigen terlarut pada budidaya perikanan sistem akuaponik. Hal ini diharapkan memudahkan manusia agar memilih langkah strategi dan tindakan preventif jika terjadi anomali demi menjaga prinsip keberlanjutan pada budidaya akuaponik. Pembelajaran mesin (Machine Learning) adalah teknik untuk melakukan inferensi terhadap data dengan pendekatan matematis . Metode machine learning yang diterapkan dalam penelitian ini adalah Random Forest dan XGBoost. Random Forest merupakan algoritma supervised learning yang terdiri dari sejumlah besar tree yang beroperasi sebagai ansambel. XGBoost merupakan metode ensemble yang didasarkan pada gradient boosting tree. Data yang di gunakan merupakan data sekunder yang diakses melalui website kagle, data diambil dengan menerapkan perangkat internet of thing (IoT) dan lokasinya berada di universitas Nigeria . Data yang di pakai berupa tiga dataset yaitu kolam a, kolam b, dan kolam c dengan parameter yang dipakai adalah Suhu (Temperature), Kekeruhan (Turbidity),Oksigen terlarut (Dissolved Oxygen), pH, Amonia(Ammonia), dan Nitrat ( Nitrate). Rata- rata kandungan oksigen terlarut pada kolam a adalah 6 mg/L, pada kolam b adalah 4 mg/L, dan pada kolam c adalah 12 mg/L. Sehingga hal ini tidak berbahaya bagi ikan. Hasil yang di dapat berupa model hasil prediksi vs data sebenarnya. Dari penelitian yang sudah dilakukan, di dapatkan model random forest yang memiliki nilai R2 sekitar 0,7 namun nilai RMSE diatas 1. Sedangkan, model XGBoost yang di dapatkan memiliki nilai R2 mencapai 0,99 dan nilai RMSE mendekati 0. Hal ini berarti bahwa nilai prediksi yang di dapatkan pada model Random Forest memiliki kesalahan yang cukup besar.