RANCANG BANGUN SISTEM PELEMPAR PAKAN OTOMATIS BERDASARKAN KOORDINAT POSISI PADA PELONTAR AUTOFEEDER BERBASIS IOT MENGGUNAKAN METODE NEURAL NETWORK

Aziz, Muhammad Hizbul (2023) RANCANG BANGUN SISTEM PELEMPAR PAKAN OTOMATIS BERDASARKAN KOORDINAT POSISI PADA PELONTAR AUTOFEEDER BERBASIS IOT MENGGUNAKAN METODE NEURAL NETWORK. Diploma thesis, Politeknik Perkapalan Negeri Surabaya.

Text 0919040012 - Muhammad Hizbul Aziz - Rancang Bangun Sistem Pelempar Pakan Otomatis Berdasarkan Koordinat Posisi pada Pelontar i Autofeeder _i Berbasis IoT Menggunakan Metode i Neural Network _i .pdf Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Udang vaname (Litopaneus Vannamei) diperkenalkan dan dibudidayakan di Indonesia pada awal tahun 2000-an dengan menunjukkan hasil yang baik. Produksi udang vaname beberapa tahun terakhir ini cenderung meningkat, demikian pula dengan volume ekspor udang yang didominasi udang vaname yang telah mencapai 190.000 ton dengan nilai 1,42 Milyar dolar pada tahun 2017. Hal ini merupakan kondisi yang positif untuk ikut serta dalam mewujudkan target peningkatan ekspor hingga 250% pada 2024 sesuai target peningkatan produksi lima tahun ke depan (2019-2024) oleh Kementrian Kelautan dan Perikanan Oleh karena itu penulis merancang sebuah sistem pelontar autofeeder berbasis Internet of Things (IoT) yang dapat diatur posisi koordinat pakan yang akan dilontarkan menggunakan metode Neural Network (NN) dan dapat dikendalikan dari jarak jauh menggunakan aplikasi android. Tujuan dari peneltian yaitu perancangan sistem pada sebuah alat pelontar autofeeder yang dapat memberikan pakan dengan merata dan tepat sasaran secara otomatis. Alat pelempar autofeeder ini dapat melemparkan dengan jarak rata-rata 1,96-10,61 meter dengan pengaturan tekanan 2.2-8 bar. Sistem ini menggunakan input berupa koordinat x dan y yang kemudian diolah menggunakan metode NN berupa keputusan output jarak dan sudut pelemparan. Rancangan arsitektur menggunakan 2-12-2. Hasil training menunjukkan Mean Square Error (MSE) sebesar 9,9585E-8, pada saat testing, MSE yang didapatkan sebesar 1,4344E-7. Secara keseluruhan, implementasi neural network ini berhasil karena mampu mencapai MSE yang rendah baik pada data training maupun testing. Pada pengujian koordinat di objek penelitian dilakukan dengan 30 kali percobaan pada titik koodinat yang berbeda yaitu 12 kali pelemparan tanpa sudut dengan error parameter jarak sebesar 2,28%. Lalu dilakukan 9 kali percobaan di sisi kiri atau Y<0 dengan error sebesar 5,14% pada pengukuran jarak dan 11,41% pada pengukuran sudut. Dan dilakukan 9 kali percobaan di sisi kanan atau Y>0 dengan error sebesar 4,37% pada pengukuran jarak dan 17,01% pada pengukuran sudut.

Actions (login required)

View Item