RANCANG BANGUN ALAT PELONTAR PAKAN OTOMATIS BERDASARKAN KOORDINAT POSISI LONTARAN DENGAN METODE EXTREME LEARNING MACHINE BERBASIS IOT DI TAMBAK UDANG VANAME DI MODUNG BANGKALAN

Fauzi, M. Fahmi (2023) RANCANG BANGUN ALAT PELONTAR PAKAN OTOMATIS BERDASARKAN KOORDINAT POSISI LONTARAN DENGAN METODE EXTREME LEARNING MACHINE BERBASIS IOT DI TAMBAK UDANG VANAME DI MODUNG BANGKALAN. Diploma thesis, Politeknik Perkapalan Negeri Surabaya.

Text 0919040029 - M. Fahmi Fauzi - Rancang Bangun Alat Pelontar Pakan Otomatis Berdasarkan Koordinat Posisi Lontaran dengan Metode i Extreme Learning Machine _i Berbasis IoT di Tambak Udang Vaname di Modung Bangkalan.pdf Restricted to Repository staff only Download (8MB) | Request a copy

Abstract

Udang vaname (Litopenaeus vannamei) merupakan salah satu udang yang memiliki nilai ekonomis dan merupakan salah satu spesies alternatif yang dapat dibudidayakan di Indonesia. Fenomena degradasi kualitas lingkungan dan penurunan daya dukung lingkungan sebagai akibat dari pengelolaan budidaya yang tidak terkendali menjadi faktor utama penyebab permasalahan dalam budidaya udang saat ini. Oleh karena itu, perlu adanya peningkatan penerapan teknologi yang inovatif, aplikatif dan efektif agar dapat meningkatkan produktivitas tambak. Pakan otomatis, menggunakan listrik dan dapat diatur saat mengeluarkan pakan. Pelontar pakan otomatis ini untuk memberikan kemudahan kepada petani tambak dalam memberikan pakan udang secara efisien, cepat dan terukur. Penelitian ini merancang sistem pemberi pakan otomatis berbasis Internet of Things (IoT) yang dapat diatur posisi koordinat pakan yang akan dikeluarkan dengan menggunakan metode Extreme Learning Machine dan dapat dikontrol dari jarak jauh dengan menggunakan website. Tujuan dari penelitian ini adalah merancang alat pelontar pakan otomatis untuk pakan yang merata. Jarak pengeluaran pakan bervariasi dari rata-rata 1,96-10,61 meter dengan tekanan 2,2-8 bar. Sistem Pelontran menggunakan input koordinat x dan y yang diolah dengan metode Extreme Learning Machine dengan output berupa sudut dan tekanan. Desain arsitektur Extreme Learning Machine menggunakan 30 neuron. Hasil pengujian dan investigasi menunjukkan Root Mean Square Error (RMSE) sebesar 0.2784. Pengujian koordinat dilakukan hingga 30 kali pengujian pada titik koordinat yang berbeda dan kemudian didapatkan selisih rata-rata kesalahan dengan jarak prediksi sebesar 0,58 meter.

Actions (login required)

View Item