SISTEM PERINGATAN DINI RISIKO KUALITAS AIR TAMBAK UDANG VANAME BERDASARKAN DISSOLVED OXYGEN MENGGUNAKAN RANDOM FOREST

Khairi, Ajiib Dzaki Al (2026) SISTEM PERINGATAN DINI RISIKO KUALITAS AIR TAMBAK UDANG VANAME BERDASARKAN DISSOLVED OXYGEN MENGGUNAKAN RANDOM FOREST. Diploma thesis, Politeknik Perkapalan Negeri Surabaya.

Text 0922040003 - Ajiib Dzaki Al Khairi - Sistem Peringatan Dini Risiko Kualitas Air Tambak Udang Vaname Berdasarkan _i_Dissolved Oxygen__i_ Menggunakan Random Forest..pdf Download (3MB)

Abstract

Budidaya udang vaname merupakan sektor perikanan strategis yang berkontribusi besar terhadap perekonomian dan ekspor di Indonesia. Udang tercatat sebagai komoditas penyumbang ekspor perikanan terbesar, dengan kontribusi mencapai 34,5% dari total ekspor perikanan nasional. Data Badan Pusat Statistik (BPS) menunjukkan bahwa nilai ekspor udang Indonesia tumbuh rata-rata sebesar 4,61% per tahun selama periode 2017–2022. Namun, sebagian besar tambak masih dikelola secara tradisional sehingga hasil produksi sulit diprediksi dan rentan mengalami kegagalan akibat perubahan kualitas air. Parameter kualitas air seperti suhu, pH, Total Dissolved Solids (TDS), dan terutama Dissolved Oxygen (DO) memiliki peran penting dalam menentukan keberhasilan budidaya. Meskipun data kualitas air dapat diperoleh melalui teknologi Internet of Things (IoT), pemanfaatannya sering kali belum optimal sehingga informasi kondisi tambak tidak tersaji secara komprehensif. Sistem ini dikembangkan untuk mengklasifikasikan kualitas air ke dalam tingkat risiko tertentu berdasarkan nilai Dissolved Oxygen (DO) virtual, sedangkan parameter suhu dan pH digunakan sebagai fitur masukan pada model Random Forest. Pengujian menunjukkan model Random Forest memperoleh nilai akurasi sebesar 97,42% dengan nilai macro average precision sebesar 96,72%, recall 96,41%, dan F1-score 96,55%. Model diimplementasikan pada sistem backend untuk klasifikasi otomatis, dashboard website, dan notifikasi Telegram, namun masih memerlukan penyempurnaan untuk meningkatkan kemampuan generalisasi pada data baru

Actions (login required)

View Item