ISSN 2654-5926
Buletin Profesi Insinyur 7.
013Ae022 http://dx.
org/10.
20527/bpi.
Perancangan Sistem Monitoring Budidaya Ikan Patin Berbasis Protokol Lora Menggunakan Metode Fuzzy Logic Andry Fajar Zulkarnain1 Arief Trisno Eko Suryo2 Mahrudin3 1 Program Studi Rekayasa Elektro.
Universitas Lambung Mangkurat 2 Program Studi Rekayasa Elektro.
Universitas Lambung Mangkurat 3 Program Studi Teknologi Informasi.
Universitas Lambung Mangkurat andry.
zulkarnain@ulm.
Kualitas air yang buruk menyebabkan ikan lebih mudah terserang penyakit bahkan kematian pada Pemantauan secara langsung dinilai tidak efektif karena kondisi fisik air yang dapat berubah dalam waktu yang cukup cepat yang disebabkan oleh kondisi cuaca ataupun sisa makanan serta faktor lainnya yang dapat mempengaruhi kualitas air kolam.
Untuk pembudidaya perlu menggunakan suatu teknologi yang dapat memantau kualitas air kolam agar kondisi air dapat diamati dengan cepat sehingga pembudidaya segera melakukan penanganan pada kolam.
Adapun komponen yang digunakan yaitu ESP32 WROOM-32D sebagai mikrokontroler, sensor DS18B20 sebagai sensor untuk mengukur suhu, sensor pH SS15 sebagai sensor untuk mengukur derajat keasaman .
H), dan sensor MQ-135 sebagai sensor untuk mengukur Hasil dari pengujian performa dari sensor yang digunakan untuk mengetahui persentase error dari setiap sensor didapatkan hasil error sebesar 5,99% pada pengujian sensor DS18B20, 5,5% pada pengujian sensor pH, dan sensor MQ-135 sesuai dengan hasil amonia hydrion tester.
Jarak komunikasi yang dapat dilakukan modul LoRa-SX1278 yang digunakan yaitu 150 meter pada kondisi LoS dan 50 meter pada kondisi N-LoS.
Hasil pengujian sistem dari perhitungan fuzzy logic pada keluaran mikrokontroler dan Matlab dalam menentukan kualitas air kolam didapatkan nilai ratarata error sebesar 0,46%.
Berdasarkan hasil tersebut, dapat disimpulkan bahwa perancangan sistem monitoring kualitas air yang dibangun berbasis protokol LoRa menggunakan fuzzy logic dalam menentukan kualitas air berhasil dibangun dan layak Kata Kunci: Kualitas Air.
Suhu.
Amonia.
Fuzzy Logic.
LoRa Diajukan: 11 September 2023 Direvisi: 18 Oktober 2023 Diterima: 19 Februari 2024 Dipublikasikan online: 20 Februari 2024 Pendahuluan Kalimantan Selatan menjadi salah satu sentra produksi ikan patin di Indonesia (Rifa et al.
, 2.
Kabupaten Banjar menjadi daerah penghasil terbanyak ikan patin di Kalimantan Selatan dengan total hasil produksi 180,6 Ton pada tahun 2020 (Statistik KKP.
Masyarakat Kabupaten Banjar gemar mengonsumsi masakan tradisional khas banjar dari olahan ikan patin seperti gangan asam patin, patin baubar dan sebagainya.
Hal tersebut menyebabkan kebutuhan konsumsi ikan patin masyarakat Kabupaten Banjar cukup besar (Rizki Saputera, 2.
Salah satu faktor yang berpengaruh terhadap hasil produksi perikanan budidaya adalah kualitas air.
Kualitas air merupakan komponen yang paling penting bagi kelangsungan hidup ataupun pertumbuhan ikan (Sihotang, 2.
Kualitas air yang buruk menyebabkan ikan lebih mudah terserang penyakit bahkan kematian pada ikan.
Hal ini akan berdampak menurunnya hasil pembudidaya kolam ikan (Supriyanto et al.
, 2.
Saat ini, kegiatan pemantauan kualitas air masih belum efisien karena pembudidaya masih melakukan pemantauan secara langsung untuk melihat kondisi fisik air dan belum tersedianya alat bantu untuk melakukan pengecekan kondisi air kolam bididaya.
Pemantauan secara langsung dinilai tidak efektif karena kondisi fisik air yang dapat berubah dalam waktu yang cukup cepat yang disebabkan oleh kondisi cuaca ataupun sisa serta faktor lainnya mempengaruhi kualitas air kolam budidaya (Bhawiyuga & Yahya, 2.
Adapun parameter kualitas air yang perlu diperhatikan dalam budidaya kolam ikan yaitu Cara mensitasi artikel ini:
Zulkarnain.
Suryo.
ATE.
Mahrudin.
Perancangan Sistem Monitoring Budidaya Ikan Patin Berbasis Protokol Lora Menggunakan Metode Fuzzy Logic.
Buletin Profesi Insinyur 7.
BPI, 2024 | 13
Buletin Profesi Insinyur 7.
013Ae022 http://dx.
org/10.
20527/bpi.
suhu, derajat keasaman .
H), dan kadar amonia (NH.
(Fakhriza et al.
, 2.
Adanya perubahan suhu pada kolam budidaya dan tidak sesuai dengan kondisi ikan yang dibudidayakan dapat menyebabkan kematian pada ikan dalam waktu yang singkat yang disebabkan oleh penurunan nafsu makan ikan serta laju metabolisme pada ikan (Pramana, 2.
Kondisi air dengan tingkat keasaman tinggi dapat mengakibatkan kematian pada ikan.
Pada suatu perairan yang terlalu rendah ataupun terlalu tinggi menyebabkan ikan mudah terserang penyakit, stres, dan pertumbuhan menjadi terhambat (Supriatna et al.
, 2.
Peningkatan nilai suhu dan pH dapat mempengaruhi kadar amonia dalam air (Sari et al.
, 2.
Kadar amonia yang meningkat dapat menjadi racun bagi ikan sehingga menyebabkan kematian pada ikan (Wahyuningsih et al.
Standar kualitas air untuk pemeliharaan ikan patin dengan parameter suhu, pH, dan kadar amonia di dalam air dapat dilihat pada Tabel 1 (Minggawati & Saptono, 2.
Tabel 1 Standar parameter kualitas air budidaya ikan Parameter Standar Nilai Suhu 25 Ae 33 AC 7 Ae 8,5 Amonia < 0,1 ppm Saat ini, kegiatan pemantauan kualitas air masih belum efisien karena pembudidaya masih melakukan pemantauan secara langsung untuk melihat kondisi fisik air dan belum tersedianya alat bantu untuk melakukan pengecekan kondisi air kolam bididaya.
Pemantauan secara langsung dinilai tidak efektif karena kondisi fisik air yang dapat berubah dalam waktu yang cukup cepat yang disebabkan oleh kondisi cuaca ataupun sisa serta faktor lainnya mempengaruhi kualitas air kolam budidaya (Bhawiyuga & Yahya, 2.
Untuk mengatasi permasalahan yang ada maka, pembudidaya perlu menggunakan suatu teknologi yang dapat memantau kualitas air kolam agar kondisi air dapat diamati dengan cepat sehingga pembudidaya dapat segera memberi tindakan untuk melakukan penanganan pada kolam.
Protokol LoRa dapat membantu terwujudnya pemantauan kualitas air secara realtime.
Long Range (LoR.
merupakan suatu perangkat komunikasi jarak jauh berdaya rendah sehingga sebagian kecil data dapat ditransmisikan dalam jarak jauh.
Pada bidang Internet of Things (IoT).
LoRa telah membuktikan efektif digunakan dalam industri saat ini di berbagai bidang .
eperti health monitoring, smart metering, environment monitoring, ), serta di industri lainnya (Madaan et al.
, 2.
LoRa memiliki kelebihan dengan teknologi lainnya .
eperti bluetooth, seluler, maupun WIFI), yaitu memiliki jangkauan yang jauh namun berdaya rendah sehingga ISSN 2654-5926 cocok digunakan pada perangkat yang dioperasikan lama (Yanziah et al.
, 2.
Berdasarkan penelitian yang dilakukan oleh Ayub Repa Batong dkk, mengenai analisis kelayakan LoRa pada sistem monitoring menggunakan dua frekuensi yaitu pada frekuensi 433 MHz dan 915 MHz didapatkan hasil bahwa LoRa layak digunakan untuk komunikasi jarak jauh untuk sistem monitoring dan frekuensi yang mempunyai performa lebih baik yaitu pada frekuensi 433 MHz (Batong et al.
, 2.
Dari penelitian yang dilakukan oleh Khalid Waleed dan kawan-kawan mengenai sistem pemantauan pencemaran air sungai yang diklasifikasikan menggunakan fuzzy logic dengan komunikasi LoRa, didapatkan hasil bahwa sistem dapat melakukan pemantauan tingkat pencemaran air sungai memvisualisasikan hasil pemantauan berdasarkan 3 jenis kelas yaitu rendah, sedang, dan tinggi (Elektro et , 2.
Untuk menentukan kualitas air kolam ikan patin, pada penelitian ini menggunakan metode fuzzy logic tipe Mamdani sebagai penentu bagaimana kualitas air kolam berdasarkan parameter kualitas air yang Fuzzy logic tipe Mamdani dinilai lebih maksimal digunakan dibandingkan dengan tipe fuzzy lainnya yaitu Sugeno dan Tsukamoto dalam melakukan pengolahan data dan dinilai cukup efektif digunakan untuk menentukan kualitas air kolam ikan (Ayuningtias et al.
, 2.
(Pujiharsono & Kurnianto, 2.
Fuzzy logic adalah suatu metode penalaran berdasarkan perkiraan dan asumsi yang menyerupai model penalaran Saat ini, algoritma ini banyak digunakan di bidang-bidang seperti robotika, lini produksi otomatisasi, simulasi keuangan, dll (Pacco, 2.
Beberapa penelitian telah dilakukan dengan pembahasan mengenai pengendalian kualitas air pada budidaya ikan, seperti yang telah dilakukan oleh Achmad Dani Rusdian dan kawan-kawan yang merancang sistem pengendalian kualitas air berbasis Internet of Things (IoT) pada budidaya ikan nila merah menggunakan metode fuzzy logic.
Dalam penelitian ini menggunakan beberapa parameter untuk melakukan pengukuran kualitas air seperti parameter pH, suhu, dan kekeruhan air menggunakan metode fuzzy logic sebagai pengendali otomatis untuk pembuangan dan pengisian air kolam.
Hasil pada penelitian ini didapatkan nilai parameter kualitas air yaitu nilai pH terjaga pada 5-8, suhu terjaga pada nilai 27-29 AC, dan kekeruhan terjaga pada nilai 30-32 NTU (Setiawan & Munadhif, 2.
Penelitian yang dilakukan oleh Adhitya Bhawiyuga dan Widhi Yahya mengenai sistem monitoring kualitas air kolam budidaya berbasis LoRa yang dapat dipantau secara realtime melalui aplikasi berbasis web.
Pada penelitian ini menggunakan parameter suhu, keasaman air .
H), kekeruhan, oksigen terlarut .
issolved oxyge.
dan menggunakan LoRa sebagai modul komunikasi jarak jauh untuk memantau kualitas 4 air kolam budidaya.
Hasil dari pengujian sistem didapatkan hasil bahwa sistem dapat BPI, 2024 | 14 Buletin Profesi Insinyur 7.
013Ae022 http://dx.
org/10.
20527/bpi.
mendeteksi perubahan kualitas air berdasarkan parameter yang digunakan dan untuk uji kinerja komunikasi LoRa didapatkan hasil terbaik yaitu pada jarak 40 Meter dan paket yang dikirim sebesar 82 byte dengan hasil pengujian packet loss sebesar 7,8% dan delay sebesar 189,4ms (Bhawiyuga & Yahya, 2.
Selanjutnya, pada penelitian yang dilakukan oleh Dipankar Chowdhury dan Sigve Hovda mengenai perbandingan model logika empiris dan fuzzy pada kasus estimasi konsentrasi stek downhole dari data eksperimen didapatkan hasil perbandingan model pada himpunan data pengujian menunjukkan bahwa model fuzzy logic yang dikembangkan berkinerja lebih baik daripada dua model empiris dalam ketiga pengukuran statistik yaitu koefisien penentuan (R.
, root mean square error (RMSE) dan mean absolute error (MAE) (Chowdhury & Hovda, 2.
Berdasarkan pemaparan diatas, maka peneliti membuat sebuah sistem monitoring pemantauan kualitas air pada budidaya ikan patin berbasis protokol LoRa menggunakan fuzzy logic.
Hasil penelitian ini diharapkan dapat memberikan informasi serta permasalahan pemantauan kondisi air kolam agar dapat meningkatkan hasil produksi.
Metode Tahapan peneitian Adapun tahapan ataupun proses dari penelitian ini dapat dilihat pada Gambar 1.
ISSN 2654-5926
melakukan pengecekan kondisi air kolam secara berkala agar nantinya kualitas air kolam tetap sesuai dengan standar untuk kelangsungan hidup ikan budidaya.
Tahapan kedua pada penelitian ini adalah studi literatur, yang mana pada tahap ini dilakukan dengan menentukan konsep penelitian serta mencari dan mengumpulkan teori-teori terkait yang relevan untuk memperkuat penelitian.
Studi literatur yang digunakan pada penelitian ini berasal dari jurnal ilmiah nasional dan internasional, paper penelitian, berita, dan buku.
Tahapan ketiga pada penelitian ini adalah membuat rancangan sistem monitoring kualitas air pada budidaya ikan patin menggunakan tools Canva sebelum dilakukan tahap implementasi sistem monitoring.
Implementasi perancangan sistem monitoring kualitas air pada kolam ikan patin berukuran A 2x1 meter yang terdiri dari mikrokontroler ESP32, sensor suhu, sensor pH, dan sensor amonia yang saling terhubung dengan mikrokontroler yang di integrasikan menggunakan protokol LoRa.
Pada menggunakan sensor DS18B20 sebagai sensor suhu air, sensor pH tipe SS15 sebagai pengukur tingkat keasaman air kolam, sensor MQ-135 sebagai sensor gas untuk mendeteksi kadar gas amonia dalam air.
Mikrokontroler yang digunakan untuk tahap pengimplementasian sistem monitoring ini adalah ESP32, yang mana modul ini merupakan penerus dari ESP8266 yang sudah dilengkapi modul WiFi yang nantinya berfungsi sebagai jalur antar perangkat keras dan cloud firebase.
Modul komunikasi LoRa-SX1278 digunakan sebagai protokol komunikasi antara perangkat node sensor dan gateway yang rancangannya dapat dilihat pada Gambar 2.
Gambar 1 Alur Penelitian Tahapan pertama pada penelitian ini adalah melakukan identifikasi masalah secara kualitatif yang berfokus pada pengamatan untuk mendapatkan suatu Proses identifikasi masalah dilakukan dengan melakukan wawancara secara langsung dengan salah satu pembudidaya ikan patin.
Setelah dilakukan wawancara ditemukan permasalahan yaitu banyaknya kematian pada ikan selama proses pemeliharan yang disebabkan oleh kualitas air yang buruk dikarenakan belum adanya alat untuk memantau kualitas air tersebut secara langsung sehingga dapat menyebabkan ikan lebih mudah terserang penyakit bahkan kematian pada ikan.
Oleh sebab itu, pembudidaya ikan perlu Gambar 2 Rangkaian Node Sensor Setelah mendapatkan data dari hasil pembacaan sensor, maka hasil pembacaan sensor akan dikirim lagi ke perangkat gateway sebelum dikirimkan ke pusat data menggunakan modul komunikasi LoRa Ra-02 SX1278 dengan frekuensi 433 Mhz.
Perangkat gateway berfungsi sebagai perantara antara perangkat node sensor yang ada di kolam dengan pusat data.
Setelah BPI, 2024 | 15 Buletin Profesi Insinyur 7.
013Ae022 http://dx.
org/10.
20527/bpi.
menerima data dari sensor, perangkat gateway kemudian mengirimkan data ke cloud server.
Selanjutnya data dari sensor DS18B20.
MQ-135, dan sensor pH SS15 akan terhubung ke cloud server dan langsung dilakukan sistem monitoring kualitas air.
Rangkaian gateway dapat dilihat pada Gambar 3.
Gambar 3 Rangkaian Gateway Tahapan pengimplementasian metode fuzzy logic yang dimulai dengan proses fuzzifikasi dengan menggunakan variabel suhu air, pH air, dan kadar amonia.
Selanjutnya data dari masing-masing parameter akan dihitung, setelah itu barulah masuk dalam proses selanjutnya yaitu proses defuzzifikasi.
Data yang digunakan pada penelitian ini adalah suhu air, pH air, kadar amonia.
Data suhu air, pH air, dan kadar amonia digunakan sebagai variabel input.
Data suhu didapatkan dari sensor DS18B20, data derajat keasaman didapatkan dari sensor pH SS15, dan data kadar amonia didapatkan dari sensor MQ-135.
Pada tahap ini dilakukan pengolahan data yang nantinya akan menjadi hasil dari penelitian ini.
Data yang sudah didapatkan dari sensor akan dibandingkan dengan pengukuran secara konvensional seperti pengukuran suhu air menggunakan termometer, pengukuran tingkat keasaman air menggunakan pH meter, dan pengukuran kadar amonia menggunakan amonia tester.
Setelah semua tahapan tersebut dilakukan maka akan didapatkan hasil rata-rata nilai error dari sensor yang digunakan dan nantinya menjadi tolak ukur apakah sistem monitoring kualitas air budidaya ikan patin layak untuk digunakan atau belum.
Hasil dari pembacaan sensor berupa data kualitas air kemudian ditampilkan pada sistem.
Adapun sistem yang dibuat berbasis website yang dirancang menggunakan pemrograman Hypertext Markup Language (HTML).
Cascading Style Sheets (CSS).
Bootstrap, dan JavaScript.
Sistem monitoring ini nantinya dapat dilihat oleh pengguna secara real time.
Pengujian sistem monitoring dilakukan dengan membandingkan nilai keluaran kualitas air dari perhitungan yang didapatkan dari mikrokontroler kemudian dibandingkan dengan hasil perhitungan yang dilakukan pada aplikasi Matlab.
Selain itu perhitungan dari mikrokontroler juga akan dibandingkan dengan data kualitas air yang sudah didapatkan dari hasil
wawancara dengan pembudidaya ikan patin
ISSN 2654-5926
berdasarkan fuzzy rule yang sudah ditetapkan oleh pembudidaya ikan patin.
Tahapan terakhir kesimpulan, yang menjadi jawaban atas rumusan masalah dalam penelitian ini.
Selain itu juga pada hasil kesimpulan akan diberikan saran dan masukan pendukung agar penelitian yang dilakukan dapat digunakan sebagai referensi pada penelitian Perancangan Fuzzy Logic Pada penelitian ini menggunakan fuzzy logic tipe Mamdani karena metode ini dinilai lebih maksimal digunakan dibandingkan dengan tipe fuzzy lainnya yaitu Sugeno dan Tsukamoto dalam melakukan pengolahan data dan dinilai cukup efektif digunakan untuk menentukan kualitas air kolam ikan (Ayuningtias et al.
(Pujiharsono & Kurnianto, 2.
Secara umum, proses penerapan logika fuzzy terdiri dari tiga tahap yaitu fuzzifikasi yang merupakan proses penguraian input dan/atau output sistem menjadi satu atau set menggunakan basis pengetahuan untuk mengendalikan sistem, dan proses defuzzifikasi yang merupakan proses memperoleh langsung nilai .
dari area fuzzy .
Proses fuzzy logic ditunjukkan pada Gambar 4 berikut.
Gambar 4 Alur Fuzzy Logic Berdasarkan pada Gambar 4, tahapan proses fuzzy logic yang pertama adalah mengidentifikasi input sehubungan dengan nama dan rentang nilai, kemudian mengidentifikasi output sehubungan dengan nama dan rentang nilai, lalu membuat derajat keanggotaan fuzzy input dan output.
Setelah itu menentukan tindakan yang akan dilakukan berdasarkan masing-masing aturan .
, dan menggabungkan aturan .
dan memproses output.
Fuzzyfikasi Proses fuzzifikasi adalah langkah pertama dalam perhitungan logika fuzzy yang mengubah input nilai pasti .
ke dalam nilai-nilai dalam bentuk satu atau lebih keanggotaan fuzzy yang sesuai.
Dalam penelitian ini terdapat tiga variabel yaitu variabel suhu air, variabel pH air, dan variabel amonia.
Variabel suhu dibagi menjadi tiga nilai linguistik, yaitu Dingin.
Normal dan Panas.
Variabel pH dibagi menjadi tiga nilai linguistik, yaitu Asam.
Netral, dan Alkali.
Variabel amonia dibagi menjadi tiga nilai linguistik, yaitu Rendah.
Aman, dan Bahaya (Husada, 2.
(Kasim et al.
, 2.
Berikut adalah rumus untuk menyatakan hasil fuzzifikasi.
BPI, 2024 | 16
ISSN 2654-5926
Buletin Profesi Insinyur 7.
013Ae022 http://dx.
org/10.
20527/bpi.
a a 1 a a .
A3 suhu# suhu ' 30
32 ' 30
30 atau suhu Variabel pH air Dalam rumus .
dinyatakan bahwa A.
adalah fungsi fuzzifikasi, x adalah nilai input dari variabel, a adalah batas minimum dari himpunan fuzzy kedua, b adalah batas maksimum dari himpunan fuzzy pertama, c adalah batas minimum dari himpunan fuzzy ketiga, dan d adalah batas maksimum dari himpunan fuzzy kedua .
Berikut ini penentuan proses fuzzifikasi suhu air, pH air, dan Amonia.
Variabel Suhu Air Variabel suhu air memiliki rentang nilai 0AC - 100AC.
Rentang tersebut merupakan representasi yang diambil untuk melaksanakan penelitian ini.
Suhu air dapat diklasifikasikan ke dalam sejumlah kumpulan data fuzzy yaitu dingin, normal dan panas yang diidentifikasi masing-masing dengan nama A1.
A2 dan A3 seperti yang ditunjukkan dalam Tabel 2 (Husada, 2.
Untuk representasi grafik variabel suhu pada matlab ditunjukkan oleh Gambar 5.
Variabel pH air memiliki rentang nilai 0 sampai 14.
Rentang tersebut merupakan representasi yang diambil untuk melaksanakan penelitian ini.
Variabel pH air dapat diklasifikasikan ke dalam sejumlah kumpulan data fuzzy yaitu asam, netral dan alkali yang diidentifikasi masing-masing dengan nama B1.
B2 dan B3 seperti yang ditunjukkan dalam Tabel 3 (Husada, 2.
Untuk representasi grafik variabel pH air pada matlab ditunjukkan oleh Gambar 6.
Gambar 6 Kurva Derajat Keanggotaan pH Air
Tabel 3 Fuzzyfikasi pH air
Gambar 5 Kurva Derajat Keanggotaan Suhu Air
Tabel 2 Fuzzyfikasi Suhu Air
Set dari Suhu
Rentang Suhu
Kategori 0AC O T O28AC
Dingin
26AC < T O 32AC
Normal
30AC < T O 100AC
Panas Berdasarkan rumus .
didapatkan keanggotaan dingin memiliki bentuk persamaan sebagai berikut.
A1 suhu# 28 ' suhu
28 ' 26
0 atau suhu A2 suhu# 26 atau suhu Rentang pH Kategori 0 O pH O 7 Asam 6 < pH O 8 Netral 5 < pH O 14 Alkali Berdasarkan rumus .
didapatkan keanggotaan Asam memiliki bentuk persamaan sebagai berikut.
-1 .
7 ' .
0 atau .
6 atau .
Berdasarkan rumus .
didapatkan keanggotaan netral memiliki bentuk persamaan sebagai berikut.
-2 .
/ ' 6
a 7 ' 6 a 8 ' .
a 8 ' 7.
a 1 Berdasarkan rumus .
didapatkan keanggotaan panas memiliki bentuk persamaan sebagai berikut.
Berdasarkan rumus .
didapatkan keanggotaan normal memiliki bentuk persamaan sebagai berikut.
asuhu ' 26 a 28 ' 26 a 32 ' suhu a 32 ' 30 a Set dari pH Berdasarkan rumus .
didapatkan keanggotaan panas memiliki bentuk persamaan sebagai berikut.
-3 .
/ ' 7.
8 ' 7.
8 atau .
Variabel Amonia Variabel amonia memiliki rentang nilai 0 sampai 10 Rentang tersebut merupakan representasi yang diambil untuk melaksanakan penelitian ini.
Variabel amonia dapat diklasifikasikan ke dalam sejumlah kumpulan data fuzzy yaitu rendah, aman dan bahaya yang diidentifikasi masing-masing dengan nama C1.
BPI, 2024 | 17
ISSN 2654-5926
Buletin Profesi Insinyur 7.
013Ae022 http://dx.
org/10.
20527/bpi.
dan C3 seperti yang ditunjukkan dalam Tabel 4.
(Talanta, 2.
(Dwisaputra et al.
, 2.
Untuk representasi grafik variabel amonia pada matlab ditunjukkan oleh Gambar 7.
Indek kualitas air dikategorikan Normal jika mempunyai rentang nilai dari 50-90.
Indek kualitas air dikategorikan Baik jika mempunyai nilai dari Ou 80 .
Hasil dan Pembahasan Pengujian Sensor DS18B20 dengan Termometer Digital Hasil dari pembacaan sensor DS18B20 pada pengukuran suhu air akan dibandingkan secara manual melalui pembacaan dari tester suhu termometer digital yang dapat dilihat pada Tabel 5.
Gambar 7 Kurva Derajat Keanggotaan Amonia Tabel 4 Fuzzifikasi Amonia Set dari Amonia Rentang Amonia Kategori 0 O Amonia O 0.
025 < Amonia O 0.
075 < Amonia O 10 Rendah Aman Bahaya Berdasarkan rumus .
didapatkan keanggotaan rendah memiliki bentuk persamaan sebagai berikut.
51 6 78 #
05 ' 6 78
05 ' 0.
0 atau Berdasarkan rumus .
didapatkan keanggotaan aman memiliki bentuk persamaan sebagai berikut.
52 6 78 #
a 6 78 ' 0.
a 05 ' 0.
1 ' 6 78
1 ' 0.
a 025 atau Berdasarkan rumus .
didapatkan keanggotaan bahaya memiliki bentuk persamaan sebagai berikut.
53 6 78 #
6 78 ' 0.
1 ' 0.
Variabel Keluaran (Outpu.
Tabel 5 Pengujian pembacaan sensor DS18B20 dengan termometer digital 1 atau Keluaran pada sistem ini adalah kualitas air.
Variabel kualitas air memiliki rentang nilai 0 sampai 100.
Rentang tersebut merupakan representasi yang diambil untuk melaksanakan penelitian ini.
Indek kualitas air dikategorikan Buruk jika mempunyai nilai O 60.
Untuk representasi grafik kualitas air pada matlab ditunjukkan oleh Gambar 8.
Gambar 8 Kurva Derajat Keanggotaan Kualitas Air
DS18B20
(AC)
Digital Termometer(AC) Rata-rata Error Error (%) 7,52 7,68 7,33 7,50 3,76 3,76 3,76 3,76 6,67 6,84 7,14 6,19 5,99 Data pada Tabel 5 merupakan data yang diperoleh dari hasil pengujian sensor DS18B20 dengan digital termometer pada kondisi suhu air dingin .
, normal .
, dan panas .
Dari hasil pengujian didapatkan nilai error yaitu sebesar 5,99%.
Pengujian Sensor pH dengan pH Tester Hasil dari pembacaan sensor pH pada pengukuran pH air akan dibandingkan dengan secara manual melalui pembacaan dari tester pH meter digital yang dapat dilihat pada Tabel 6.
Tabel 6 Pengujian pembacaan sensor pH dengan pH tester Sensor pH meter digital Rata-rata Error (%) Error (%) 9,22 8,00 9,46 6,55 6,31 6,46 8,32 7,60 1,01 0,22 1,35 1,58 5,50 Data pada Tabel 6 merupakan data yang diperoleh dari hasil pengujian sensor pH dengan pH meter digital pada kondisi pH air asam .
, netral .
, alkali .
Dari hasil pengujian didapatkan nilai error yaitu sebesar 5,50%.
BPI, 2024 | 18
ISSN 2654-5926
Buletin Profesi Insinyur 7.
013Ae022 http://dx.
org/10.
20527/bpi.
Pengujian Sensor MQ-135 dengan Amonia Hydrion Tester Hasil dari pembacaan dari sensor MQ-135 akan dibandingkan secara manual dengan amonia hydrion tester yang dapat dilihat pada Tabel 7.
Tabel 7 Pengujian pembacaan sensor MQ-135
dengan amonia hydrion tester
MQ-135
Warna Kertas Keterangan .
Hydrion Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Berdasarkan hasil pengujian jarak komunikasi LoRaSX1278 pada Tabel 8 diperoleh hasil bahwa jarak komunikasi yang dapat dilakukan modul LoRa-SX1278 yang digunakan yaitu 150 Meter pada kondisi LoS dan 50 Meter pada kondisi N-LoS.
Pengujian Sistem Data suhu air, pH air, dan gas amonia yang didapatkan dari hasil pembacaan sensor pada pagi, siang, dan sore hari akan menghasilkan nilai perhitungan menggunakan metode fuzzy logic dan didapatkan nilai keluaran .
berupa keterangan kualitas air kolam.
Perhitungan yang didapatkan dari mikrokontroler kemudian dibandingkan dengan hasil perhitungan yang dilakukan pada aplikasi Matlab.
Selain itu perhitungan dari mikrokontroler juga akan dibandingkan dengan data kualitas air yang sudah didapatkan dari hasil wawancara dengan pembudidaya ikan patin berdasarkan fuzzy rule yang sudah ditetapkan oleh pembudidaya ikan patin yang dapat dilihat pada Tabel Tabel 9 Pengujian perhitungan mikrokontroler dengan matlab Pada tahap ini dilakukan pengujian jarak terhadap nilai Received Signal Strength Indicator (RSSI) pada Line of Sight (LoS) tanpa penghalang dan Non-Line of Sight (NLOS) dengan adanya halangan.
RSSI adalah teknologi yang digunakan untuk mengukur kekuatan sinyal.
Kekuatan sinyal akan semakin lemah jika jarak pancar semakin jauh yang juga berdampak pada lamanya pengiriman data.
Nilai RSSI berupa nilai negatif dan akan semakin bagus jika mendekati 0.
Pengujian jarak komunikasi LoRa-SX1278 dapat dilihat pada Gambar 9.
Berikut ini hasil pengujian jarak komunikasi LoRaSX1278 pada kondisi LoS dan N-LoS dengan menghitung nilai RSSI berdasarkan jarak pengujian yang dilakukan yang dapat dilihat pada Tabel 8.
Tabel 8 Pengujian jarak komunikasi lora-sx1278 LoS NLoS Nilai RSSI .
Arduino
Matlab
Error
(%)
29,50
6,62
0,05
78,65
0,44
30,19
5,10
0,07
63,32
0,13
30,75
5,18
0,08
48,86
-0,53
28,21
5,13
0,09
39,80
0,76
29,37
5,14
0,16
25,33
0,92
29,18
0,08
57,27
0,12
Rata- rata Error (%) 0,46 Dari hasil perhitungan mikrokontroler dan Matlab pada Tabel 3 diketahui bahwa perhitungan error saat hari pertama pada pukul 08.
00 yaitu suhu air 29,50AC, pH air 6,62, dan amonia 0,05 maka dapat diketahui nilai error berdasarkan perhitungan berikut.
Gambar 9 Lokasi Pengujian LoS dan N-LoS
Kualitas Air
Amonia
Air
(AC)
Pengujian Jarak Komunikasi LoRa-SX1278
Kondisi
Suhu
Air
> ?@
>ABCDBDE?CD@FC
>ABCDBDE?CD@FC
G 100%
Setelah didapatkan nilai error untuk semua data hasil pengujian, maka dapat diperoleh rata-rata nilai error dengan cara menjumlahkan semua nilai error dan dibagi dengan banyaknya pengujian dilakukan.
Berikut ini rumus untuk menghitung rata-rata nilai error.
I J '
J K
FCCDC
MNA D
Berdasarkan hasil perhitungan fuzzy logic pada keluaran mikrokontroler dan Matlab dalam menentukan kualitas air kolam didapatkan nilai rata-rata error sebesar 0,46%.
Pengujian output dari perhitungan fuzzy logic
selanjutnya akan dilakukan validasi performa dari pakar
budidaya ikan patin yaitu dengan Ibu Salamiah yang BPI, 2024 | 19
ISSN 2654-5926
Buletin Profesi Insinyur 7.
013Ae022 http://dx.
org/10.
20527/bpi.
bertempat tinggal di Kelurahan Benua Anyar Banjarmasin yang hasilnya dapat dilihat pada Tabel 10.
Tabel 10 Validasi pakar Suhu Air (AC) 00 29,50 Jam 6,62 Amonia .
0,05 Kualitas Air Normal Keterangan Pakar Sesuai Normal Buruk A.
Buruk
Buruk
Buruk
Sesuai Sesuai pH Air
30,19
30,75
5,10
5,18
0,07
0,08
28,21
29,37
29,18
5,13
5,14
0,09
0,16
0,08
Tahap selanjutnya adalah membuat fuzzy rule yang nantinya akan menjadi acuan dalam penentuan kualitas air berdasarkan dari hasil input nilai suhu air, pH air, dan Tampilan dari fuzzy rule pada aplikasi Matlab dapat dilihat pada Gambar 12.
Sesuai Sesuai Sesuai Berdasarkan hasil perbandingan nilai output dari sistem monitoring antara mikrokontroler dengan Matlab serta kesesuaian dari keterangan pakar pada Tabel 10, dapat disimpulkan bahwa sistem monitoring kualitas air yang dibangun dengan menggunakan fuzzy logic dalam menentukan kualitas air sudah layak digunakan secara langsung.
Perhitungan Fuzzy Logic Pada penelitian ini perhitungan dilakukan pada aplikasi Matlab yang digunakan sebagai tolak ukur keberhasilan dari sistem monitoring yang dibuat.
Langkah pertama yang dilakukan adalah dengan memilih menu AuAPPSAy lalu kemudian memilih Aufuzzy logic designerAy dan selanjutnya akan tampil tampilan seperti Gambar 10.
Gambar 10 Tampilan Menu Fuzzy Logic Designer pada Matlab Setelah muncul tampilan Aufuzzy logic designerAy kemudian langkah selanjutnya adalah mengatur variabel input.
Fuzzy Inference System, serta output yang sebelumnya telah ditentukan.
Tampilan dari fuzzy logic designer pada penelitian yang dilakukan dapat dilihat pada Gambar 11.
Gambar 11 Fuzzy Logic Designer Sistem Monitoring Gambar 12 Menginput Fuzzy Rule pada Matlab Setelah membuat semua fuzzy rules maka langkah selanjutnya adalah menampilkan rules dengan memilih menu AuViewAy lalu kemudian memilih AurulesAy.
Tampilan dari rules viewer yang telah dibuat dapat dilihat pada Gambar 13.
Gambar 13 Perhitungan Kualitas Air Menggunakan Matlab Dari Gambar 13 diperoleh hasil nilai keluaran kualitas air yaitu 79 pada kondisi input suhu air 29,5AC, pH air 6,62, dan amonia 0,05 ppm.
Nilai keluaran kualitas air yang didapatkan dari perhitungan Matlab nantinya yang akan dijadikan sebagai perbandingan dari hasil keluaran kualitas air pada mikrokontroler.
Implementasi Google Firebase Pada penelitian ini data yang didapatkan dari hasil pembacaan sensor akan dikirim dan disimpan pada realtime database yang telah disediakan Google Firebase.
Data yang sudah tersimpan nantinya akan ditampilkan pada halaman website yang sudah dibuat secara realtime.
Pada Gambar 14, halaman menampilkan data hasil pembacaan sensor berupa nilai BPI, 2024 | 20
ISSN 2654-5926
Buletin Profesi Insinyur 7.
013Ae022 http://dx.
org/10.
20527/bpi.
suhu air, pH air, dan gas amonia serta keterangan kualitas air dari hasil klasifikasi metode fuzzy logic.
Hasil Analisa Dari hasil pengukuran kualitas air kolam yang dilakukan selama 15 hari yaitu pada 11 Desember 2022 sampai dengan 25 Desember 2022 didapatkan hasil bahwa kondisi kualitas air kolam berubah-ubah setiap harinya.
Hal ini disebabkan oleh kondisi cuaca serta faktor lainnya yang menyebabkan perubahan suhu, pH, dan amonia pada kolam.
Meskipun terjadi penurunan hasil kualitas air, namun tidak ada ikan yang mati selama dilakukan penelitian.
Hal ini berarti bahwa kondisi air pada kolam masih dapat ditoleransi oleh ikan.
Kesimpulan Gambar 14 Halaman Pembacaan Sensor Implementasi Sistem Monitoring pada Kolam Pengambilan data kualitas air dilakukan setiap tiga kali sehari, yaitu pada pukul 08.
00, 12.
00, dan 16.
00 dengan sampel uji air kolam di dalam hapa berukuran 2x1 m^2 yang berisi bibit ikan patin berukuran A5-10 cm sebanyak 20 ekor (Gambar .
Pengambilan data pada penelitian dilakukan selama 15 hari yaitu pada 11 Desember 2022 sampai dengan 25 Desember 2022 dan bertempat di Kelurahan Benua Anyar.
Banjarmasin.
Gambar 15 Bibit Ikan Patin pada Awal Penelitian Pemasangan ketiga sensor yaitu DS18B20 dan sensor pH dilakukan dengan cara merendam sensor kedalam Sedangkan sensor MQ-135 diletakkan diatas permukaan air untuk mengukur kadar gas amonia Alat diletakkan pada tengah media pemeliharaan untuk memaksimalkan hasil dari pembacaan sensor yang dapat dilihat pada Gambar 16.
Sistem monitoring pemantauan kualitas air pada budidaya ikan patin berbasis protokol LoRa berhasil Sistem monitoring pemantauan kualitas air menggunakan pemrograman Hypertext Markup Language (HTML).
Cascading Style Sheets (CSS).
Bootstrap, dan JavaScript, serta menggunakan fitur dari firebase yaitu realtime database yang digunakan sebagai penyimpanan data hasil pembacaan sistem.
Modul komunikasi LoRa SX-1278 dengan frekuensi 433 Mhz untuk pengiriman data dari kolam ke perangkat gateway bekerja secara efektif dan mampu mengirimkan data jarak jauh tanpa menggunakan jaringan internet.
Hasil dari pengujian performa dari sensor yang digunakan untuk mengetahui persentase error dari setiap sensor didapatkan hasil error sebesar 5,99% pada pengujian sensor DS18B20, 5,5% pada pengujian sensor pH, dan untuk hasil pengujian sensor amonia didapatkan hasil bahwa hasil pengukuran dari sensor MQ-135 sesuai dengan hasil amonia hydrion Sistem monitoring yang dibangun dengan LoRa-SX1278 pengiriman data dari node sensor ke perangkat gateway dapat mengirimkan data sejauh 150 Meter pada kondisi LoS dan 50 Meter pada kondisi N-LoS.
Hasil pengujian sistem dari perhitungan fuzzy logic pada keluaran mikrokontroler dan Matlab serta kesesuaian dari keterangan pakar dalam penentuan kualitas air kolam didapatkan nilai rata-rata error sebesar 0,46%.
Berdasarkan hasil tersebut, dapat disimpulkan bahwa sistem monitoring kualitas air yang dibangun berbasis protokol LoRa dengan menggunakan fuzzy logic dalam menentukan kualitas air layak digunakan secara Pada penelitian ini hanya menggunakan satu metode kalasifikasi sehingga pada penelitian selanjutnya dapat menggunakan metode klasifikasi lainnya untuk membandingkan performa yang lebih baik dari metode fuzzy logic serta menambahkan sensor lainnya yang juga mempengaruhi kualitas air sehingga dapat menunjang proses penelitian seperti sensor kekeruhan.
Dissolved Oxygen, dll agar mendapatkan hasil yang lebih maksimal dalam penentuan kualitas air.
Gambar 16 Penempatan Alat Monitoring pada Kolam
BPI, 2024 | 21
Buletin Profesi Insinyur 7.
013Ae022 http://dx.
org/10.
20527/bpi.
Referensi