Jurnal Teknologika Volume15.
Issue 1 .
749-757 Jurnal Teknologika Journal homepage:
https://jurnal.
id/index.
php/teknologika/index ISSN: 2715-4645 E-ISSN: 1693-2978 Sistem IoT Dan Kecerdasan Buatan Terintegrasi Untuk Optimalisasi Kondisi Lingkungan Kandang Ayam Closed House Integrated IoT and Artificial Intelligence System for Optimizing Environmental Conditions in Closed House Poultry Farms1 Deden Komaludin1.
Hady Sofyan 2,* Teknik Elektro.
Fakultas Teknik.
Universitas Subang.
Subang.
Indonesia Teknik Industri.
Sekolah Tinggi Teknologi Wastukancana.
Purwakarta.
Indonesia Abstrak: Paparan gas amonia (NHCE) dalam kandang ayam closed house dapat menurunkan produktivitas dan meningkatkan mortalitas ayam boiler.
Penelitian sebelumnya telah mengembangkan sistem IoT untuk memantau kadar amonia, suhu, dan Namun, sistem tersebut belum dilengkapi dengan mekanisme pengendalian otomatis berbasis kecerdasan buatan (AI).
Lingkungan kandang ayam closed house yang tidak terkontrol dapat meningkatkan kadar amonia (NHCE) dan memicu stres termal pada ayam boiler, menurunkan produktivitas hingga 15%.
Penelitian ini mengembangkan sistem IoT berbasis kecerdasan buatan (AI) untuk memantau dan mengendalikan kadar amonia, suhu, serta kelembaban secara otomatis.
Penelitian ini bertujuan untuk mengembangkan sistem IoT yang terintegrasi dengan algoritma machine learning untuk memprediksi kadar amonia dan mengoptimalkan ventilasi serta pemberian pakan secara otomatis.
Metode yang digunakan meliputi pengumpulan data real-time menggunakan sensor MQ135.
DHT22, dan sensor oksigen, serta penerapan algoritma Random Forest untuk analisis prediktif.
Sistem terdiri dari jaringan sensor MQ135 .
DHT22 .
uhu/kelembaba.
, dan ESP32 sebagai pengendali utama, dengan algoritma Random Forest untuk prediksi kenaikan amonia.
Hasil uji coba selama 60 hari di kandang komersial menunjukkan akurasi pengukuran 98.
7% (RMSE = 0.
4 pp.
, respon sistem <3 detik, dan penurunan mortalitas ayam sebesar 22%.
Sistem ini juga mengoptimalkan konsumsi energi ventilasi hingga 30% melalui mekanisme kontrol berbasis reinforcement learning.
Temuan ini membuktikan bahwa integrasi IoT-AI mampu menciptakan lingkungan kandang yang stabil .
uhu: 20A1.
5AC.
NHCE
<15 pp.
sekaligus meningkatkan efisiensi operasional peternakan Kata kunci: IoT.
Kecerdasan Buatan.
Kandang Closed House.
Amonia.
Ayam Boiler Abstract:
Ammonia (NHCE) exposure in closed house poultry farms can reduce productivity and increase the mortality rate of broiler Previous research has developed IoT-based systems to monitor ammonia levels, temperature, and humidity.
However, these systems lacked automated control mechanisms powered by artificial intelligence (AI).
Uncontrolled environmental conditions in closed house systems can lead to increased ammonia levels and thermal stress in broilers, reducing productivity by up to 15%.
This study develops an AI-based IoT system to automatically monitor and control ammonia levels, temperature, and humidity.
The aim is to integrate IoT with machine learning algorithms to predict ammonia levels and optimize ventilation and feed distribution automatically.
The methodology involves real-time data collection using MQ135.
DHT22, and oxygen sensors, along with the application of the Random Forest algorithm for predictive analysis.
The system comprises a sensor network (MQ135 for ammonia.
DHT22 for temperature/humidit.
, an ESP32 microcontroller, and a Random Forest algorithm for ammonia level prediction.
A 60-day field test in a commercial poultry house demonstrated a measurement accuracy of 98.
(RMSE = 0.
4 pp.
, system response time under 3 seconds, and a 22% reduction in broiler mortality.
Additionally, the system optimized ventilation energy consumption by up to 30% through reinforcement learning-based control mechanisms.
These findings demonstrate that IoT-AI integration can create a stable poultry house environment .
emperature: 20A1.
5AC.
NHCE <15
while enhancing operational efficiency.
Keywords: IoT.
Artificial Intelligence.
Closed House Poultry Farm.
Ammonia.
Broiler Chickens Pendahuluan Industri peternakan ayam boiler menghadapi tantangan serius dalam mengontrol iklim mikro kandang, terutama pada sistem closed house .
Data Kementan RI tahun 2022 .
menunjukkan, 40% Corresponding author: hadysofyan@wastukancana.
https://doi.
org/10.
51132/teknologika.
Received: 23-04-2025 Accepted: 07-05-2025 Available online: 21-05-2025 Jurnal Teknologika Volume 15.
Issue 1 .
749-757 kematian ayam disebabkan oleh paparan amonia >25 ppm dan suhu tidak stabil.
Penelitian sebelumnya oleh Komaludin .
telah mengembangkan sistem IoT dasar, namun belum mampu melakukan tindakan korektif otomatis.
Merancang sistem IoT dengan AI dapat berguna untuk Memantau kadar NHCE, suhu, dan kelembaban real-time.
Memprediksi fluktuasi amonia berbasis data historis.
Mengaktifkan ventilasi/pemanas secara otomatis.
Dengan menghasilkan kontribusi ilmiahnya adalah Integrasi pertama antara sensor MQ135 dan algoritma Random Forest di kandang closed house serta pengembangan dashboard prediktif berbasis web dengan notifikasi darurat.
1 Kajian Pustaka Konsep Dasar Internet of Things (IoT) dalam Peternakan Internet of Things (IoT) telah menjadi tulang punggung dalam revolusi industri pertanian dan Menurut Atzori et al.
IoT mengacu pada jaringan objek fisik yang dilengkapi sensor, perangkat lunak, dan teknologi lainnya untuk bertukar data melalui internet.
Dalam konteks peternakan.
IoT digunakan untuk memantau lingkungan kandang secara real-time, seperti kadar amonia, suhu, dan kelembaban Neethirajan et al.
Penelitian oleh Talavera et al.
menunjukkan bahwa sistem IoT mampu mengurangi mortalitas ayam hingga 15% dengan mempertahankan suhu optimal .
Ae24AC).
Sementara itu.
Sharma et al.
menekankan bahwa integrasi IoT dengan analitik data dapat meningkatkan efisiensi pakan dan deteksi dini penyakit.
Dampak Gas Amonia (NHCE) pada Ayam Boiler Amonia (NHCE) adalah gas beracun yang dihasilkan dari dekomposisi kotoran ayam dan sisa pakan.
Kadar NHCE >20 ppm dapat menyebabkan iritasi saluran pernapasan, penurunan berat badan, dan kematian pada ayam Luuk S et al.
Studi terbaru oleh He Ya et al.
membuktikan bahwa paparan NHCE 30 ppm selama 14 hari mengurangi pertumbuhan ayam sebesar 12%.
Batas aman NHCE dalam kandang closed house adalah 10Ae15 ppm .
Solusi tradisional seperti ventilasi manual dinilai kurang efektif karena tidak responsif terhadap fluktuasi NHCE.
Oleh karena itu, diperlukan sistem otomatis berbasis sensor.
Sensor untuk Deteksi Amonia dan Parameter Lingkungan Sensor MQ135 adalah sensor gas berbasis semikonduktor yang umum digunakan untuk mendeteksi NHCE.
COCC, dan gas berbahaya lainnya.
Keunggulannya meliputi:
Range deteksi: 10Ae300 ppm NHCE Kruakuanphet et al.
Namun, sensor ini memiliki drift akurasi A5% setelah 500 jam pemakaian, sehingga memerlukan kalibrasi berkala.
Sensor Suhu dan Kelembaban DHT22 adalah sensor digital dengan akurasi tinggi.
Suhu: A0.
5AC .
ange -40ACAe80AC).
Kelembaban: A2% RH .
ange 0Ae100%).
Keandalan DHT22 telah diuji di kandang closed house dengan variasi suhu harian hingga 15AC.
Teknologi Kecerdasan Buatan untuk Prediksi Amonia Algoritma Random Forest adalah metode ensemble learning yang cocok untuk prediksi nonlinier.
Kelebihannya :
Tahan terhadap overfitting.
Dapat menangani data multivariat .
uhu, kelembaban.
NHCE histori.
Penelitian oleh Venkatraman et al.
mencapai akurasi 96% dalam memprediksi kadar NHCE 1 jam ke depan menggunakan dataset 10.
000 sampel.
Deep Learning Long Short-Term Memory (LSTM) lebih unggul untuk data time series, tetapi membutuhkan komputasi lebih besar.
Hasil uji coba oleh Jurnal Teknologika Volume 15.
Issue 1 .
749-757 He et al.
menunjukkan RMSE 0.
3 ppm untuk prediksi NHCE, namun dengan latency 2x lebih tinggi dibanding Random Forest.
Metodologi Pendekatan Penelitian Penelitian ini menggunakan metode campuran .
ixed-metho.
Kuantitatif: Pengumpulan data sensor .
monia, suhu, kelembaba.
secara real-time dan uji statistik.
Kualitatif: Wawancara dengan peternak untuk mengevaluasi usability sistem.
Desain penelitian berupa eksperimen lapangan dengan tahapan perancangan sistem IoT-AI ( Implementasi di kandang closed house.
Pengujian performa selama 60 har.
2 Lokasi dan Waktu Penelitian Lokasi: Kandang closed house komersial di Kabupaten Bandung .
000 ekor ayam Dengan rentang Waktu: JuliAeSeptember 2024 .
iklus pemeliharaan ayam 1 period.
Tabel 1.
Variabel Penelitian Variabel
Kadar amonia (NHCE) Suhu
Kelembaban Mortalitas Ayam
Alat Ukur
Sensor MQ135 Kalibrasi
DHT22
DHT22
Observasi Harian Skala Data Interval .
Interval (AC) Persentase (%) Rasio (%) 3 Alat dan Bahan Kebutuhan Sensor dibutuhkan.
MQ135 .
eteksi NHCE, range 10Ae300 ppm, akurasi A3%).
DHT22 .
uhu dan kelembaban, akurasi A0.
5AC).
Mikrokontroler: ESP32 dengan modul Wi-Fi.
Kebutuhan Aktuator Dibutuhkan.
Kipas exhaust 12V .
ontrol ventilas.
Pemanas infrared .
tabilisasi suh.
Power Supply: Solar panel 50W baterai 12Ah.
Sebagai Aplikasi atau Software yang di butuhkan berplatform IoT seperti Blynk/Thinger.
untuk dashboard monitoring.
Sedangkan Aplikasi atau Program AI menggunakan Bahasa pemrograman Python (Scikitlearn untuk Random Forest.
TensorFlow untuk LSTM).
Dengan Database Firebase .
enyimpanan data time-serie.
Prosedur Penelitian MQ135 dikalibrasi menggunakan gas NHCE standar 20 ppm, 50 ppm, dan 100 ppm.
Persamaan kalibrasi: Vout = 1.
92 * [NHCE] 0.
21 (RA = 0.
Setelah proses kalibrasi maka berjalan seiring dengan membangun sistemasi IoT dengan kata lain membangun Arsitektur IoT.
Berikut Diagram Rancangannya.
Gambar 1.
Diagram Rancang Bangun Arsitektur IoT Jurnal Teknologika Volume 15.
Issue 1 .
749-757 Dalam Gambar 1 Menunjukkan rancang bangun Sistem IoT Teknik kontrol terhadap sensor dengan tersimpan di cloud sehingga dapat ditampilkan di dashboard Monitoring IoT Disertai pengiriman notifikasi baik berupa SMS.
Implementasi Algoritma AI Koleksi Data.
Data dilatih menggunakan 10.
000 sampel .
uhu, kelembaban.
NHCE histori.
Pelatihan Model.
Random Forest .
_estimators=100, max_depth=.
LSTM .
layer, epoch=.
untuk komparasi.
Optimasi.
Hyperparameter tuning dengan GridSearchCV.
Pengujian Lapangan Uji Akurasi Sensor.
Bandingkan pembacaan MQ135 dengan gas analyzer profesional (GT901NHCE).
Uji Respons Sistem.
Ukur waktu tunggu sejak deteksi NHCE >20 ppm hingga kipas aktif.
Uji Dampak.
Bandingkan mortalitas dan FCR (Feed Conversion Rati.
sebelum/sesudah Analisis Data Statistik Deskriptif.
Rata-rata, standar deviasi kadar NHCE, suhu, dan kelembaban harian.
Uji Hipotesis.
Uji t-test untuk membandingkan mortalitas ayam sebelum/sesudah.
ANOVA untuk menganalisis pengaruh suhu terhadap produksi NHCE.
Visualisasi.
Grafik time-series fluktuasi NHCE vs.
aktivitas ventilasi.
Heatmap korelasi suhukelembaban-NHCE.
Validasi dan Etika Penelitian Validitas Internal.
Seperti melakukan Kalibrasi sensor tiap 7 hari.
Penggunaan kontrol kandang .
anpa IoT) sebagai pembanding.
Sedangkan Etika Melakukan Izin dari pemilik kandang dan komite etik universitas.
Ayam diperlakukan sesuai standar kesejahteraan hewan menurut .
Kriteria Keberhasilan Gambar 2.
Diagram Alir Penelitian Dengan Diagram Alir Penelitian Seperti pada gambar 2 dibawah ini , diharapkan penelitian sesuai harapan, berikut kriteria Keberhasilan Penelitian.
Sistem dinyatakan berhasil jika:
Akurasi prediksi NHCE >95% (RMSE <0.
5 pp.
Waktu respons <5 detik.
Penurunan mortalitas ayam Ou15% Jurnal Teknologika Volume 15.
Issue 1 .
749-757 Hasil dan Pembahasan 1 Hasil Pengujian IoT dan AI Dengan Mengikuti persamaan berikut, [NHCE] = (Vout - 0.
/ 1.
92 (RA = 0.
Diperoleh Hasil dari Kalibrasi Antar Sensor seperti dalam Tabel 2 Berikut, .
Tabel 2.
Hasil Kalibrasi Sensor MQ135 Konsentrasi NHCE Standar .
Pembacaan MQ135 .
Error (%) Akurasi Sensor dan Kalibrasi.
Sensor MQ135 menunjukkan akurasi 98.
2% setelah dikalibrasi dengan persamaan regresi linier.
Sedangkan untuk kalibrasi jenis sensor DHT22 berbeda.
Sensor DHT22 memiliki deviasi suhu A0.
3AC dan kelembaban A1.
5% RH dibanding termohigrometer Sehingga tidak membutuhkan kalibrasi.
Kinerja Algoritma AI Tabel 3.
Perbandingan Model AI Metrik Akurasi RMSE .
Latensi .
Random Forest
LSTM
Dari Tabel 3, diperoleh bahwa hasil analisis dan pengujian menunjukkan Random Forest mengungguli model LSTM dalam prediksi kadar NHCE 30 menit lebih jauh.
Faktor paling berpengaruh dalam prediksi, adalah pengaruh suhu dimana, suhu .
eight=0.
> kelembaban .
eight=0.
> NHCE historis .
eight=0.
, respons sistem yang terjadi adalah.
Waktu rata-rata dari deteksi NHCE >20 ppm hingga aktivasi kipas: 2.
3 detik.
Konsumsi energi ventilasi turun 28% berkat algoritma PID yang mengatur kecepatan kipas berbasis prediksi AI.
Respon Sistem dan Dampak Kondisi Kandang Salah satu yang akan memberikan dampak yang berpengaruh adalah stabilisasi lingkungan disekitar kandang.
Jurnal Teknologika Volume 15.
Issue 1 .
749-757 Gambar 3.
Grafik Fluktuasi NHCE.
Suhu, dan Kelembaban Selama 24 Jam Interpretasi Grafik:
Korelasi NHCE-Suhu.
Saat suhu naik di siang hari.
NHCE cenderung turun karena peningkatan ventilasi alami.
Peran Kelembaban.
Kelembaban tinggi (>60%) di malam hari memperlambat penguapan NHCE.
Efektivitas Sistem IoT-AI.
NHCE tidak pernah melebihi 20 ppm berkat aktivasi kipas Dari hasil gambar grafik pada gambar 3 menunjukkan bahwa sistem berhasil mempertahankan beberapa hal diantaranya.
NHCE: 8Ae15 ppm .
ebelumnya 15Ae30 pp.
Suhu: 20A1.
5AC .
ange ideal broile.
Kelembaban: 55A5% RH.
Hal ini dapat ditunjukan dari Performa ayam ternak sebelum dan sesudah penggunaan system IoT dan AI pada tabel 4.
Tabel 4.
Perbandingan Sebelum dan Sesudah Implementasi Sebelum Setelah Perubahan Penggunaan Penggunaan IoT -AI IoT -AI Sistem Sistem Mortalitas (%) Pertambahan BB .
/Har.
FCR Parameter Keterangan Turun Naik Turun Catatan: BB = Berat Badan.
FCR = Feed Conversion Ratio.
Dari Tabel 4 Kita Peroleh prosentase mortalitas ayam Turun .
Berat badan Cukup Baik Naik dan Rasio Makan atau FCR Turun sedikit menghemat pakan.
Jurnal Teknologika Volume 15.
Issue 1 .
749-757 Pembahasan Berikut Bahasan Jika mengukur Keunggulan Sistem.
Respons Cepat.
Kombinasi edge computing (ESP.
dan AI memungkinkan reaksi <3 detik terhadap lonjakan NHCE, lebih cepat dibanding sistem konvensional (>10 deti.
Adaptabilitas,Model Random Forest dapat dilatih ulang secara otomatis tiap minggu untuk menyesuaikan perubahan musim .
ontoh: peningkatan kelembaban saat musim huja.
Biaya Efisien Total biaya implementasi Rp 8.
5 juta/kandang .
reak-even dalam 6 bulan berkat penghematan pakan dan reduksi mortalita.
Sementara dari sisi Tantangan dan Solusi Interferensi Sensor.
MQ135 peka terhadap uap air dan COCC.
Solusi: Filter karbon aktif dan kalibrasi harian.
Keterbatasan Energi .
Energi Boros jika kipas aktif terus-menerus.
Solusi: Integrasi solar panel dan algoritma sleep mode.
Adapun Perbandingan dengan Penelitian Sebelumnya.
Komaludin .
: Sistem hanya memantau tanpa kontrol otomatis .
kurasi 95%).
Cao et al.
: Fokus pada prediksi NHCE tanpa integrasi Penelitian Ini: Menghubungkan prediksi AI dengan aksi fisik .
entilasi/pemana.
, mengurangi NHCE hingga 40%.
Bahasan Terakhir adalah terkait Implikasi Praktis Bagi Peternak Mengurangi ketergantungan pada tenaga kerja manual untuk memantau kandang.
Meningkatkan profitabilitas melalui penurunan FCR dan mortalitas.
Bagi Industri Potensi adopsi massal dengan modifikasi skala besar .
ontoh: integrasi 5G untuk 000 eko.
Bagi Peneliti Dapat dikembangkan untuk deteksi penyakit ayam berbasis pola NHCE dan suhu.
Rekomendasi Adapun rekomendasi peneliti adalah.
Penambahan Sensor lain seperti.
COCC dan HCCS untuk analisis kualitas udara komprehensif.
Juga Expansi Fitur Seperti Notifikasi via WhatsApp dan integrasi ERP Kesimpulan Berdasarkan hasil penelitian dan pembahasan yang telah dilakukan, dapat disimpulkan bahwa:
Efektivitas Sistem IoT-AI Sistem IoT berbasis kecerdasan buatan (AI) yang dikembangkan terbukti mampu memonitor dan mengendalikan kadar amonia (NHCE), suhu, serta kelembaban dalam kandang closed house secara real-time dengan akurasi 98.
7% (RMSE = 0.
4 pp.
Respon sistem terhadap fluktuasi NHCE mencapai <3 detik, lebih cepat dibanding metode konvensional.
Peningkatan Kondisi Lingkungan Kandang Implementasi sistem berhasil menstabilkan lingkungan kandang pada:
Kadar NHCE: 8Ae15 ppm .
i bawah batas aman 20 pp.
Suhu: 20A1.
5AC .
ange optimal untuk ayam boile.
Kelembaban: 55A5% RH.
Dampak Positif pada Produktivitas Ayam Penurunan mortalitas sebesar 24% ( 1% menjadi 6.
9%).
Peningkatan pertumbuhan ayam dengan tambahan berat badan 16.
g/hari vs.
48 g/hari sebelumny.
Penghematan pakan (FCR turun dari 1.
8 menjadi 1.
Jurnal Teknologika Volume 15.
Issue 1 .
749-757 Keunggulan Komparatif.
Sistem ini mengatasi keterbatasan penelitian sebelumnya dengan.
Integrasi penuh antara prediksi AI dan kontrol aktuator .
ipas/pemana.
Penghematan energi 28% berkat algoritma PID dan solar panel.
Biaya terjangkau (Rp 8.
5 juta/kandan.
dengan ROI <6 bulan.
Potensi Pengembangan Penambahan sensor multi-gas (COCC.
HCCS) untuk analisis kualitas udara lebih komprehensif.
Integrasi dengan platform manajemen peternakan berbasis cloud.
Dengan demikian, sistem IoT-AI ini tidak hanya menjadi solusi teknis, tetapi juga pendorong efisiensi ekonomi dan keberlanjutan dalam industri peternakan ayam boiler.
Ucapan Terima Kasih Penelitian ini tidak didanai oleh lembaga / pihak manapun.
Daftar Pustaka