Pembuatan Sistem Pengkabutan Otomatis dengan Kontrol Suhu Air dan Suhu Udara Berbasis Iot

Abstract

Penelitian ini bertujuan untuk mengatasi tantangan suhu berlebih pada kebun hidroponik dengan menerapkan sistem pengendalian suhu dan suhu air. Masalah utama yang diidentifikasi adalah suhu yang berlebih pada lingkungan hidroponik dan kurangnya metode yang digunakan untuk memantau serta mengendalikan suhu dan suhu air di kebun tersebut. Penelitian ini fokus pada cara mengatasi suhu berlebih dengan menggunakan sistem pengkabutan yang dapat menjaga suhu udara pada suhu optimal yaitu 24 sampai 35°C dan suhu air sesuai dengan yang telah ditentukan untuk kondisi dingin yaitu 23 sampai 26°C. Selain itu, penelitian ini juga mencari solusi untuk memonitor suhu dan suhu air kebun hidroponik. Dilakukan pengumpulan data dan analisis data sehingga didapatkan nilai Mean Square Error sebesar 1.87 menunjukkan bahwa rata-rata kesalahan prediksi model kuadrat adalah 1.87°C. Nilai Root Mean Squared Error sebesar 1.37 menunjukkan bahwa akar rata-rata kesalahan prediksi model kuadrat adalah 1.37°C dan didapatkan nilai R squared sebesar 0.87 menunjukkan bahwa model regresi ini mampu menjelaskan 87% variasi suhu udara yang diamati.

This research aims to overcome the challenge of excessive temperatures in hydroponic gardens by implementing a temperature and water temperature control system. The main problems identified were excessive temperatures in the hydroponic environment and the lack of methods to monitor and control the water temperature in the garden. This research focuses on overcoming excessive temperatures by using a pengkabutan system that can maintain the air temperature at the optimal temperature, namely 24 to 35 degrees Celsius, and the water temperature according to what has been determined for cold conditions, namely 23 to 26 degrees Celsius. Apart from that, this research also looks for solutions to monitor hydroponic gardens' temperature and water temperature. Data collection and analysis were conducted to obtain a Mean Square Error value of 1.87, indicating that the average square model prediction error was 1.87 degrees. The Root Mean Squared Error value of 1.37 shows that the root mean squared model prediction error is 1.37°C, and the R-squared value of 0.87 shows that this regression model can explain 87% of the observed air temperature variations.