Analisis Statistik Deskriptif Akurasi Sensor Pada Implementasi Teknologi Iot Untuk Monitoring Dan Otomasi Pengaturan pH Pada Sistem Hidroponik NFT

Abstract

Sistem hidroponik Nutrient Film Technique (NFT) merupakan salah satu inovasi pertanian modern yang menggunakan aliran tipis larutan nutrisi untuk menunjang pertumbuhan tanaman tanpa media tanah. Salah satu faktor krusial dalam sistem ini adalah kestabilan pH larutan, karena fluktuasi pH dapat memengaruhi penyerapan nutrisi dan secara langsung berdampak pada kesehatan serta produktivitas tanaman. Pengaturan pH secara manual sering kali tidak efisien dan rentan terhadap kesalahan, terutama dalam skala budidaya yang lebih besar. Penelitian ini bertujuan untuk menganalisis implementasi teknologi Internet of Things (IoT) dalam sistem hidroponik NFT, dengan fokus pada aspek monitoring dan otomasi pengaturan pH. Sensor pH berbasis IoT digunakan untuk memperoleh data secara real-time, yang kemudian dianalisis menggunakan metode statistik deskriptif untuk mengevaluasi tingkat akurasi dan stabilitas sistem. Parameter utama yang dikaji meliputi nilai pH, nilai referensi, serta persentase error dari pembacaan sensor. Temuan ini menjadi landasan penting dalam pengembangan sistem pertanian cerdas yang andal dan berkelanjutan.

The Nutrient Film Technique (NFT) hydroponic system is a modern agricultural innovation that utilizes a thin film of nutrient solution to support plant growth without the use of soil. One of the most critical factors in this system is the stability of the nutrient solution's pH, as fluctuations in pH can significantly affect nutrient absorption and directly impact plant health and productivity. Manual pH regulation is often inefficient and prone to error, particularly in large-scale cultivation. This study aims to analyze the implementation of Internet of Things (IoT) technology in an NFT hydroponic system, focusing on the monitoring and automation of pH regulation. An IoT-based pH sensor was employed to collect realtime data, which was then analyzed using descriptive statistical methods to evaluate the system’s accuracy and stability. The main parameters analyzed include pH values, reference measurements, and the percentage of error in sensor readings. These findings provide a crucial foundation for developing reliable and sustainable smart farming systems