IVETIVET

Joined Journal (Journal of Informatics Education)Joined Journal (Journal of Informatics Education)

Pengelolaan air bersih di instansi pemerintahan sering kali bergantung pada mekanisme manual atau saklar pelampung yang kurang efisien, menyebabkan pemborosan energi dan keterlambatan respons. Penelitian ini bertujuan mengembangkan model prediktif status pompa tandon air berbasis data sensor IoT, termasuk ketinggian air, kekeruhan, suhu, curah hujan, dan fitur temporal, untuk meningkatkan otomasi yang adaptif. Metodologi mencakup praproses data (normalisasi dengan StandardScaler, split 80:20), pelatihan enam algoritma machine learning (Logistic Regression, K-Nearest Neighbors, Support Vector Machine, Random Forest, XGBoost, Multi-Layer Perceptron) menggunakan Python di Google Colab, dengan hyperparameter tuning via GridSearchCV dan 5-fold cross-validation. Evaluasi menggunakan akurasi, precision, recall, F1-score, serta analisis interpretabilitas melalui feature importance dan SHAP. Hasil menunjukkan Random Forest dan XGBoost mencapai performa sempurna (100%), sementara model lain di atas 96%, dengan water_level_cm sebagai fitur dominan (>55-78%). Analisis SHAP mengonfirmasi konsistensi logis model. Kontribusi utama adalah dataset IoT realistis untuk skenario tandon air, evaluasi komparatif model, dan interpretabilitas yang mendukung SDGs 6 dan 9, memungkinkan implementasi otomasi efisien di konteks tropis Indonesia.

Penelitian ini membuktikan bahwa integrasi sistem IoT dengan teknik pembelajaran mesin dapat menghasilkan model prediktif status pompa tandon air yang sangat akurat, dengan Random Forest dan XGBoost mencapai akurasi, presisi, recall, dan F1-score 100 %.Analisis fitur menunjukkan bahwa water_level_cm dan manual_override merupakan faktor dominan, sementara analisis SHAP memberikan interpretabilitas yang kuat dan mendukung penerapan pada konteks Indonesia serta tujuan SDGs 6 dan 9.Namun, keterbatasan dataset yang hanya mencakup tiga bulan pengukuran menuntut penelitian lanjutan untuk menguji model pada skala lapangan yang lebih luas serta mengembangkan implementasi edge computing guna meningkatkan responsivitas dan efisiensi energi.

Penelitian selanjutnya dapat mengeksplorasi kemampuan generalisasi model dengan mengumpulkan data sensor IoT dari berbagai lokasi tandon air yang memiliki karakteristik geografis, iklim, dan pola konsumsi berbeda, sehingga dapat menjawab pertanyaan: sejauh mana model prediktif yang dikembangkan dapat mempertahankan akurasi tinggi pada lingkungan heterogen? Selanjutnya, studi dapat memperluas set fitur dengan menambahkan variabel lingkungan seperti kelembaban tanah, tekanan atmosfer, dan data historis penggunaan air, serta menguji algoritma deep learning seperti LSTM untuk menangkap dependensi temporal, guna menjawab: apakah pendekatan pembelajaran mendalam dapat meningkatkan prediksi status pompa dibandingkan model berbasis pohon keputusan? Akhirnya, diperlukan penelitian yang merancang arsitektur edge computing berbasis mikrokontroler atau perangkat edge AI untuk melakukan inferensi model secara lokal, sehingga dapat menilai: bagaimana penerapan komputasi tepi mempengaruhi latensi, konsumsi energi, dan keandalan sistem otomasi pompa dalam skenario operasional nyata.

  1. AIoTST-CR : AIoT Based Soil Testing and Crop Recommendation to Improve Yield | Joshi-Bag | Indonesian... section.iaesonline.com/index.php/IJEEI/article/view/4858AIoTST CR AIoT Based Soil Testing and Crop Recommendation to Improve Yield Joshi Bag Indonesian section iaesonline index php IJEEI article view 4858
  2. .:: Natural Sciences Publishing ::.. natural sciences publishing user information letters journal isl... doi.org/10.18576/isl/090207Natural Sciences Publishing natural sciences publishing user information letters journal isl doi 10 18576 isl 090207
  3. DOI Name 10.3390 Values. name values index type timestamp data serv crossref desc prefix mdpi email admin... doi.org/10.3390DOI Name 10 3390 Values name values index type timestamp data serv crossref desc prefix mdpi email admin doi 10 3390
  4. IoT-Based Fish Recommendation System: A Machine Learning Approach via Mobile Application for Precision... doi.org/10.5815/ijieeb.2024.06.06IoT Based Fish Recommendation System A Machine Learning Approach via Mobile Application for Precision doi 10 5815 ijieeb 2024 06 06
  1. #kepuasan pelanggan#kepuasan pelanggan
  2. #air bersih#air bersih
Read online
File size538.54 KB
Pages12
Short Linkhttps://juris.id/p-3hu
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test