AI-DRIVEN PREDICTION OF WATER QUALITY TRENDS IN BIOFLOC AQUACULTURE SYSTEMS FOR SUSTAINABLE NILA (OREOCHROMIS SPP.) CULTIVATIONS

Hapsari, Cindy (2026) AI-DRIVEN PREDICTION OF WATER QUALITY TRENDS IN BIOFLOC AQUACULTURE SYSTEMS FOR SUSTAINABLE NILA (OREOCHROMIS SPP.) CULTIVATIONS. Undergraduate thesis, Universitas Pendidikan Ganeshaa.

	Text (COVER) 2215101032-COVER.pdf Download (7MB)
	Text (ABSTRAK) 2215101032-ABSTRAK.pdf Download (7MB)
	Text (BAB 1 PENDAHULUAN) 2215101032-BAB 1 PENDAHULUAN.pdf Restricted to Repository staff only Download (7MB) | Request a copy
	Text (BAB 2 KAJIAN TEORI) 2215101032-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (7MB) | Request a copy
	Text (BAB 3 METODELOGI PENELITIAN) 2215101032-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (7MB) | Request a copy
	Text (BAB 4 HASIL DAN PEMBAHASAN) 2215101032-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (7MB) | Request a copy
	Text (BAB 5 PENUTUP) 2215101032-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (7MB) | Request a copy
	Text (DAFTAR PUSTAKA) 2215101032-DAFTAR PUSTAKA.pdf Download (7MB)
	Text (LAMPIRAN) 2215101032-LAMPIRAN.pdf Download (7MB)

Abstract

Kualitas air merupakan faktor penting dalam keberhasilan budidaya nila berbasis biofloc, karena fluktuasi parameter seperti suhu, pH, dan Total Dissolved Solids (TDS) dapat memengaruhi pertumbuhan dan tingkat kelangsungan hidup ikan. Studi ini bertujuan untuk mengembangkan model prediksi kualitas air berbasis Long Short-Term Memory (LSTM) dengan memanfaatkan data sensor IoT yang dikumpulkan selama 90 hari (4320 titik data) dan menghasilkan prediksi untuk 3 hari berikutnya (144 langkah waktu). Dua pendekatan pemodelan dikembangkan, yaitu Model Alpha dengan pendekatan LSTM multivariat dan Model Beta dengan pendekatan LSTM univariat. Proses penelitian mengikuti kerangka kerja CRISPDM yang meliputi pemahaman bisnis, persiapan data, pemodelan, dan evaluasi. Evaluasi model dilakukan menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan koefisien determinasi (R²). Hasil pengujian menunjukkan bahwa Model Beta memiliki kinerja yang lebih stabil daripada Model Alpha pada data uji, terutama dalam prediksi multi-langkah jangka pendek. Indeks Kualitas Air (WQI) dalam penelitian ini didefinisikan sebagai klasifikasi kesesuaian kualitas air berdasarkan standar optimal untuk kehidupan ikan nila, yaitu pH 7,0–8,0, suhu 25–30°C, dan TDS 310–440 ppm. Nilai prediksi yang dihasilkan kemudian dikategorikan ke dalam kondisi Sesuai, Waspada, atau Tidak Sesuai untuk mendukung pengambilan keputusan preventif. Secara keseluruhan, penelitian ini menunjukkan bahwa pendekatan LSTM dapat digunakan sebagai sistem pendukung keputusan dalam memantau kualitas air kolam biofloc, dengan model univariat menunjukkan stabilitas kinerja yang lebih baik dalam konfigurasi data penelitian ini.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Long Short-Term Memory, Prediksi Kualitas Air, Internet of Things, Time Series Forecasting
Subjects:	S Agriculture > SH Aquaculture. Fisheries. Angling T Technology > TD Environmental technology. Sanitary engineering
Divisions:	Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1)
Depositing User:	CINDY HAPSARI
Date Deposited:	10 Jun 2026 00:36
Last Modified:	10 Jun 2026 00:36
URI:	http://repo.undiksha.ac.id/id/eprint/29682

Actions (login required)

View Item