Klasifikasi kebutuhan nutrisi tanaman melon pada sistem hidroponik berbasis Internet Of Things menggunakan Support Vector Machine

ABSTRAK:
Budidaya melon secara hidroponik membutuhkan pengelolaan nutrisi yang presisi karena perubahan pH, TDS, dan suhu air sangat memengaruhi penyerapan hara. Kendala yang muncul pada pertanian hidroponik adalah proses pemantauan kondisi nutrisi yang masih dilakukan secara manual, sehingga berisiko menimbulkan keterlambatan dalam mendeteksi keadaan nutrisi yang kurang, cukup, atau berlebih. Penelitian ini bertujuan mengembangkan sistem pemantauan berbasis Internet of Things (IoT) yang terintegrasi dengan algoritma Support Vector Machine (SVM) untuk mengklasifikasikan kebutuhan nutrisi secara otomatis. Proses penelitian meliputi akuisisi data sensor secara real-time, pembersihan data, normalisasi Min-Max, penyeimbangan kelas menggunakan Random Under Sampling, dan reduksi dimensi dengan Principal Component Analysis sebelum dilakukan klasifikasi menggunakan SVM kernel linear. Hasil pengujian menunjukkan bahwa model SVM memperoleh akurasi 94,63% pada rasio 80:20, 94,51% pada rasio 70:30, dan 94,83% pada rasio 60:40, yang menandakan performa model cukup stabil terhadap variasi data latih dan uji. Pengujian kalibrasi sensor menghasilkan nilai Mean Absolute Error sebesar 0,335 untuk pH, 134,692 ppm untuk TDS, dan 1,275°C untuk suhu air, yang menunjukkan tingkat penyimpangan yang masih dapat diterima. Secara keseluruhan, sistem IoT dan model SVM ini mampu memberikan klasifikasi nutrisi secara akurat dan efisien sehingga mendukung optimalisasi pengelolaan larutan nutrisi pada budidaya melon hidroponik.

ABSTRACT:
Hydroponic melon cultivation requires precise nutrient management because fluctuations in pH, TDS, and water temperature significantly affect nutrient absorption. A major challenge in hydroponic agriculture is that nutrient condition monitoring is still performed manually, which increases the risk of delayed detection of nutrient states such as deficient, adequate, or excessive. This study aims to develop an Internet of Things (IoT)- based monitoring system integrated with the Support Vector Machine (SVM) algorithm to automatically classify nutrient requirements. The research process includes real-time sensor data acquisition, data cleaning, Min-Max normalization, class balancing using Random Under Sampling, and dimensionality reduction with Principal Component Analysis before performing classification using a linear kernel SVM. The results show that the SVM model achieved accuracies of 94.63% with an 80:20 ratio, 94.51% with a 70:30 ratio, and 94.83% with a 60:40 ratio, indicating stable performance across different train- test distributions. Sensor calibration tests produced Mean Absolute Error values of 0.335 for pH, 134.692 ppm for TDS, and 1.275°C for water temperature, demonstrating that the sensors operate within acceptable deviation levels. Overall, the developed IoT system and SVM model are capable of providing accurate and efficient nutrient classification, thereby supporting the optimization of nutrient solution management in hydroponic melon cultivation

مستخلص البحث:

راعة الشمام ابلطريقة املائية تتطلب إدارة دقيقة للعناصر الغذائية ألن تغري الرقم اهليدروجيين، وTDS، ودرجة حرارة املاء ً كبري على امتصاص املغذايت. من العقبات اليت تواجه الزراعة املائية هي عملية مراقبة حالة العناصر الغذائية اليت تتم يدواي يؤثر بشكل كفاية أو زايدة العناصر الغذائية. يهدف هذا البحث إىل ت حىت اآلن، مما يزيد من خطر التأخر يف اكتشاف حالة نقص أوطوير نظام مراقبة قائم على اإلنرتنت لألشياء(IoT)متكامل مع خوارزمية آلةاملتجهالداعم(SVM)لتصنيف احتياجات العناصر الغذائية تلقائيًا. تشمل عملية البحث احلصولعلى بياانت املستشعرات يف الوقت الفعلي، وتنظيف البياانت، والتطبيع ابستخدام Min- Max، وموازنة الفئات ابستخداماختيار عينة عشوائية ( Random Under Sampling)، وتقليل األبعاد ابستخدام حتليل كبات الرئيسية قبل التصنيف ابستخداماملرSVMبنواة خطية.أظهرت نتائج االختبار أن منوذجSVMحقق دقة بنسبة94,63% عند نسبة80:20، و51,94% عند نسبة70:30، و83,94% عند نسبة60:40، ما يشري إىل أن أداء النموذج مستقر إىل حد كبري جتاه تنوع بياانت التدريب واالختبار. أسفرت اختبارات معايرة املستشعر عن قيمةمتوسط اخلطأ املطلق مبقدار0,335لـ أس هيدروجيينـpH، و134,692جزء يف املليون لـTDS، و1,275درجة مئوية لدرجة حرارة املاء، مما يشري إىل مستوى احنراف ال يزال مقبوالً. بشكل عام، فإن نظام إنرتنت األشياء ومنوذجSVMقادران على تقدمي تصنيف دقيق وفعال للعناصر الغذائية مبا يدعم حتسني إدارة احملاليل املغذية يف زراعة الشمام ابلنظام املائي