SISTEM KENDALI IKLIM MIKRO PADA GREENHOUSE TENAGA SURYA MELALUI PENDEKATAN NEURAL NETWORK DAN IOT MONITORING DALAM SKEMA AGRIVOLTAIC

OKTARINA, YURNI and Nawawi, Zainuddin and Suprapto, Bhakti Yudho and Dewi, Tresna (2024) SISTEM KENDALI IKLIM MIKRO PADA GREENHOUSE TENAGA SURYA MELALUI PENDEKATAN NEURAL NETWORK DAN IOT MONITORING DALAM SKEMA AGRIVOLTAIC. Doctoral thesis, Sriwijaya University.

	Text RAMA_21001_03013622227005_cover.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (197kB) | Request a copy
	Text RAMA_21001_03013622227005.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (31MB) | Request a copy
	Text RAMA_21001_03013622227005_TURNITIN.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (26MB)
	Text RAMA_21001_03013622227005_0003035903_0011027503_0025117701_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (3MB)
	Text RAMA_21001_03013622227005_0003035903_0011027503_0025117701_02.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy
	Text RAMA_21001_03013622227005_0003035903_0011027503_0025117701_03.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy
	Text RAMA_21001_03013622227005_0003035903_0011027503_0025117701_04.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy
	Text RAMA_21001_03013622227005_0003035903_0011027503_0025117701_05.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (771kB) | Request a copy
	Text RAMA_21001_03013622227005_0003035903_0011027503_0025117701_06.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy
	Text RAMA_21001_03013622227005_0003035903_0011027503_0025117701_07.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (234kB) | Request a copy
	Text RAMA_21001_03013622227005_0003035903_0011027503_0025117701_08_ref.pdf - Bibliography Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (191kB) | Request a copy
	Text RAMA_21001_03013622227005_0003035903_0011027503_0025117701_09_lamp.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (22MB) | Request a copy

Abstract

Pertanian cerdas menjadi solusi untuk memenuhi kebutuhan pangan yang terus meningkat meski menghadapi tantangan seperti berkurangnya lahan subur dan menurunnya jumlah petani. Dengan teknologi seperti kendali, sensor, dan aktuator, sistem ini mengurangi beban kerja petani dan tidak memerlukan lahan luas. Di Sumatera Selatan, melimpahnya energi surya mendukung sistem agrivoltaic, terutama di Palembang, yang memiliki iradiasi mingguan hingga 1278,8 W/m². Potensi energi surya yang melimpah ini menjanjikan sumber energi terbarukan yang andal namun, fluktuasi ketersediaan iradiasi matahari menjadi tantangan yang harus diatasi. Dalam konteks ini, pengembangan model prediktif berbasis machine learning, seperti hybrid LSTM-ANN, menjadi krusial untuk memprediksi luaran fotovoltaik secara akurat, termasuk tegangan, daya, dan iradiasi matahari. Model hibrid ini menunjukkan peningkatan akurasi yang signifikan, prediksi tegangan meningkat 15% dengan Mean Absolute Error (MAE) sebesar 0,1016 dan Root Mean Squared Error (RMSE) sebesar 0,1417. Prediksi iradiasi meningkat 20% dengan MAE sebesar 0,0895 dan RMSE sebesar 0,1149, sementara prediksi daya meningkat 18% dengan MAE sebesar 0,1506 dan RMSE sebesar 0,1954. Studi juga memanfaatkan model Convolutional Neural Networks (CNN) dengan transfer learning untuk prediksi hasil panen cabai. Dengan data dari greenhouse bertenaga surya berbasis IoT, kinerja model EfficientNetV2L dan ResNet 50 mencapai akurasi 100%, sementara EfficientNetV2M mencapai 96%. Dengan mengintegrasikan energi terbarukan, machine learning, dan otomatisasi, agrivoltaic cerdas menawarkan masa depan pertanian yang lebih efisien, ramah lingkungan, dan berkelanjutan, diharapkan memberikan kontribusi signifikan pada pengelolaan pangan dan energi global.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	Pertanian Cerdas, Agrivoltaic, iradiasi, hybrid LSTM-ANN, CNN
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1-9971 Electrical engineering. Electronics. Nuclear engineering > TK1 Electrical engineering--Periodicals. Automatic control--Periodicals. Computer science--Periodicals. Information technology--Periodicals. Automatic control. Computer science. Electrical engineering. Information technology.
Divisions:	03-Faculty of Engineering > 21001-Engineering Science (S3)
Depositing User:	Yurni Oktarina
Date Deposited:	19 Dec 2024 03:29
Last Modified:	19 Dec 2024 03:29
URI:	http://repository.unsri.ac.id/id/eprint/160820

Actions (login required)

View Item