Rancang Bangun Monitoring dan Pengendali Suhu, pH dan Kekeruhan Air pada Smart Akuarium
Notice bibliographique
Résumé
Ikan merupakan sumber makanan yang mudah diperoleh di indonesia, ikan tidak hanya dapat ditemukan di sungai dan di laut saja. Seiring dengan perkembangan teknologi ikan dapat dibudidayakan di rumah dengan lahan yang terbatas. Dalam budidaya ikan, kualitas air memiliki pengaruh besar terhadap produksi ikan. Terdapat beberapa parameter yang dapat dijadikan acuan bahwa air dikatakan memiliki kualitas yang baik yaitu suhu air, pH air, dan kekeruhan pada air. Pada penelitian ini menggunakan ESP32 sebagai mikrokontroler untuk memproses pembacaan sensor suhu DS18B20, sensor pH, dan sensor TDS pada akuarium, dengan data yang dapat dimonitoring melalui LCD dan smartphone. Pada alat ini dapat mengatur ON/OFF pompa berdasarkan parameter kondisi air yang telah ditentukan. Hasil perbandingan antara akuarium yang menggunakan smart akuarium dan akuarium yang tidak menggunakan smart akuarium menunjukkan bahwa menggunakan smart akuarium lebih efektif dalam menjaga kualitas air (pH 6.8, suhu 29.4ºC, kekeruhan 96 ppm) sedangkan tidak menggunakan smart akuarium (pH 3.5, suhu 28.9ºC, kekeruhan 178 ppm). Penggunaan smart akuarium juga lebih efisien karena hanya mengonsumsi rata-rata 64.6 watt per hari dengan biaya bulanan Rp 2.798, dibandingkan dengan pompa kontinyu yang mengonsumsi 324 watt per hari dengan biaya bulanan Rp 14.035. sehingga pompa yang dikendalikan oleh smart akuarium dapat lebih baik dalam menjaga kualitas air dan menghemat pengeluaran biaya penggunaan listrik.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».