Automatic Plant Watering Based on IoT-Based Light Intensity (Case Study: STMIK Kaputama Plantation)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Kangkung is one of the most popular vegetable commodities that requires sufficient water availability to support optimal growth. Manual watering often causes problems, such as water deficiency that leads to wilting or excessive watering that increases the risk of root rot. These issues are further influenced by environmental factors such as light intensity and soil moisture, which strongly affect the plant’s water requirements. This study aims to design and implement an automatic watering system based on the Internet of Things (IoT) to address these problems, with a case study in the STMIK Kaputama Garden. The system employs an LDR sensor to detect light intensity and an FC-28 soil moisture sensor as the main parameters. A NodeMCU ESP32 microcontroller acts as the controller, processing sensor data in real-time, operating the water pump via a relay module, and connecting to the Blynk application for remote monitoring and control through a smartphone. Experimental results show that the pump activates when light intensity exceeds 700 lux and soil moisture is below 40%, and automatically stops when soil moisture reaches 65%. The system has proven effective in maintaining soil moisture according to plant needs, conserving water, and simplifying plant care. Therefore, this research provides a practical and efficient solution to support modern technology-based agriculture.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle