Analisis Kinerja Mikrokomputer Raspberry Pi Pada Smart Greenhouse Berbasis Internet Of Things (IoT) Menggunakan Algoritma Naive Baye
DOI:
https://doi.org/10.32938/jitu.v3i2.5231Keywords:
Raspberry Pi, smart greenhouse, Internet of Things (IoT), algoritma naïve bayes, kinerja, analisis.Abstract
Smart Greenhouse adalah sistem yang menggunakan teknologi Internet of Things (IoT) untuk mengontrol dan memantau lingkungan pertumbuhan tanaman secara otomatis. Dalam melakukan analisis kinerja mikrokomputer Raspberry Pi dalam Smart Greenhouse berbasis IoT, dengan menerapkan algoritma Naive Bayes untuk menganalisis data dan membuat keputusan berdasarkan kondisi lingkungan tanaman. Hasil analisis terhadap mikrokomputer Raspberry Pi pada Smart Greenhouse menggunakan algoritma Naive Bayes dapat digunakan untuk memprediksi variabel lingkungan, seperti suhu dan kelembapan, sesuai data yang diperoleh dengan total data set adalah 500 baris menggunakan 4 variabel dengan mempunyai nilai evaluasi terhadap suhu udara dengan MSE (0.25) dan RMSE (0.50), kelembapan udara dengan MSE (0.07) dan RMSE (0.27), kelembapan tanah dengan MSE (0.00) dan RMSE (0.00) dan UV dengan nilai MSE (0.94) dan RMSE(0.97)
Smart Greenhouse adalah sistem yang menggunakan teknologi Internet of Things (IoT) untuk mengontrol dan memantau lingkungan pertumbuhan tanaman secara otomatis. Dalam melakukan analisis kinerja mikrokomputer Raspberry Pi dalam Smart Greenhouse berbasis IoT, dengan menerapkan algoritma Naive Bayes untuk menganalisis data dan membuat keputusan berdasarkan kondisi lingkungan tanaman. Hasil analisis terhadap mikrokomputer Raspberry Pi pada Smart Greenhouse menggunakan algoritma Naive Bayes dapat digunakan untuk memprediksi variabel lingkungan, seperti suhu dan kelembapan, sesuai data yang diperoleh dengan total data set adalah 500 baris menggunakan 4 variabel dengan mempunyai nilai evaluasi terhadap suhu udara dengan MSE (0.25) dan RMSE (0.50), kelembapan udara dengan MSE (0.07) dan RMSE (0.27), kelembapan tanah dengan MSE (0.00) dan RMSE (0.00) dan UV dengan nilai MSE (0.94) dan RMSE(0.97)
References
S. R. Hartanto, R. Ulansari, and A. Syakur, “674-2239-1-Pb,” vol. 5, no. 2, 2019.
K. A. Sandy, A. Aribowo, A. S. Putra, and A. R. Mitra, “Sistem Penyiraman Otomatis,” vol. 11, no. 1, pp. 7–15, 2021.
V. A. Permadi, “Analisis Sentimen Menggunakan Algoritma Naive Bayes Terhadap Review Restoran di Singapura,” J. Buana Inform., vol. 11, no. 2, pp. 141–151, 2020, doi: 10.24002/jbi.v11i2.3769.
T. A. Pratiwi, M. Irsyad, R. Kurniawan, S. Agustian, and B. S. Negara, “Klasifikasi Kebakaran Hutan Dan Lahan Menggunakan Algoritma Naïve Bayes Di Kabupaten Pelalawan,” CESS (Journal Comput. Eng. Syst. Sci., vol. 6, no. 1, p. 139, 2021, doi: 10.24114/cess.v6i1.22555.
Y. E. Fadrial, “Algoritma Naive Bayes Untuk Mencari Perkiraan Waktu Studi Mahasiswa,” INTECOMS J. Inf. Technol. Comput. Sci., vol. 4, no. 1, pp. 20–29, 2021, doi: 10.31539/intecoms.v4i1.2219.
A. Prasetya Wibawa, W. Lestar, A. Bella Putra Utama, I. Tri Saputra, and Z. Nabila Izdihar, “Multilayer Perceptron untuk Prediksi Sessions pada Sebuah Website Journal Elektronik,” Indones. J. Data Sci., vol. 1, no. 3, pp. 57–67, 2020, doi: 10.33096/ijodas.v1i3.15.
I. Rasila, U. Ristian, J. Rekayasa Sistem Komputer, and F. H. MIPA Universitas Tanjungpura Jl Hadari Nawawi, “Implementasi Metode Naive Bayes Classifier Pada Sistem Pengklasifikasi Berita Otomatis Berbasis Website (Studi Kasus: Berita Lokal Dari Mediamassa Online Kalimantan Barat),” Coding J. Komput. dan Apl., vol. 07, no. 2, pp. 49–60, 2019.
