Integrasi Sistem Pemantauan dan Pengendalian Pompa Air Otomatis Berbasis AI dan IoT pada Sistem Hidroponik di Daerah Beriklim Panas

HYDROGRATE🌱

Sistem otomatis berbasis AI dan IoT untuk membantu petani hidroponik menghadapi cuaca ekstrem. Menggunakan sensor dan ESP32-S3, sistem memantau suhu, kelembaban, dan pH, lalu mengontrol pompa dan kipas otomatis. Data ditampilkan real-time melalui website, membantu menjaga kestabilan tanaman secara efisien dan andal.

MEET THE TEAM!

THE PROBLEM?

Cuaca panas ekstrem di daerah Lamongan menyebabkan tanaman hidroponik cepat layu dan kekurangan air.
Fluktuasi suhu, kelembaban, dan pH larutan sulit dikontrol secara manual.
Risiko gagal panen meningkat karena ketidakstabilan lingkungan tanam.

GOALS

Mengembangkan sistem otomatis berbasis AI & IoT untuk memantau dan mengendalikan kondisi tanaman hidroponik secara real-time.
Mengurangi dampak cuaca panas ekstrem dengan mengaktifkan pompa dan kipas secara otomatis berdasarkan data sensor.
Mengintegrasikan TinyML dan cloud computing agar sistem mampu memproses data secara lokal dan menampilkannya melalui website.

SOLUTION

Sistem Hidroponik Pintar: Mengembangkan sistem otomatis untuk membantu tanaman hidroponik bertahan dalam cuaca panas ekstrem.
Pemantauan Otomatis: Sistem menggunakan mikrokontroler ESP32-S3 dengan sensor suhu, kelembaban, pH, dan ultrasonik untuk memantau kondisi tanaman secara real-time.
Kontrol Berbasis AI: Kecerdasan Buatan (TinyML) yang tertanam di perangkat secara cerdas memprediksi dan mengaktifkan pompa air serta kipas pendingin sesuai kebutuhan.
Pemantauan Jarak Jauh: Data dikirim ke cloud AWS dan ditampilkan pada website, memungkinkan petani untuk memantau kondisi tanaman dari mana saja

COMPONENT

( Hardware )

🧠 ESP32-S3: Mikrokontroler utama yang menjadi pusat pemrosesan data, menjalankan model AI, dan memiliki kapabilitas koneksi Wi-Fi.
🌡️ Sensor Suhu & Kelembaban (DHT22): Mengukur suhu dan tingkat kelembaban udara di sekitar tanaman hidroponik.
🧪 Sensor pH (PH-4502C): Mendeteksi tingkat keasaman atau kebasaan pada larutan nutrisi hidroponik.
📏 Sensor Ultrasonik (HC-SR04): Mengukur ketinggian permukaan air di dalam tangki nutrisi untuk mencegah kekeringan.
💧 Pompa Air: Berfungsi untuk mengalirkan air dan nutrisi dalam sistem hidroponik, dikontrol oleh MCU.
🌬️ Kipas Angin: Mendinginkan lingkungan sekitar tanaman ketika suhu terdeteksi terlalu tinggi.
🔌 Relay: Berperan sebagai saklar elektronik yang dikendalikan oleh ESP32 untuk menghidupkan atau mematikan pompa air.
🔔 Buzzer: Memberikan peringatan dalam bentuk suara jika sistem mendeteksi kondisi abnormal.
💡 LED: Memberikan indikator visual untuk menunjukkan status sistem, seperti koneksi berhasil atau adanya gangguan.

(Software)

🤖 TinyML (Random Forest): Model machine learning yang ditanamkan pada ESP32 untuk membuat prediksi dan keputusan otomatis berdasarkan data sensor.
☁️ AWS Cloud: Platform cloud yang digunakan untuk menyimpan, memproses, dan mengelola data yang dikirim dari perangkat IoT.
📊 Website Monitoring: Antarmuka pengguna berbasis web untuk menampilkan visualisasi data sensor secara real-time.
💻 Arduino IDE: Digunakan sebagai lingkungan pemrograman untuk mengembangkan kode pada mikrokontroler ESP32.
📡 Protokol MQTT: Protokol komunikasi yang digunakan untuk mengirimkan data dari ESP32 ke AWS IoT Core secara efisien.

SYSTEM DIAGRAM

Wiring Diagram

Schematic Diagram

WORKFLOW

Pengambilan Data: Proses dimulai saat sensor-sensor utama—yaitu sensor pH, suhu, dan kelembaban—membaca kondisi lingkungan hidroponik. Proses pembacaan ini dilakukan secara berkala setiap 5 detik.
Pemrosesan Data: Data yang telah dibaca oleh sensor kemudian dikirimkan ke Microcontroller Unit (MCU) ESP32-S3. Di dalam MCU, data tersebut diproses oleh model Machine Learning (TinyML) yang telah ditanamkan untuk dianalisis.
Pengambilan Keputusan Berbasis AI:
- Kondisi Suhu: Model AI akan pertama kali memeriksa data suhu. Jika terdeteksi “suhu tinggi” (kondisi True), sistem akan secara otomatis menyalakan kipas pendingin hingga suhu kembali normal dan mengirimkan notifikasi. Jika suhu normal (kondisi False), sistem akan melanjutkan ke pengecekan berikutnya.
- Kondisi Air dan pH: Selanjutnya, model akan memeriksa data dari sensor pH dan ultrasonik. Jika terdeteksi “pH rendah dan air berkurang” (kondisi True), sistem akan mengaktifkan pompa air untuk mengisi kembali nutrisi hingga mencapai ambang batas yang ditentukan, lalu mengirimkan notifikasi. Jika tidak (kondisi False), sistem dianggap berjalan normal.
Integrasi Cloud dan Monitoring: Setelah proses pengecekan dan eksekusi tindakan selesai, seluruh data sensor dikirimkan ke platform cloud AWS. Data yang tersimpan di cloud kemudian ditampilkan dalam bentuk visualisasi pada website monitoring, sehingga pengguna dapat memantau kondisi sistem secara real-time.

DEMO AND EVALUATION

Setup: Sistem dirakit dengan menghubungkan berbagai sensor (DHT22 untuk suhu/kelembaban, PH-4502C untuk pH, dan HC-SR04 untuk level air) serta aktuator (pompa air, kipas pendingin, buzzer) ke mikrokontroler ESP32-S3. Firmware yang dikembangkan di Arduino IDE kemudian diunggah ke ESP32-S3. Lingkungan operasional memerlukan koneksi Wi-Fi agar ESP32-S3 dapat mengirim data melalui protokol MQTT ke backend AWS Cloud. Infrastruktur cloud memanfaatkan AWS IoT Core, Lambda untuk pemrosesan, dan DynamoDB untuk penyimpanan data, dengan website monitoring yang di-hosting pada instance Amazon EC2.

Demo: Demonstrasi menunjukkan sistem menangkap data sensor suhu, kelembaban, pH, dan ketinggian air, lalu mengirimkannya ke AWS cloud setiap 15 detik. Data tersebut ditampilkan secara real-time pada dasbor monitoring web. Simulasi suhu panas (menggunakan pemantik di dekat sensor DHT22) dilakukan dan berhasil memicu kipas pendingin secara otomatis. Alur data dapat dilacak mulai dari perangkat, melalui klien pengujian AWS IoT MQTT , hingga masuk ke database DynamoDB, yang mengonfirmasi bahwa pipeline data berfungsi sepenuhnya.

Link Video Demonstrasi: https://drive.google.com/drive/folders/1K1IWh8FVo4AMdM9mb8Nt5Is3zoJiLLUt?usp=sharing

Evaluasi: Sistem dievaluasi dengan menguji komponen inti dan fungsionalitasnya.

- Responsivitas & Integrasi Sistem: Pengujian perangkat keras mengonfirmasi bahwa sensor dan aktuator berfungsi dengan benar, dan sistem merespons secara tepat terhadap perubahan lingkungan yang disimulasikan. Integrasi perangkat lunak antara ESP32, layanan AWS Cloud, dan dasbor web berhasil dengan komunikasi data real-time yang konsisten melalui MQTT.
- Model Machine Learning: Model TinyML (Random Forest) yang tertanam diuji untuk kemampuan prediktifnya. Namun, performanya dinilai kurang optimal, dengan akurasi hanya mencapai 53%. Hal ini terutama disebabkan oleh penggunaan dataset eksternal dari Kaggle yang tidak merepresentasikan kondisi hidroponik lokal secara akurat.
- Keterbatasan: Tantangan utama yang teridentifikasi selama evaluasi meliputi sulitnya melakukan kalibrasi sensor pH secara akurat dan fakta bahwa sistem diuji melalui simulasi internal, bukan pada lahan hidroponik skala besar yang sesungguhnya.

CONCLUSION

Sistem yang dikembangkan ini berfungsi dengan baik, mampu menangkap data dari sensor secara akurat dan menampilkannya pada platform web secara real-time. Dengan teknologi Machine Learning, sistem dapat secara otomatis menganalisis data untuk memprediksi kondisi tanaman dan memberikan rekomendasi, seperti penyesuaian suhu atau nutrisi.

Integrasi IoT memungkinkan petani untuk memantau tanaman dari jarak jauh, mengoptimalkan penggunaan sumber daya seperti air dan energi, sekaligus mengurangi ketergantungan pada pemantauan manual. Pada akhirnya, sistem ini diharapkan dapat membantu petani meningkatkan hasil pertanian, mengurangi biaya operasional, dan mendukung pertanian yang lebih berkelanjutan.