RANCANG BANGUN SISTEM MONITORING BUDIDAYA DAN PANEN MAGGOT BERBASIS INTERNET OF THINGS DAN MACHINE LEARNING

Budidaya maggot Black Soldier Fly (BSF) secara manual kurang efisien dan berisiko terlambat menangani perubahan kondisi lingkungan. Penelitian ini bertujuan merancang sistem monitoring budidaya maggot berbasis Internet of Things (IoT) terintegrasi machine learning untuk memprediksi hasil panen. Sistem dikembangkan menggunakan Raspberry Pi 4 Model B sebagai pengontrol utama, sensor DHT22 (suhu-kelembapan), MQ-135 dan ADS1115 (kualitas udara), serta lima Load Cell dan HX711 (berat maggot-pakan). Data ditampilkan pada LCD I2C, dikirim real-time ke Firebase, dan diakses via aplikasi Android, dengan aktuator relay, kipas, lampu pemanas, servo, LED, dan buzzer bekerja otomatis pada ambang suhu 28–33°C, kelembapan 65–75%, dan kualitas udara di bawah
20 ppm. Pengujian DHT22 kondisi normal menghasilkan rata-rata suhu 29,68°C berbanding standar 29,02°C (deviasi 0,66%–2,94%), dan pada kondisi berpemanas 32,52°C (deviasi 0,62%–3,79%). Kelembapan terbaca rata-rata 80,92% berbanding standar 71,4% (deviasi 0,76%–3,16%). Sensor MQ-135 menghasilkan nilai ADC 7067, 4626, dan 8344 setara 60, 75, dan 100 ppm untuk kondisi bersih, normal, dan tidak sehat. Kelima Load Cell mencatat rata-rata 2659,0 gram berbanding standar 2649,6 gram, dengan error 0,15%–1,87% (rata-rata 0,70%). Pengujian keseluruhan sistem pada lima skenario suhu 28–33°C menunjukkan seluruh aktuator merespons sesuai logika ambang batas. Pengujian QoS menghasilkan throughput 35,71–50,00 kbps (rata-rata 43,76 kbps, indeks 100%), packet loss 0%–10% (rata-rata 2%), serta delay 45,11–72,46 ms per pengujian dengan rentang 33,3–161,8 ms (rata-rata total 57,25 ms), seluruhnya kategori Sangat Bagus standar TIPHON. Sistem terbukti andal mengoptimalkan pemantauan, otomatisasi pengendalian, dan efisiensi budidaya maggot