PENGEMBANGAN SISTEM BERBASIS IOT DAN MACHINE LEARNING   UNTUK PREDIKSI DEBIT AIR BENDUNGAN SECARA REAL TIME

Sayid Zapar Ardian; Martanto .; Denni Pratama; Fathurrohman .

Authors

Sayid Zapar Ardian STMIK IKMI Cirebon, Indonesia
Martanto . STMIK IKMI Cirebon, Indonesia
Denni Pratama STMIK IKMI Cirebon, Indonesia
Fathurrohman . STMIK IKMI Cirebon, Indonesia

Keywords:

Internet of Things, Machine Learning, random Forest

Abstract

Perubahan iklim global dan peningkatan aktivitas manusia menyebabkan fluktuasi debit air yang signifikan, sehingga dibutuhkan sistem pemantauan dan prediksi yang cepat, akurat, dan adaptif. Penelitian ini bertujuan mengembangkan sistem pemantauan debit air berbasis Internet of Things yang terintegrasi dengan Machine Learning untuk memprediksi perubahan debit air bendungan secara waktu nyata. Sistem dirancang menggunakan Sensor Ultrasonik HC-SR04 sebagai pengukur tinggi muka air, mikrokontroler ESP32 untuk pengolahan dan transmisi data, serta platform Blynk Cloud sebagai media visualisasi. Data hasil pengukuran dikumpulkan dan dianalisis menggunakan algoritma Random Forest Regression untuk menghasilkan model prediksi debit air. Penelitian dilakukan melalui pendekatan eksperimen rekayasa sistem dengan model prototipe, yang melibatkan tahapan perancangan perangkat keras, integrasi perangkat lunak, pengumpulan data, pelatihan model, dan validasi hasil. Hasil pengujian menunjukkan bahwa sistem mampu membaca data tinggi air dengan akurasi di atas 95% dan menghasilkan prediksi debit air dengan nilai koefisien determinasi R² sebesar 0,98, yang menandakan performa prediksi sangat baik. Dashboard Blynk menampilkan kondisi debit dalam tiga kategori status: Aman, Waspada, dan Bahaya, sebagai sistem peringatan dini bagi pengelola bendungan. Integrasi IoT dan Machine Learning terbukti meningkatkan efisiensi pemantauan, kecepatan respon, serta keandalan dalam mendeteksi perubahan debit air secara dinamis. Penelitian ini berkontribusi terhadap pengembangan sistem cerdas berbasis data untuk mitigasi bencana hidrologi, serta mendukung implementasi Sustainable Development Goals (SDG) poin 6 dan 13 terkait air bersih dan aksi iklim.

References

IPCC, H. Lee, and J. Romero, “Climate Change 2023 Synthesis Report: Summary for Policymakers. A Report of the Intergovernmental Panel on Climate Change,” Ipcc, Wmo & Unep, pp. 1–34, 2023.

R. Wiryasaputra, C. Y. Huang, Y. J. Lin, and C. T. Yang, “An IoT Real-Time Potable Water Quality Monitoring and Prediction Model Based on Cloud Computing Architecture,” Sensors, vol. 24, no. 4, pp. 1–13, 2024, doi: 10.3390/s24041180.

A. Biglari and W. Tang, “A Review of Embedded Machine Learning Based on Hardware, Application, and Sensing Scheme,” Sensors, vol. 23, no. 4, 2023, doi: 10.3390/s23042131.

S. Güneş Şen, “Machine Learning-Based Water Level Forecast in a Dam Reservoir: A Case Study of Karaçomak Dam in the Kızılırmak Basin, Türkiye,” Sustainability (Switzerland), vol. 17, no. 18, 2025, doi: 10.3390/su17188378.

M. N. Adli Zakaria et al., “Exploring machine learning algorithms for accurate water level forecasting in Muda river, Malaysia,” Heliyon, vol. 9, no. 7, p. e17689, 2023, doi: 10.1016/j.heliyon.2023.e17689.

F. Frisk and O. Johansson, “Comparative Evaluation of Water Level Forecasting Using IoT Sensor Data: Hydrodynamic Model SWMM vs. Machine Learning Models Based on NARX Framework,” Water (Switzerland), vol. 16, no. 19, 2024, doi: 10.3390/w16192776.

E. T. de Camargo et al., “Low-Cost Water Quality Sensors for IoT: A Systematic Review,” Sensors, vol. 23, no. 9, pp. 1–27, 2023, doi: 10.3390/s23094424.