Taman Pintar

IoT Smart Irrigation
Machine Learning 路 Beta

Prediksi Sensor Soil & Water

Data sensor yang terkumpul akan dipakai untuk melatih model yang memperkirakan kelembaban tanah dan kapan air tandon habis.

Total data sensor

1.632

Hari terekam

1

Kejadian tanah kering

0

Kejadian air habis

0

Grafik Data Real 路 48 Jam Terakhir

Rata-rata per jam dari data sensor asli. Garis putus-putus = tren linear 24 jam + proyeksi 6 jam (baseline statistik, bukan model ML).

Tren

+1,7%/jam

Kering dalam

--

Rekomendasi

Dibuat otomatis dari data sensor terbaru

  • Kondisi stabil

    Tidak ada masalah terdeteksi. Air tandon tersedia dan kelembaban tanah terjaga.

  • Kelembaban tanah naik

    Tren 24 jam terakhir naik 1,7% per jam, penyiraman bekerja dengan baik.

  • Data suhu tanah belum masuk

    Sensor DS18B20 tidak terbaca 24 jam terakhir. Periksa kabel di pin D26 dan resistor pull-up 4,7 k惟.

  • Lanjutkan pengumpulan data

    Jumlah data sudah cukup, tunggu hingga rentang hari dan kejadian air habis memenuhi syarat pelatihan.

Prediksi Kelembaban Tanah

Regresi (Linear Regression / Random Forest)

Mengumpulkan data

Memperkirakan kelembaban tanah (%) 1 jam ke depan, sehingga penyiraman bisa dijadwalkan sebelum tanah kering.

Fitur input

Riwayat kelembaban tanah Suhu tanah (DS18B20) Status pompa Jam dalam sehari

Kesiapan dataset

Jumlah data sensor 1.632 / 1.000
Hari pengambilan data 1 / 7
Hasil prediksi akan tampil di sini setelah model dilatih dan diintegrasikan.

Prediksi Air Tandon Habis

Klasifikasi (Logistic Regression / Decision Tree)

Mengumpulkan data

Memperkirakan kapan float switch akan mendeteksi air tandon habis, sehingga tandon bisa diisi lebih awal.

Fitur input

Durasi pompa menyala sejak tandon terisi Frekuensi penyiraman Suhu tanah Riwayat status float switch

Kesiapan dataset

Jumlah data sensor 1.632 / 1.000
Hari pengambilan data 1 / 7
Kejadian air habis 0 / 20
Hasil prediksi akan tampil di sini setelah model dilatih dan diintegrasikan.

Tahapan Pengembangan

Download dataset
  1. 1

    Kumpulkan data

    ESP32 mengirim data kelembaban & suhu tanah, float switch, pompa, dan buzzer secara rutin.

  2. 2

    Siapkan dataset

    Download CSV dari menu Download untuk dibersihkan dan dilabeli.

  3. 3

    Latih model

    Latih & evaluasi model (mis. Python scikit-learn) memakai dataset tersebut.

  4. 4

    Integrasi prediksi

    Hasil model ditampilkan di halaman ini secara realtime.