Laporan Mirwana Fix

MACHINE LEARNING PEMBERI PAKAN KUCING OTOMATIS
BERBASIS IOT MENGGUNAKAN METODE ALGORITMA K-MEANS

PADA PLATFORM THINGSPEAK (PERUM)
Tugas Akhir
Disusun Sebagai Salah Satu Syarat Kelulusan Strata Satu (S1) Pada Program
Studi Teknik Informatika
Oleh :
Nama : Mirwana Wening
NPM : 1706700035
UNIVERSITAS MANDIRI
FAKULTAS TEKNIK
2022
Lembar Pengesahan
MACHINE LEARNING PEMBERI PAKAN KUCING OTOMATIS

BERBASIS IOT MENGGUNAKAN METODE ALGORITMA K-MEANS
PADA PLATFORM THINGSPEAK (PERUM)
Tugas Akhir
Oleh :
Nama : Mirwana Wening

NPM : 1706700035
Laporan Tugas Akhir ini telah diperiksa dan disetujui untuk disidangkan dan
disahkan di Universitas Mandiri Subang pada Februari 2022.
Disetujui Oleh :
Dosen Pembimbing I, Dosen Pembimbing II,
Anderias Eko Wijaya, S.T.,M.kom Eka Permana, S.T.,M.kom

NIK. 431500024 NIK. 431500028
Mengetahui,
Dekan Teknik Informatika Ketua Prodi Teknik Informatika
Usep Tatang Suryadi, S.T.,M.Kom Dicky Iskandar Sobari, M.Kom.

NIK. 413500055 NIDN. 0419039103
Abstraksi
Internet of Things dapat diterapkan dan digunakan untuk mengurangi beban kerja
manusia, misalnya memberi makan kucing secara teratur. Kucing adalah salah
satu hewan peliharaan paling populer di masyarakat saat ini. Akan tetapi demi
menjaga kesehatan kucing peliharaan, pemilik kucing harus lebih memperhatikan
makanan dan perawatan kucingnya, jika tidak kucing akan mudah terserang
penyakit yang dapat merugikan pemilik kucing. K-Means merupakan salah satu
metode data clustering non hirarki yang berusaha mempartisi data yang ada ke
dalam bentuk satu atau lebih cluster/kelompok. Metode ini mempartisi data ke
dalam cluster/kelompok sehingga data yang memiliki karakteristik yang sama
dikelompokan ke dalam satu cluster yang sama dan data yang mempunyai
karakteristik yang berbeda dikelompokan ke dalam kelompok yang lain.Sistem ini
dibuat dengan menghubungkan perangkat lunak dan perangkat keras melalui
jaringan Internet. Selain menggunakan komponen mikrokontroller nodemcu
ESP8266 yang sudah diprogram dengan menggunakan software Arduino IDE,
sistem ini juga menggunakan komponen perangkat keras lainnya, diantaranya
sensor ultrasonik sebagai sensor yang dapat mengubah besaran fisis (suara)
menjadi listrik dan sebaliknya, Sensor Load Cell untuk mendeteksi tekanan atau
berat beban, Water Level untuk mengetahui tingginya air minum, Motor servo
tertutup untuk mengatur atau menyesuaikannya untuk menentukan dan
memastikan posisi sudut poros keluaran motor.Machine Learning Pemberi Pakan
Kucing Otomatis Berbasis IoT Menggunakan Metode Algoritma K-Means Pada
Platform Thingspeak yang penulis buat telah berjalan sesuai fungsinya dengan
hasil yang baik.Keseluruhan perangkat keras dan perangkat lunak yang digunakan
tidak mengalami kendala yang berarti sehingga dapat berfungsi dengan baik
ketika proses pengembalian data dan pengujian alat berlangsung
dilapangan.Penelitian dilakukan dengan menggunakan metode perhitungan
algoritma K-Means dengan menerapkan perbandingan nilai rasio dari setiap iterasi
melalui perhitungan algoritma K-Means.
Kata Kunci : Arduino IDE, Internet of Things, K-Means , Machine Learning
iii
Abstract
The Internet of Things can be implemented and used to reduce the workload of
humans, such as feeding cats regularly. Cats are one of the most popular pets in
today's society. However, in order to maintain the health of pet cats, cat owners
should pay more attention to food and cat care, otherwise the cat will be
susceptible to diseases that can harm the cat owner. K-Means is a non-hierarchical
data clustering method that attempts to partition existing data into one or more
clusters/groups. This method partitions data into clusters/groups so that data with
the same characteristics are grouped into the same cluster and data with different
characteristics are grouped into other groups. This system is made by connecting
software and hardware through the Internet network. . In addition to using the
nodemcu ESP8266 microcontroller component that has been programmed using
the Arduino IDE software, this system also uses other hardware components,
including ultrasonic sensors as sensors that can convert physical quantities
(sound) into electricity and vice versa, Load Cell Sensors to detect pressure or
weight. load, Water Level to determine the height of drinking water, Closed servo
motor to adjust or adjust it to determine and ensure the angular position of the
motor output shaft. IoT Based Automatic Cat Feeding Machine Learning Using
the K-Means Algorithm Method on the Thingspeak Platform that the author made
has been running according to function with good results. Overall hardware and
software used did not experience significant problems so that it could function
properly when the data return process and tool testing took place in the field. The
research was carried out using the calculation method K-Means algorithm by
applying the comparison of the ratio values of each iteration through the
calculation of the K-Means algorithm.
Keyword : Arduino IDE, Internet of Things, K-Means , Machine Learning
iv
Kata Pengantar
Assalamualaikum Wr.Wb
Segala puji dan syukur saya panjatkan kehadirat Ilahi Robbi,yang telah
melimpahkan rahmat dan karunia-Nya yang tak terukur,sehingga dapat
diselesaikannya tugas akhir yang berjudul “Machine Learning Pemberi Pakan
Kucing Otomatis Berbasis IoT Menggunakan Metode Algoritma K-Means Pada
Platform Thingspeak (Perum)”dengan baik dan benar.Tidak lupa sholawat serta
salam tercurah kepada Nabi kita Muhammad SAW.
Laporan ini diajukan sebagai syarat untuk menempuh Tugas Akhir
pada Fakultas Teknik, Program Studi Teknik Informatika di Universitas Mandiri
Subang. Penulis menyelesaikan laporan ini tak lepas dari bantuan, kerjasama dan
peran orang-orang yang ada di sekeliling penulis, karena itu penulis mengucapkan
terima kasih kepada:
1. Bapak Dr. Muhammad Faisal selaku Rektor Universitas Mandiri Subang.
2. Bapak Zezen Zaenal Abidin, S.Pd., S.T., M.Cs Wakil Rektor III
Universitas Mandiri Subang.
3. Bapak Usep Tatang Suryadi, S.T., M.Kom selaku Dekan Fakultas Teknik
Universitas Mandiri Subang.
4. Bapak Dicky Iskandar Sobari,M.Kom, selaku Ketua Jurusan Fakultas
Teknik Universitas Mandiri Subang.
5. Kepada Bapak Andreas Eko Wijaya, ST., M.Kom selaku Wakil Dekan
Fakultas Teknik dan Pembimbing pertama dan Bapak Eka Permana, S.T.,
v
M.Kom selaku pembimbing pembantu, karena dengan adanya bimbingan
serta masukan yang diberikan, laporan tugas akhir ini tersusun secara baik
dan benar.
6. Kepada Dosen dan Staff Universitas Mandiri Subang.
7. Kepada Kedua Orang Tua yang dari awal perkuliahan sampai akhir
penyusunan tugas akhir mendukung dan membantu agar dalam
penyusunan tugas akhir ini berjalan dengan baik dan lancar.
8. Kepada Adikku Estu Bahana Lingga dan Sahabatku Eva Rahmawati yang
selalu mensupport dan menjadi salah satu dari sekian alasan untuk
semangat menyelesaikan tugas akhir ini.
9. Kepada teman-teman penulis selama perkuliahan yang senatiasa memberi
semangat, kerja sama, dan masukan yang sungguh luar biasa yang telah
menjadi motivasi bagi penulis untuk menyelesaikan tugas akhir ini.
Laporan ini masih jauh dari kata sempurna, oleh karena itu diharapkan kritik
dan saran yang bersifat membangun demi kesempurnaan penulisan dimana yang
akan datanng. Akhir kata semoga laporan ini dapat bermanfaat bagi para pembaca
maupun penulis.
Wassalamuallaikun Wr. Wb.
Subang, Februari 2022

Penulis,
Mirwana Wening
vi
Daftar Isi
Lembar Pengesahan...........................................................................................................2
Abstraksi...........................................................................................................................iii
Abstract.............................................................................................................................iv
Kata Pengantar...................................................................................................................v
Daftar Isi...........................................................................................................................vii
Daftar Tabel.......................................................................................................................x
Daftar Gambar..................................................................................................................xii
Bab I Pendahuluan............................................................................................................1
1.1 Latar Belakang.........................................................................................................1
1.2 Identifikasi Masalah.................................................................................................3
1.3 Tujuan......................................................................................................................3
1.4 Manfaat....................................................................................................................3
1.5 Batasan Masalah.......................................................................................................4
1.6 Metodologi Penelitian..............................................................................................4
1.7 Sistematika Penulisan...............................................................................................5
Bab II Landasan Teori.......................................................................................................7
2.1 Kucing......................................................................................................................7
2.2 Machine Learning....................................................................................................8
2.3 Data Mining.............................................................................................................8
2.4 Internet of Things (IoT)..........................................................................................14
2.5 Algoritma K-Means................................................................................................15
2.6. Arduino IDE (Integrated Develovment Environment)...........................................20
vii
2.7 NodeMCU..............................................................................................................20
2.8 Sensor Ultrasonik...................................................................................................22
2.9 Sensor Load Cell....................................................................................................23
2.10 Sensor Water Level...............................................................................................23
2.11 Motor Servo.........................................................................................................24
2.12 Database...............................................................................................................25
2.13 Model Proses (UML)...........................................................................................26
2.14 Class Diagram.....................................................................................................26
2.14.1 Use Case Diagram............................................................................................28
2.14.2 Activity Diagram...............................................................................................29
2.14.3 Sequence Diagram............................................................................................30
2.15 ERD (Entity Relationship Diagram)....................................................................31
2.16 ThingSpeak...........................................................................................................34
2.17 MySQL................................................................................................................35
2.18 Jaringan................................................................................................................37
2.19 Xampp..................................................................................................................37
2.20 Pemrograman Bahasa C.......................................................................................38
Bab III Analisa dan Perancangan sistem.........................................................................39
3.1 Deskripsi Sistem.....................................................................................................39
3.2 Kebutuhan perangkat Lunak...................................................................................40
3.3 Kebutuhan Perangkat Keras...................................................................................40
3.4 Implementasi algoritma K-Means..........................................................................41
3.4.1 Iterasi 1............................................................................................................43
3.4.2 Iterasi 2............................................................................................................44
viii
3.4.3 Iterasi 3.....................................................................................................45
3.4.4 Iterasi 4.....................................................................................................46
3.4.5 Between Cluster Variation, Within Cluster Variation dan Ratio....................47
3.5 Pemodelan Sistem..................................................................................................48
3.5.1 Usecase Diagram.............................................................................................48
3.5.2 Class Diagram.................................................................................................49
3.5.3 Squence Diagram............................................................................................49
3.5.4 State Diagram..................................................................................................50
3.5.5 Activity Diagram.............................................................................................51
3.5.6 Kerangka Pemikiran........................................................................................51
3.6 Perancangan Arsitektur Perangkat Keras...............................................................52
3.7 Arsitektur Jaringan.................................................................................................53
3.8 Rancangan Database..............................................................................................54
3.8.1 Tabel data........................................................................................................54
3.8.2 Tabel Cluster............................................................................................54
3.8.3 Tabel Iterasi.....................................................................................................55
3.9 Skema Alat.............................................................................................................56
3.10 Rancanngan Antarmuka Sistem............................................................................56
3.10.1 Rancangan Home.....................................................................................56
3.10.2 Rancangan Proses Data............................................................................57
Bab IV Implementasi dan Pengujian...............................................................................58
4.1 Tempat Penelitian...................................................................................................58
4.2. Implementasi Program..........................................................................................58
4.2.1 Spesifikasi dan Instalasi Server dan Tool........................................................58
ix
4.2.2 Instalasi Arduino IDE......................................................................................59
4.2.3 Installasi Xampp Sebagai Server.....................................................................60
4.2.4 Registrasi Akun ThingSpeak...........................................................................63
4.3 Implementasi Antarmuka Sistem............................................................................67
4.4 Implementasi Perakitan dan Pengujian Alat...........................................................71
Bab V Kesimpulan dan Saran.........................................................................................73
5.1 Kesimpulan............................................................................................................73
5.2 Saran......................................................................................................................73
Daftar Pustaka..................................................................................................................75
Lampiran-Lampiran.........................................................................................................77
x
Daftar Tabel
Tabel 1 Multiplicity Class Diagram.......................................................................27
Tabel 2 Komponen Class Diagram......................................................................27
Tabel 3 Komponen Use Case Diagram.................................................................28
Tabel 4 Activity Diagram......................................................................................29
Tabel 5 Komponen Squence Diagram...................................................................30
Tabel 6 Komponen ERD........................................................................................32
Tabel 7 Data Awal Yang Akan Dihitung...............................................................41
Tabel 8 Centroid Awal...........................................................................................42
Tabel 9 Centroid Awal...........................................................................................43
Tabel 10 Jarak ke Centroid dan Penentuan Kelompok Cluster dari Iterasi 1........43
Tabel 11 Hasil Penghitungan BCV, WCV dan Rasio dari Iterasi 1......................44
Tabel 12 Centroid Iterasi 2....................................................................................44
xi
Tabel 21 Nilai BCV, WCV, Rasio dan Perpindahan Anggota Cluster..................48
xii
Daftar Gambar
Gambar 1 Tahapan-tahapan Data mining...............................................................9
Gambar 2 NodeMCU ESP8266............................................................................21
Gambar 3 Sensor Ultrasonik.................................................................................22
Gambar 4 Sensor Load Cell (Sensor Berat)..........................................................23
Gambar 5 ThingSpeak..........................................................................................35
Gambar 6 UseCase Diagram................................................................................48
Gambar 7 Class Diagram.....................................................................................49
Gambar 8 Squence Diagram.................................................................................50
Gambar 9 Squence Diagram.................................................................................50
Gambar 10 Activity Diagram................................................................................51
Gambar 11 Kerangka Pemikiran...........................................................................52
Gambar 12 Perancangan Arsitektur Perangkat Keras...........................................53
Gambar 13 Arsitektur Jaringan.............................................................................53
Gambar 14 Struktur Tabel Data............................................................................54
Gambar 15 Struktur Tabel Cluster........................................................................55
Gambar 16 Struktur Tabel Iterasi..........................................................................55
Gambar 17 Skema Alat.........................................................................................56
Gambar 18 Rancangan index................................................................................56
Gambar 19 Rancangan Proses Data......................................................................57
Gambar 20 Tempat Penelitian...............................................................................58
Gambar 21 Halaman Download Arduino IDE......................................................59
xiii
Gambar 22 Tampilan Arduino IDE......................................................................60
Gambar 23 Icon Installer xampp...........................................................................60
Gambar 24 Tampilan Awal Instalasi Xampp........................................................61
Gambar 25 Pilihan instalasi xampp......................................................................61
Gambar 26 Memilih folder direktori instalasi.......................................................62
Gambar 27 Proses Installasi xampp......................................................................62
Gambar 28 Xampp selesai installasi.....................................................................63
Gambar 29 Halaman Utama ThingSpeak..............................................................63
Gambar 30 Tampilan Sign In................................................................................64
Gambar 31 Daftar ThingSpeak..............................................................................64
Gambar 32 Daftar Channel Baru..........................................................................64
Gambar 33 Login untuk membuka channel..........................................................65
Gambar 34 Masukan Password............................................................................65
Gambar 35 News Channels...................................................................................66
Gambar 36 Channel Status...................................................................................66
Gambar 37 Halaman Index...................................................................................67
Gambar 38 Halaman Jarak Kucing.......................................................................67
Gambar 39 Halaman Berat Pakan.........................................................................68
Gambar 40 Halaman Ketinggian Air Minum.......................................................68
Gambar 41 Penentuan dan Pengisian Centroid Algoritma K-Means....................69
Gambar 42 Data Pakan Kucing.............................................................................69
Gambar 43 Hasil Iterasi 1.....................................................................................70
Gambar 44 Hasil Iterasi 2.....................................................................................70
xiv
Gambar 45 Hasil Iterasi 3......................................................................................71
Gambar 46 Perakitan Alat.....................................................................................72
Gambar 47 Pengujian Alat....................................................................................72
xv
Bab I
Pendahuluan
1.1 Latar Belakang
Internet of Things dapat diterapkan dan digunakan untuk mengurangi
beban kerja manusia, misalnya memberi makan kucing secara teratur. Kucing
adalah salah satu hewan peliharaan paling populer di masyarakat saat ini. Akan
tetapi demi menjaga kesehatan kucing peliharaan, pemilik kucing harus lebih
memperhatikan makanan dan perawatan kucingnya, jika tidak kucing akan mudah
terserang penyakit yang dapat merugikan pemilik kucing. Salah satu masalah
yang dihadapi pemelihara adalah saat memberi makan kucing, karena terkadang
pemilik hanya perlu meluangkan waktu sebentar atau beberapa hari jauh dari
rumah. Hal ini menjadi masalah yang membingungkan karena pikiran kita
dipengaruhi oleh pekerjaan dan hewan peliharaan. Dengan masalah
tersebut,mereka ada di rumah karena pemilik kucingnya,dan terkadang juga
mereka harus mencari tempat penitipan hewan, dan terkadang mereka menitipkan
kucing peliharaannya kepada kerabat terdekatnya untuk menyelesaikan masalah
pemberian makan. Tentunya hal ini sangat merepotkan bagi sebagian orang yang
sangat sibuk dalam kehidupan sehari-hari. Menghadapi permasalahan tersebut
maka diperlukan suatu alat yang dapat membantu pemilik kucing di rumah untuk
memelihara kucingnya saat sedang berpergian atau ada beberapa alasan. Inilah
mengapa penulis membuat alat pemberi makan kucing otomatis agar pemilik
kucing tidak perlu khawatir Saat dia tidak ada di rumah, beri makan kucing
peliharaannya lagi.
Sebelumnya (Wahyuni, 2018) sudah pernah melakukan penelitian tentang
pemberian pakan secara otomatis dengan judul “Papakinoto (Penebar Pakan Ikan
Otomatis) Upaya Peningkatan Produksi Dan Efisiensi Waktu Budidaya Tambak
Ikan Tawar Masyarakat Belawa Kabupaten Soppeng”. Hasil dari penelitian yang
dilakukan oleh (Wahyuni, 2018) adalah produk yang berupa prototype system
pemberian pakan ikan secara otomatis dan alat dapat dikendalikan secara jarak
jauh menggunakan bluetooth. Tak hanya itu, prototype yang dibuat dirancang agar
alat bisa memberikan pakan secara menyeluruh (menyebar). Penelitian yang
paling mendekati dengan penelitian yang akan dilakukan adalah “Perancangan
dan Implementasi Sistem Monitoring dan Pemberi Pakan Kucing Otomatis
Berbasis Android” oleh (Pamungkas et al., 2019). Meskipun mikrokontroler yang
digunakan sama, sistem penjadwalannya berbeda.
Pada penelitian ini juga menggunakan komponen Water Level sebagai
penanda air minum yang harus disediakan pada feed. Tidak hanya itu, penelitian
ini juga dilengkapi dengan sistem database yang dapat menghitung feed yang telah
disediakan, dan sistem tersebut juga dilengkapi dengan notifikasi bahwa feed
tersebut telah disediakan, sehingga pengguna dapat mengecek apakah feed
tersebut sudah disediakan. Berdasarkan observasi dan literatur peneliti, peneliti
dapat memberikan solusi dengan merancang dan membuat alat otomatis yang
dapat memberikan kontribusi secara reguler. Solusi lain yang dapat memberikan
pekerjaan breeder yang disederhanakan adalah bahwa alat otomatis dapat
dikontrol dari jarak jauh dengan menggunakan Internet, dan alat tersebut dapat
memantau aktivitas yang dilakukan oleh sistem dan menginformasikannya

melalui halaman web. Hal ini yang mendasari penulis atau peneliti dengan judul
“Machine Learning Pemberi Pakan Pada Kucing Otomatis Berbasis Internet of
Things (IoT)”. Sistem ini hanya untuk memberi makan kucing otomatis secara
teratur dalam lingkungan rumah (PERUM). Penulis mengembangkan sistem ini
dari sistem yang sebelumnya, dimana pada sistem sebelumya hanya mampu
membuat kandang kucing otomatis.
1.2 Identifikasi Masalah
Identifikasi masalah pada Tugas Akhir ini adalah:
1. Kesibukan pemilik kucing untuk memberi pakan kucingnya.
2. Diperlukannya Machine Learning pemberi makan pada kucing berbasis
Internet of Things (IoT).
3. Pengaturan pembuka katup penutup penampung pakan kucing
menggunakan motor servo.
1.3 Tujuan
Tujuan yang diperoleh dari Tugas Akhir ini membuat machine learning
untuk memberi pakan kucing peliharaan tepat waktu dan tidak akan memengaruhi
aktivitas pemiliknya dan bisa dikontrol dari jarak jauh menggunakan IoT,sehingga
pemilik kucing tidak perlu repot untuk memberi makan kucing peliharaannya.
1.4 Manfaat
Manfaat yang ingin dicapai dari pelaksanaan Tugas Akhir ini adalah:
1. Bisa digunakan sebagai solusi saat pemilik kucing tidak ada dirumah.
2. Pemilik kucing bisa menyediakan pakan untuk kucingnya kapanpun dan
dimanapun.
3. Mengurangi biaya agar tidak menitipkan kucingnya ke penitipan
hewan,jika pemilik kucing tidak ada dirumah.
1.5 Batasan Masalah
Batasan masalah dalam Tugas Akhir ini adalah:
1. Alat ini hanya untuk pemberiaan pakan kucing otomatis secara teratur dan
terdiri dari beberapa alat diantaranya: Arduino, NodeMcu Esp8266, Sensor
Ultrasonik, Sensor Water Level, Motor Servo, Sensor Load Cell.
2. Sistem ini menggunakan algoritma K-Means.
3. Bahasa pemprograman yang digunakan adalah bahasa C++/C.
4. Sistem yag akan dibuat berbasis IoT menggukan Platform ThingSpeak.
1.6 Metodologi Penelitian
Metodologi yang di gunakan dalam pelaksanaan Tugas Akhir ini adalah:
1 Penelitian Lapangan, penelitian langsung kepada pihak perumahan BTN
GMI untuk mendapatkan data dimana penulis melakukan pengumpulan
data dengan cara mencatat data pakan otomatis hewan kucing.
2 Penelitian Kepustakaan, penelitian ini bertujuan untuk mendapatkan
sumber referensi data yang akan diteliti seperti mngumpulakan buku-buku
tau bahan lainnya yang akan digunakan dalam menyusun Tugas Akhir ini.
3 Teknik Data mining menggunakan metode clustering, algoritma K-Means
meruapakan salah satu algoritma dalam data mining yang bisa digunakan
untuk melakukan pengelompokan/clustering suatu data. Ada banyak
pendekatan untuk membuat cluster, diantaranya adalah membuat aturan
yang mendikte keanggotaan dalam group yang sama berdasarkan tingkat
persamaan diantara anggota-anggotanya.
4 Analisi Masalah, kegiatan ini merupakan analisa terhadap masalah pada
objek penelitian meliputi penentuan parameter tingkat pakan otomatis dan
di analis kedalam program.
5 Sistem pemantau suatu kegiatan hewan kucing, kegiatan ini meliputi analis
spesifikasi yang akan digunakan sebagai alat bantu peneltian.
6 Perancangan alat pemantau pakan otomatis hewan kucing dengan
perancangan kelas dan perancangan antar muka dari hasil analis
perancangan perangkat keras.
7 Pengujian Perangkat Keras, pengujian terhadap perangkat keras yang telah
diimplementasikan.
1.7 Sistematika Penulisan
Laporan Tugas Akhir ini terdiri dari lima bab, yaitu pendahuluan, landasan
teori, analis dan perancangan sistem, implementasi dan pengujian, serta
kesimpulan dan saran.
Bab I Pendahuluan, bab ini berisi latarbelakang, rumusan masalah, tujuan,
batasan, metodelogi serta sistematika pembahasan pada laporan Tugas Akhir
ini.
Bab II Landasan Teori, bab ini berisi konsep-konsep yang mendukung dan
mendasari pelaksanaan Tugas Akhir ini, meliputi peranan teknologi dalam
bidang pangan.
Bab III Analisis dan perancangan sistem, bab ini berisi perancangan
perangkat keras yang akan dibangun dalam Tugas Akhir.
Bab IV Implementasi dan Pengujian, bab ini berisi hasil implementasi
perangkat keras dari rancangan yang telah dibuat, serta hasil pengujian pada
ala pemantau pakan otomatis hewan kucing.
Bab V Kesimpulan dan saran, bab ini berisi kesimpulan dan saran
terhadap hasil pelaksanan Tugas Akhir.

Bab II
Landasan Teori
2.1 Kucing
Kucing adalah salah satu hewan peliharaan paling populer saat ini.
Namun, untuk menjaga kesehatan kucing peliharaan, pemilik kucing harus lebih
memperhatikan pola makan dan perawatan kucing, jika tidak kucing rentan sakit
dan membahayakan pemilik kucing. Salah satu masalah pemilik adalah saat
memberi makan kucing, karena terkadang pemilik tidak berada di rumah dan
hanya membutuhkan waktu yang singkat atau beberapa hari saja. Tentu saja ini
menjadi pertanyaan yang membingungkan karena pikiran kita berada dalam
dilema antara urusan bisnis dan hewan peliharaan kami berada di rumah karena
para pemilik kucing terkadang harus mencari tempat penitipan hewan, dan
terkadang menitipkan kucing peliharaan kepada kerabat terdekatnya hanya untuk
mengurus masalah makannya. Tentu hal ini sangat merepotkan bagi sebagian
orang yang kesehariannya sangat padat. Menghadapi permasalahan tersebut,
diperlukan suatu alat untuk membantu pemilik kucing di rumah memberi makan
kucingnya saat tidak berada di rumah karena hal-hal tertentu.
Menurut Suwed dan Napitupulu, 2011 Kucing adalah hewan dengan
banyak kelebihan, dengan bulu yang lembut dan tubuh yang lucu. Sifatnya yang
manja membuat para penggemarnya selalu ingin menyentuhnya dan bermain
dengannya. Selain itu, tingkahnya yang sangat lucu saat bercanda membuat para
pecinta menikmatinya. Kucing pertama berasal dari alam liar, kemudian perlahan-
lahan melalui proses domestikasi. Sekarang, kucing menjadi hewan peliharaan

yang sangat dekat dengan manusia. Bahkan, kucing sudah banyak mengikuti
pameran kucing di berbagai negara maju. Oleh karena itu, kucing sebagai peluang
bisnis juga menguntungkan.
2.2 Machine Learning
Machine learning (ML) adalah metode dalam AI yang banyak digunakan
untuk menggantikan atau meniru perilaku manusia untuk memecahkan masalah
atau melakukan otomatisasi. Seperti namanya, machine learning mencoba meniru
cara manusia atau makhluk cerdas belajar dan menggeneralisasi. Setidaknya ada
dua aplikasi utama dalam machine learning, yaitu klasifikasi dan prediksi. Ciri
khas dari machine learning adalah adanya proses pelatihan, pembelajaran, atau
pelatihan. Oleh karena itu, machine learning membutuhkan data pembelajaran,
yang disebut data pelatihan. Klasifikasi adalah salah satu metode dalam machine
learning. Ketika manusia mencoba membedakan objek, mesin menggunakannya
untuk mengurutkan atau mengklasifikasikan objek berdasarkan karakteristik
tertentu. Mesin menggunakan prediksi atau regresi untuk menebak output dari
data input berdasarkan data yang dipelajari dalam pelatihan. Metode machine
learning yang paling populer yaitu Sistem Pengambil Keputusan, Support Vector
Machine (SVM) dan Neural Network.(Ahmad Hania, 2017)
2.3 Data Mining
Data mining adalah proses memperoleh informasi yang berguna dari
gudang database yang besar. Data mining juga dapat diartikan sebagai penggalian
informasi baru yang membantu pengambilan keputusan dari blok data yang besar.
Istilah data mining kadang-kadang disebut juga knowledge discovery. Salah satu
teknik dalam data mining adalah bagaimana melacak data yang ada untuk
membangun sebuah model, dan kemudian menggunakan model tersebut untuk
mengidentifikasi pola data lain yang tidak ada dalam database penyimpanan.
Prediksi kebutuhan juga bisa menggunakan teknik ini. (Prasetyo, 2012)
Dalam data mining,pengelompokan data juga bisa dilakukan. Tujuannya
untuk dapat mengetahui pola universal data-data yang ada. Anomali data transaksi
juga perlu dideteksi untuk dapat mengetahui kelanjutan berikutnya yang dapat
diambil. Semua hal tersebut bertujuan mendukung kegiatan operasional
perusahaan sehingga tujuan akhir perusahaan diharapkan bisa tercapai. Data
mining adalah bagian dari proses Knowledge Discovery from Data (KDD).
Dibawah ini digambarkan skema dari proses KDD.(Supriyanto, 2020)
Gambar 1 Tahapan-tahapan Data mining

(sumber gambar: Data mining concept and tehniques, Han & Kamber).
Gambar 2.1 menunjukkan proses penjelajahan pengetahuan dimulai dari
beberapa database dilakukan proses cleaning dan integration sehingga dapat

menghasilkan data warehouse. Dilakukan proses selection dan transformation
yang kemudian disebut sebagai data mining hingga menemukan pola dan
memperoleh pengetahuan dari data (knowledge).
Sebagai salah satu rangkaian proses diatas, Data Mining dibagi menjadi
beberapa tahap. Tahap-tahap tersebut memiliki sifat interaktif di mana pemakai
dapat terlibat langsung atau dengan perantaraan knowledge base. Tahapan-tahapan
tersebut, diantaranya :
1. Pembersihan Data
Pada umumnya data yang diperoleh,dari database suatu perusahaan
ataupun dari hasil eksperimen, memiliki isi-isi yang tidak sempurna seperti data
yang hilang, data yang tidak valid atau juga hanya sekedar salah ketik. Selain itu,
ada atribut-atribut data yang tidak bisa relevan dengan hipotesa Data Mining yang
kita miliki. Data-data yang tidak relevan itu juga baiknya dibuang karena
keberadaannya bisa mengurangi mutu atau akurasi dari hasil Data Mining
nantinya. Garbage in garbage out (hanya sampah yang bisa dihasilkan bila yang
dimasukkan juga sampah) adalah istilah yang sering dipakai untuk
menggambarkan tahap ini. Pembersihan data juga bisa mempengaruhi performasi
dari sistem Data Mining karena data yang ditangani bisa berkurang jumlah dan
kompleksitasnya.
2. Integrasi Data
Integrasi data dapat dilakukan pada atribut-atribut yang bisa
mengidentifikasikan entitas-entitas yang unik seperti atribut nama, jenis produk,
nomor pelanggan dsb. Integrasi data yang perlu dilakukan secara cermat karena
kesalahan pada saat integrasi data bisa menghasilkan hasil yang menyimpang dan
bahkan bisa menyesatkan pengambilan aksi nantinya. Sebagai contoh bila
integrasi data berdasarkan jenis produk ternyata bisa menggabungkan produk dari
kategori yang berbeda maka akan didapatkan korelasi antar produk yang
sebenarnya tidak ada. Dalam integrasi data ini juga perlu dilakukan transformasi
dan pembersihan data karena seringkali data dari dua database berbeda tidak sama
cara penelitiannya atau bahkan data yang ada di satu database ternyata tidak ada di
database lainnya.
3. Seleksi dan Transformasi Data
Beberapa teknik Data Mining membutuhkan design data yang khusus
sebelum bisa diaplikasikan. Sebagai contoh beberapa teknik standar seperti
analisis asosiasi dan klastering hanya bisa menerima input data kategorikal.
Karenanya data berupa angka numerik yang berlanjut perlu dibagi-bagi menjadi
beberapa span. Compositions ini sering disebut binning. Disini juga dilakukan
pemilihan information yang diperlukan oleh teknik Data Mining yang dipakai.
Transformasi dan pemilihan data ini juga menentukan kualitas dari hasil Data
Mining nantinya karena ada beberapa karakteristik dari teknik-teknik Data
Mining tertentu yang tergantung pada tahapan ini.
4. Aplikasi Teknik Data Mining
Penerapan teknologi data mining sendiri hanyalah sebagian dari
proses data mining. Ada beberapa teknik data mining yang umum digunakan.
Kami akan membahas teknik-teknik ini secara rinci di bagian selanjutnya. Perlu
dicatat bahwa terkadang teknik data mining umum yang tersedia di pasaran tidak
cukup untuk data mining di bidang tertentu atau data tertentu. Sebagai contoh,
berbagai teknik data mining baru baru-baru ini dikembangkan untuk bidang
bioinformatika, seperti menganalisis hasil micro array untuk mengidentifikasi
DNA dan fungsinya.
5. Evaluasi Pola Yang Ditemukan
Pada tahap ini, hasil dari teknik data mining dievaluasi dalam bentuk
model tipikal dan model prediktif untuk menilai apakah asumsi yang ada memang
terealisasi. Jika ternyata hasil yang didapat tidak sesuai dengan asumsi, Anda bisa
mengambil berbagai alternatif, seperti melakukan feedback untuk memperbaiki
proses data mining, mencoba teknik Data Mining lain yang lebih sesuai, atau
menerima hasil ini sebagai suatu hasil yang di luar dugaan yang mungkin
bermanfaat.
6. Persentasi Pola Yang Ditemukan untuk menghasilkan aksi
Tahap terakhir dari proses Data Mining adalah bagaimana
memformulasikans keputusan atau aksi dari hasil analisa yang didapat. Ada
kalanya hal ini harus melibatkan orang-orang yang tidak memahami Data Mining.
Karenanya presentasi hasil Data Mining dalam bentuk pengetahuan yang bisa
dipahami semua orang adalah satu tahapan yang diperlukan dalam proses Data
Mining. Dalam presentasi ini, visualisasi juga bisa membantu
mengkomunikasikan hasil Data Mining tersebut (Aryuni, 2018).
Terdapat beberapa teknik data mining yang sering disebut-sebut dalam
literatur. Namun ada 4 teknik data mining yang populer (Santosa 1999), yaitu:
1) Association Rule Mining

Association Rule mining adalah teknik mining untuk menemukan asosiatif
antara kombinasi atribut.Contoh dari aturan asosiatif dari analisa pembelian di
suatu pasar swalayan dapat mengatur penempatan barangnya atau merancang
strategi pemasaran dengan memakai kupon diskon untuk kombinasi barang
tertentu.
2) Clustering
Berbeda dengan association rule mining dan klasifikasi dimana kelas data
telah ditentukan sebelumnya,clustering dapat dipakai untuk memberikan label
pada kelas data yang belum diketahuin. Karena itu clustering sering digolongkan
sebagai metode unsupervised learning. Prinsip clustering dapat dilakukan pada
data yang memiliki beberapa atribut yang dipetakan sebagai ruang multidimensi.
3) Klasifikasi
Dalam klasifikasi,terdapat target variabel kategori. Sebagai
contoh,penggolongan pendapatan dapat dipisahkan dalam tiga kategori,yaitu
pendapatan tinggi,pendapatan sedang,pendapatan rendah.
4) Pohon Keputusan (Decision Tree)
Pohon keputusan adalah salah satu metode klasifikasi yang paling populer
karena mudah di interperensi manusia. Pohon keputusan adalah model prediksi
menggunakan struktur pohon atau struktur berhirarki. Konsep dari pohon
keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan
keputusan. Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel
dengan atribut dan record. Atribut menyatakan suatu parameter yang dibuat
sebagai kriteria dalam pembentukan tree. Misalkan untuk menentukan main
tenis,kriteria yang digunakan adalah cuaca,angin,iklim dan temperatur.
Manfaat utama menggunakan pohon keputusan adalah kemampuannya untuk
membreak down proses pengambilan keputusan yang kompleks menjadi lebih
simpel sehingga pengambilan keputusan akan menjadi kebih menginterprestasikan
solusi permasalahan. Pohon keputusan juga berguna untuk mengeksplorasi
data,menemukan hubungan tersembunyi antara sejumlah calon variabel input
dengan sebuat variabel target. Pohon keputusan memadukan antara eksplorasi
data dan pemodelan sehingga sangat bagus sebagai langkah awal pemodelan
bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain.
2.4 Internet of Things (IoT)
Internet of Things (IoT) adalah bentuk interkoneksi perangkat yang saling
berhubungan yang dapat menghasilkan informasi yang dapat diakses dan
digunakan oleh manusia atau sistem lain. Ide awal Internet of Things pertama kali
dikemukakan oleh Kevin Ashton pada tahun 1999. Benda-benda di sekitar kita
dapat saling berkomunikasi melalui jaringan seperti internet. Berawal dari pusat
identifikasi otomatis, sebuah teknologi berbasis radio frequency identification
(RFID), yang merupakan identifikasi unik kode produk elektronik, kemudian
berkembang menjadi teknologi di mana setiap objek dapat memiliki alamat
Internet Protocol (IP).
Dengan berkembangnya infrastruktur Internet, kita memasuki tahap
selanjutnya, tidak hanya smartphone atau komputer saja yang bisa terkoneksi ke
Internet. Tetapi semua jenis objek nyata terhubung ke Internet, dan teknologi
Internet of Things dapat mengontrol objek dari jarak jauh di seluruh infrastruktur
jaringan yang ada dan mampu menciptakan peluang untuk integrasi antara dunia
fisik dan sistem digital berbasis cyber sehingga dapat meningkatkan efisiensi,
akurasi, dan manfaat ekonomi. Setiap objek/things mampu diidentifikasi melalui
sistem komputasi yang tertanam dan mampu beroperasi dalam infrastruktur
internet yang ada. (Tanto & Darmuji, 2019)
2.5 Algoritma K-Means
K-Means merupakan salah satu metode data clustering non hirarki yang
berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih
cluster/kelompok. Metode ini mempartisi data ke dalam cluster/kelompok
sehingga data yang memiliki karakteristik yang sama dikelompokan ke dalam satu
cluster yang sama dan data yang mempunyai karakteristik yang berbeda
dikelompokan ke dalam kelompok yang lain. Adapun tujuan dari data clustering
ini adalah untuk meminimalisasi objective function yang diset dalam proses
clustering, yang pada umumnya berusaha meminimalisasikan variasi di dalam
suatu cluster dan memaksimalisasikan variasi antar cluster.
Pada awalnya dalam algoritma K-means melakukan pengambilan sebagai dari
banyaknya populasi untuk dijadikan cluster awal. Ada banyak cara dalam
memberi nilai awal misalnya dengan pengambilan data beberapa populasi data.
Setelah mendapatkan pusat cluster awal, algoritma K-Means melakukan
pengujian masing-masing komponen ke salah satu pusat cluster yang telah
didefinisikan jarak minimumnya antar komponen dengan tiap-tiap pusat clusteri.
Posisi pusat cluster akan melakukan perhitungan kembali sampai semua

komponen data dapat digolongkan kedalam setiap cluster dan akan membentuk
posisi cluster baru.
Algoritma K-Means terdapat 3 komponen didalamnya yaitu :
1. Jumlah Cluster K
Dalam metode ini jumlah k harus ditentukan dulu, setelah jumlah k
didapatkan dengan melalui pendekatan metode hirarki dapat melakukan
pengambilan cluster awal. Aturan khusus dalam menentukan jumlah cluster k
bahkan tidak ada, namun ada juga jumlah cluster yang diinginkan sesuai dengan
kebutuhan subjektif seseorang.
2. Cluster Awal
Ada banyak pendapat saat melakukan pengambilan cluster awal untuk
metode K-means misalnya pemilihan terhadap interval dari jumlah setiap
observasi, melalui pendekatan salah satu metode hirarki dan ada juga dengan
melalui pemilihan cluster secara acak dari sekumpulan observasi. Maka dengan
adanya beberapa cara pengambilan cluster awal tersebut dapat memungkinkan
solusi terbaik yang dihasilkan.
3. Ukuran Jarak
Pada tahap ini ukuran jarak juga penting dalam menempatkan observasi ke
dalam cluster berdasarkan nilai centroid terdekat. Euclidian Distance adalah jarak
yang digunakan untuk mengukur jarak dalam metode K-means.
Berikut ini adalah rumus Euclidian Distance :

√∑
m
Dik= ¿ ¿ ¿ ………………… (2.1)
j=1
Keterangan :
Dik = Titik dokumen/jarak data ke-i
M = Jumlah variable
Xij = Data yang akan dilakukan pengclusteran
Ckj = Pusat dari cluster
Jarak yang terpendek antara centroid dengan dokumen menentukan posisi
cluster suatu dokumen.
Berikut merupakan rumus penentuan centroid baru :
¿
1
¿∑
Vij= Xkj……………………….. (2.2)
k=0
Keterangan :
Vij = Centroid/ rata-rata cluster ke-i untuk variable ke-j
Ni = Jumlah data yang menjadi anggota cluster ke-i
i.k = Indeks dari cluster
j = Indeks dari variable
Xkj = Nilai data ke-k yang ada di dalam cluster tersebut untuk
variable ke-j
Algoritma K-Means bersifat partitional clustering yaitu dengan cara
membagi himpunan objek data ke dalam sub himpunan (cluster) yang tidak
overlap, sehingga hasil dari setiap objek data berada tepat dalam satu cluster.
Adapun langkah algoritma K-means adalah sebagai berikut :
1. Tentukan K sebagai jumlah cluster yang akan dibentuk.
2. Tentukan K Centroid (titik pusat cluster) awal secara random/acak.
3. Hitung jarak objek ke masing-masing centroid dari masing-masing cluster.
Lokasi centroid setiap kelompok diambil dari rata-rata (mean) semua nilai
data pada setiap fiturnya.
∑ xi ..............................(1)
i=1
v= ; i=1,2,3 … n
n
Dimana:
v : Centroid pada cluster
xi : Objek ke-i
n : Banyaknya objek/jumlah objek yang menjadi anggota cluster
4. Alokasikan masing-masing objek ke dalam centroid yang paling dekat.
Ada beberapa cara yang dapat dilakukan untuk mengukur jarak data ke
pusat kelompok diantaranya adalah dengan menggunakan Euclidian
Distance.
√∑
n
d ( x , y )=‖x i− y i‖2=
2
( x i - y i ) ; i=1,2,3 … n.........(2)
i=1
Dimana:
xi : Objek x ke-i
yi : Objek y ke-i
n : Banyaknya objek
5. Alokasikan kembali data ke dalam masing-masing kelompok berdasarkan
perbandingan jarak antara data dengan centroid setiap cluster yang ada.
Data dialokasikan pada kelompok yang mempunyai jarak centroid
terdekat.
Pengalokasian ini dapat dirumuskan sebagai berikut :
{
d =min ⁡{ D ¿¿
a ik= 1 ................................. (3)
0 lainnya
Dimana,
ɑik : Keanggotaan data ke-k ke cluster ke-i
ci : Nilai centroid cluster ke-i
6. Lakukan iterasi, kemudian tentukan posisi centroid baru dengan
menggunakan persamaan (1).
7. Ulangi langkah 3 jika posisi centroid baru tidak sama.
Setelah didapat hasil dari proses clustering dengan algoritma K-Means perlu
diadakan suatu evaluasi pengujian. Pengujian tersebut dengan menggunakan
metode sum squared error (SSE). Selain menggunakan SSE bisa juga dengan cara
melakukan perhitungan perbandingan antara Between-Class Variation (BCV) dan
Within-Class Variation (WCV) pada iterasi terakhir yang sering disebut dengan
rasio. Apabila hasil perhitungan pengujian yang diperoleh besar, maka semakin
bagus juga tingkat kualitas clustering tersebut (Alfina,T., dkk, 2012)

BCV merupakan rata-rata dari centroid, sedangkan WCV adalah SSE itu
sendiri. Rumus perhitungannya adalah sebagai berikut :
k
1
BCV = ∑ d (mi , mi)……….................... (2.3)
nk i=1
Keterangan :
k = Jumlah cluster
i = Nama yang mewakili cluster yang dibentuk
mi = Jumlah anggota dari cluster ke-i
N
WCV ( SSE )=∑ ∑ d ¿ ¿ ¿………… (2.4)
J P ∈ci
Keterangan :
p∈∁ i = Jumlah semua data

k = Jumalah cluster
p = Cluster jarak terdekat
mi = Jumlah anggota dari cluster ke-i
BCV
Rasio = ................................................. (2.5)
WCV
2.6. Arduino IDE (Integrated Develovment Environment)
Arduino IDE adalah sebuah perangkat lunak yang berfungsi untuk
mengembangkan aplikasi mikrokontroler dari proses pembuatan program,
kompilasi dan upload. Arduino IDE ini juga dilengkapi dengan terminal serial,
sehingga memudahkan pengguna untuk melalukan komunikasi Usart / RS232

ke komputer. Namun, aplikasi ini belum mampu melakukan proses debug
secara simulasi maupun secara perangkat keras. Arduino IDE bersifat Open-
source, yang dapat didownload secara langsung pada halaman resminya.
Arduino IDE ini mendukung berbagai sistem operasi antara lain Windows,
MAC dan Linux. Arduino IDE dilengkapi dengan banyak library C/C++
sehingga programmer menjadi lebih mudah dan cepat. Pada penelitian ini,
peneliti menambahkan library ESP8266-E12, yang telah disediakan pada Board
Manager.
2.7 NodeMCU
NodeMCU adalah sebuah platform Internet Of Things (IoT) yang bersifat
open source. NodeMCU terdiri dari perangkat keras berupa system on chip
ESP8266 dan firmware yang digunakan. Istilah NodeMCU sendiri sebenarnya
secara default tidak mengacu pada perangkat keras development kitnya melainkan
mengacu pada firmware yang digunakan. Karena NodeMCU terdiri dari perangkat
keras ESP8266 maka NodeMCU dapat diartikan sebagai board Arduinonya
ESP8266. Pada board NodeMCU, ESP8266 telah dikemas dengan berbagai fitur
layaknya mikrokontroler yang memiliki kapabilitas akses wifi juga chip
komunikasi USB to serial. Sehingga untuk memprogramnya hanya memerlukan
ekstensi kabel data USB yang sama persis dengan kabel data yang digunakan
untuk me-charger smartphone Android. Beberapa fitur yang disediakan oleh
NodeMCU antara lain bersifat open source,biaya yang tergolong rendah, smart,
interaktif dan wifi yang sudah aktif. (Setiawan, 2017)

Gambar 2 NodeMCU ESP8266
(Sumbe : https://components101.com/development-boards/nodemcu-esp8266-
pinout-features-and-datasheet)
Modul ESP8266 ini mempunyai prosessor dan memory, yang dapat
diintegrasikan dengan sensor dan aktuator melalui pin GPIO. Modul ini
mempunyai fitur seperti mendukung standar IEEE 802.11 b/g/n, bisa digunakan
untuk WiFi direct (P2P), AccesPoint soft-AP, memunyai RAM 81 Mb dan Flash
memory 1Mb, kecepatan hingga 160 MHz, serta daya keluaran sebesar 19.5 dBm.
(P.Pratama, 2017) (TAMBAH ARDUINO)
2.8 Sensor Ultrasonik
Sensor ultrasonik adalah sensor yang dapat mengubah besaran fisis (suara)
menjadi listrik dan sebaliknya. Sensor ultrasonik sering disebut sensor jarak
karena sensor ini dapat mendeteksi jarak yang sangat jauh dibandingkan dengan
IR.Kelebihan sensor ini dibandingkan dengan sensor lain yaitu adanya led
indikator yang dapat mendeteksi apakah sensor berfungsi apa tidak dan sensor ini
hanya membutuhkan satu jalur data. (Oktavianto, 2014)

Gambar 3 Sensor Ultrasonik
(Sumber: www.immersa-lab.com)
Sensor ini terdiri dari dua bagian, yaitu transmitter dan receiver dengan
komponen yang sama, yaitu piezoelectric transducer. Komponen ultrasonic ini
bekerja berdasarkan prinsip speaker konvensional. Hanya frekuensi responsnya
dibatasi secara tajam. Gelombang Ultrasonik adalah gelombang yang mempunyai
frekuensi lebih dari 20 KHz dan bekerja berdasarkan pantulan gelombang suara.
Gelombang ultrasonik bisa merambat pada medium padat, cair dan gas. Rangkain
sensor yang berfungsi sebagai pemancar akan memancarkan gelombang
ultrasonik dengan frekuensi tertentu, kemudian apabila terjadi benturan terhadap
suatu benda atau objek maka gelombang ultrasonik akan dipantulkan kembali dan
diterima oleh rangkaian sensor yang berfungsi sebagai penerima. Maksimum jarak
yang dapat dibaca sensor ultrasonik adalah 0 s.d 3m. (Maulidia, 2019)
2.9 Sensor Load Cell
Load Cell merupakan modul timbangan yang ada pada timbangan digital,
sensor load cell disusun dari strain gauge, konduktor, dan jembatan wheatstone.
Secara teori loadcell difungsikan untuk menghitung massa suatu benda.(Wahyudi
et al., 2018)
Pada sistem yang dibangun, sensor berat digunakan sebagai pendeteksian
berat pakan pada wadah pakan kucing.
Gambar 4 Sensor Load Cell (Sensor Berat)

(sumber: www.samrasyid.com)
2.10 Sensor Water Level
Water level merupakan sensor yang berfungsi untuk mendeteksi
ketinggian air dengan output analog kemudian diolah menggunakan
mikrokontroler. Cara kerja sensor ini adalah pembacaan resistansi yang dihasilkan
air yang mengenai garis lempengan pada sensor. Semakin banyak air yang
mengenai lempengan tersebut, maka nilai resistansinya akan semakin kecil dan
sebaliknya. (Kusumadiarti & Qodawi, 2021)
2.11 Motor Servo
Motor servo adalah motor dengan sistem umpan balik tertutup, dimana
posisi motor akan diberitahukan kembali ke rangkaian kontrol di motor servo.
Motor terdiri dari motor, rangkaian roda gigi, potensiometer, dan rangkaian
kontrol. Potensiometer digunakan untuk menentukan batas sudut putaran servo.

Dan sudut poros motor servo diatur sesuai dengan lebar pulsa yang dikirim
melalui kaki sinyal kabel motor. Seperti terlihat pada gambar, pulsa adalah 1,5 ms
dan periodenya 2 ms, maka sudut poros motor akan berada di posisi tengah.
Semakin lebar pulsa OFF, semakin besar gerakan sumbu searah jarum jam;
semakin kecil pulsa OFF, semakin besar gerakan sumbu berlawanan arah jarum
jam.
Motor servo biasanya hanya bergerak pada sudut tertentu, tidak terus
menerus seperti motor DC atau motor stepper. Namun, servo dapat dimodifikasi
untuk bergerak terus menerus untuk beberapa tujuan. Dalam robotika, motor
tersebut biasanya digunakan di kaki, lengan, atau area lain di mana gerakan
terbatas dan torsi yang cukup diperlukan. Motor servo merupakan motor yang
dapat bekerja dua arah (CW dan CCW), dimana arah dan sudut putaran rotor
hanya dapat dikontrol dengan mengatur duty cycle dari sinyal PWM pada pin
kontrol. (Nasution et al., 2016)
2.12 Database
Basis data atau database adalah kumpulan informasi yang disimpan secara
sistematis dalam perangkat keras (komputer) sehingga dapat diolah oleh perangkat
lunak, merupakan satu kesatuan yang utuh. Dengan sistem ini, data yang
terkumpul dalam database dapat menghasilkan informasi yang bermanfaat.
(Swara, 2016)
Ada beberapa operasi basis data diantaranya :

1. Pembuatan basis data baru (create database), yang identik dengan
pembuatan lemari arsip yang baru.
2. Penghapusan basis data (drop database), yang identik dengan perusakan
lemari arsip (sekaligus beserta isinya jika ada).
3. Pembuatan file/tabel baru ke suatu basis data (create table), yang identik
dengan penambahan map arsip baru ke sebuah lemari arsip yang telah
ada.
4. Penghapusan file/tabel dari suatu basis data (drop table), yang identik
dengan perusakan map arsip lama yang ada di sebuah lemari arsip.
5. Penambahan/pengisian data baru ke sebuah file/tabel di sebuah basis
data (insert), yang identik dengan penambahan lembaran arsip ke sebuah
map arsip.
6. Pengambilan data dari sebuah file/tabel (retrieve/search), yang identik
dengan pencarian lembaran arsip dari sebuah map arsip.
7. Pengubahan data dari sebuah file/tabel (update), yang identik dengan
perbaikan isi lembaran arsip yang ada di sebuah map arsip.
8. Penghapusan data dari sebuah file/tabel (delete), yang identik dengan
penghapusan sebuah lembaran arsip yang ada di sebuah map arsip.
2.13 Model Proses (UML)
Unified Modeling Language (UML) adalah "bahasa" yang telah
menjadi standar industri untuk memvisualisasikan, merancang, dan
mendokumentasikan sistem perangkat lunak. UML menyediakan standar untuk
merancang model sistem. Dengan menggunakan UML, Anda dapat membuat

model untuk semua jenis aplikasi perangkat lunak yang dapat berjalan di
perangkat keras, sistem operasi, dan jaringan apa pun, dan dapat ditulis dalam
bahasa pemrograman apa pun. Tetapi karena UML juga menggunakan kelas dan
operasi dalam konsep dasarnya, maka lebih cocok untuk menulis perangkat lunak
dalam bahasa berorientasi objek seperti C++, Java, atau VB. jaringan.
(Sulistyorini, 2009)
Menurut (Gata, 2013) Unified Modeling Language (UML) adalah bahasa
spesifikasi standar yang dipergunakan untuk mendokumentasikan,
menspesifikasikan dan membanngun perangkat lunak. UML merupakan
metodologi dalam mengembangkan sistem berorientasi objek dan juga merupakan
alat untuk mendukung pengembangan sistem.
2.14 Class Diagram
Class Diagram merupakan hubungan antar kelas dan penjelasan detail tiap-
tiap kelas di dalam model desain dari suatu sistem, juga memperlihatkan aturan-
aturan dan tanggung jawab entitas yang menentukan perilaku sistem. Class
Diagram juga menunjukkan atribut-atribut dan operasi-operasi dari sebuah kelas
dan constraint yang berhubungan dengan objek yang dikoneksikan. (Hendini,
2016)
Hubungan antar kelas mempunyai keterangan yang disebut dengan
Multiplicity atau Cardinality.
Tabel 1 Multiplicity Class Diagram

Multiplicity Penjelasan
1 Satu dan hanya satu
0..* Boleh tidak ada atau 1 atau lebih
1..* 1 atau lebih
0..1 Boleh tidak ada, maksimal 1
Batasan antara. Contoh 2..4
n..n mempunyai arti minimal 2 maksimal
4
Class Diagram secara khas meliputi : Kelas (Class), Relasi Assosiations,
Generalitation dan Aggregation, attribut (Attributes), operasi (operation/method)
dan visibility, tingkat akses objek eksternal kepada suatu operasi atau attribut.
Tabel 2 Komponen Class Diagram

Relasi Fungsi Notasi
Class implementasi dari sebuah
interface, yaitu class
abstrak yang hanya
memiliki metoda
Assosiation hubungan statis antar
class.
Composition Jika suatu class tidak bisa
dan harus merupakan
bagian dari class.
Defendency Class yang menggunakan
class yang lain.

Generalization Sebuah relasi
generalization sepadan
dengan sebuah realasi
inheritance pada konsep
berorientasi objek.
2.14.1 Use Case Diagram
Use case diagram merupakan pemodelan untuk kelakuakn (behavior) sistem
informasi yang akan dibuat. Use case digunakan untuk mengetahui fungsi apa saja
yang ada di dalam sistem informasi dan siapa saja yang berhak menggunakan
fungsi-fungsi tersebut. (Hendini, 2016). Simbol-simbol yang digunakan dalam
Use Case Diagram yaitu:
Tabel 3 Komponen Use Case Diagram

Actor Actor adalah
pengguna sistem.
Actor tidak terbatas
hanya untuk manusia
saja, jika sistem
berkomunikasi
dengan aplikasi lain
dan membutuhkan
input ataupun
memberikan output
maka aplikasi
tersebut juga dapat
dianggap sebagai
actor.
Use Case Use case

digambarkan sebagai
lingkaran elips
dengan nama use
case.
Association Association
digunakan untuk
menghubungkan
actor dengan use
case.
2.14.2 Activity Diagram
Activity Diagram menggambarkan workflow (aliran kerja) atau aktivitas dari
sebuah sistem atau proses bisnis. (Hendini, 2016) Simbol-simbol yang digunakan
dalam activity Diagram yaitu:
Tabel 4 Activity Diagram

Intial State Mempresentasik

an dimulainya alur
kerja suatu sistem
dalam activity
diagram.
Final State Mempresentasik

an diakhirinya alur
kerja suatu sistem
dalam activity
diagram.
Activity Mempresentasik
an performa dari
beberapa tingkah laku
di dalam alur kerja.
Decition Menentukan
kapan alur dalam
Points aktivitas menjadi
bercabang.
Synhoronizati Fork; digunakan

on bars untuk kegiatan yang
dilakukan secara
parallel atau untuk
menggabungkan dua
kegiatan parallel
menjadi satu.
Transition Menggambarkan
Between Activity pertukaran dari contoh
alur antara aktivitas.
2.14.3 Sequence Diagram
Sequence Diagram menggambarkan kelakuan objek pada use case dengan
mendeskripsikan waktu hidup objek dan pesan yang dikirimkan dan diterima antar
objek. (Hendini, 2016) Simbol-simbol yang digunakan dalam Sequence Diagram
yaitu:
Tabel 5 Komponen Squence Diagram

Object Object merupakan
intance dari class dan
dituliskan tersusun
secara horizontal.
Actor Actor juga dapat

berkomunikasi dengan
object, maka actor
juga dapat diurutkan
sebagai kolom.
Lifeline Lifeline
mengindikasikan
keberadaan sebuah
object dalam baris
waktu.
Activation Activation
mengidentifikasikan
keberadaaan sebuah
object yang akan
melakukan sebuah
aksi.
Message Message
mengidentifikasi
komunikasi antara
object-object.
2.15 ERD (Entity Relationship Diagram)
Entity Relationship Diagram mewakili hubungan antara data dengan
mengidentifikasi jenis entitas dan hubungannya. ERD merupakan model jaringan
yang menggunakan susunan data secara acak. ERD juga menghubungkan entitas
dengan entitas lain sehingga dapat dikembangkan menjadi database di masa yang
akan datang. Model data juga akan membantu ketika menganalisis dan mendesain
database, karena model data akan menunjukkan berbagai tipe data yang
dibutuhkan dan hubungan antar data.

ERD ini juga merupakan model konseptual yang dapat mendeskripsikan
hubungan antara file yang digunakan untuk memodelkan struktur data serta
hubungan antar data . Tetapi harus mengenali sismbol – simbol dasar dalam ERD
dibawah ini :
Tabel 6 Komponen ERD

Simbol Keterangan
Entitas , yaitu kumpulan dari
objek yang dapat diidentifikasikan
secara untik
Relasi , yaitu hubungan antara
entitas satu dengan entitas
lainnya . Antara lain one to one ,
one to many , many to many
Atribut , yaitu karakteristik
dari entitas atau relasi yang
merupakan penjelasan detail
tentang entitas
Hubungan antara entitas dengan
atributnya dan himpunan entitas
dengan himpunan relasinya
Selain simbol diatas , sebenarnya masih banyak simbol lain . yaitu entitas
asosiatif , atribut , derivat dan lainnya . Akan tetapi simbol diatas tersebut inti
yang wajib diketahui . ada tiga komponen , yaitu entitas (entity) , atribut
(attribute) dan relasi (relation).Entitas merupakan dasar yang terlibat dalam
sistem . Atribut atau field berperan sebagai penjelas dari entitas dan relasi atau
hubungan yang menjadi antara dua entitas . Berikut ini adalah penjelasan lengkap
pada komponen diatas :
1. Entitas
Entitas merupakan objek – objek dasar yang terkait didalam sistem .
Objek dasar dapat berupa orang , benda , atau hal – hal yang perlu memiliki
keterangan untuk disimpan ke database. Untuk menggambarkan entitas
dilakukan dengan cara mengikuti aturan dibawah ini :
1. Entitas berbentuk simbol persegi panjang
2. Nama entitas berupa kata benda tunggal
3. Nama entitas harus menggunakan nama yang mudah dipahami
2. Atribut
Atribut mempunyai arti properti , merupakan keterangan – keterangan
yang terkait pada sebuah entitas yang perlu disimpan sebagai ke
database.Atribut berfungsi untuk memperlejas sebuah entitas. Untuk
menggambarkan atribut yang dilakukan harus mengikuti aturan dibawah
ini :
1. Atribut berbentuk simbol ellipse
2. Nama atribut ditulis dengan simbol ellipse
3. Nama atribut harus berupa kata benda tunggal
4. Nama atribut harus menggunakan nama yang mudah dipahami

5. Atribut menghubungkan dengan entitas yang sesuai dengan
menggunakan garis
3. Relasi
Relasi atau hubungan adalah kejadian atau transaksi yang terjadi
diantara dua entitas yang keterangannya perlu disimpan ke database. Aturan
penggambaran relasi antar entitas dibawah ini :
1. Relasi berbentuk simbol belah ketupat
2. Nama relasi dituliskan di dalam simbol belah ketupat
3. Relasi menghubungkan dua entitas
4. Nama relasi harus menggunakan awal kata (me) tunggal
5. Nama relasi harus mudah dipahami.
2.16 ThingSpeak
ThingSpeak merupakan sebuah layanan internet yang menyediakan
layanan untuk pengaplikasian "Internet of Things". Thingspeak merupakan
layanan yang berisi aplikasi dan API yang bersifat open source untuk menyimpan
dan mengambil data dari berbagai perangkat yang menggunakan HTTP
(Hypertext Transfer Protocol) melalui Internet atau melalui LAN (Local Area
Network). Dengan menggunakan ThingSpeak, seseorang dapat membuat aplikasi
logging sensor, aplikasi pelacakan lokasi, dan jaringan sosial dari segala sesuatu
yang terhubung ke internet dengan pembaruan status. (Alfannizar & Rahayu,
2018)
Gambar 5 ThingSpeak
(sumber: www.hackster.io)
2.17 MySQL
MySQL merupakan server yang melayani database. Untuk membuat dan
mengolah database, kita dapat mempelajari pemrograman khusus yang disebut
query (perintah) SQL. Database sendiri dibutuhkan jika kita ingin menginput data
dari user menggunakan form HTML untuk kemudian diolah PHP agar bisa
disimpan ke dalam database MySQL. (Enterprise, 2018)
MySQL berdiri pada tahun 1979 oleh seorang programmer bernama
Michael Widenius . Untuk saat ini MySQL didukung oleh perusahaan ternama
asal swedia yaitu MySQL AB . MySQL AB sendiri didirikan oleh penemu
MySQL itu sendiri bersama dua orang lainnya yaitu David Axmark dan Allan
Larsson . Pengguna MySQL sudah meluas ke berbagai negara dikarenakan sudan
bersifat open source atau gratis, Sehingga menjadi aplikasi paling populer
digunakan pada saat ini.

MySQL adalah perangkat lunak sistem manajemen basis data yang bisa
multithreat dan juga bisa multiuser. Selain gratis dan juga sangat ideal untuk
digunakan, MySQL juga memiliki banyak kelebihan :
1. Kecepatan
MySQL memiliki kecepatan lebih cepat dari aplikasi sejenisnya .
Mekanisme dalam MySQL dapat menangani banyak data dalam waktu sedikit.
2. Dapat Dipercaya
Walapun MySQL bersifat gratis atau open source tanya dapat dipercaya
karena didukung oleh beberapa programmer yang berpengalaman diseluruh dunia
sehingga dapat mengurangi terjadinya error atau bug.
3. Mempunyai banyak tipe data
MySQL memiliki banyak sekali tipe data sehingga mampu mempermudah
pengguna.
4. Gratis
MySQL berada dibawah lisensi GPL sehingga kita bisa menggunakannya
secara legal.
Menurut (H Dhika, 2019) MySQL adalah sebuah perangkat lunak yang
terdapat didalam sistem manajemen basis data SQL (database
management system) atau yang biasa disebut DBMS yang
multithread, multi-user, dengan sekitar 6 juta instalasi di seluruh dunia. Dalam
membuatkan mysql yang tersedia di dalam perangkat lunak yang terletak di
GPL atau yang biasa di sebut dengan General Public License. Dan tetapi
mysql ini dapat menjual dibawah komersial dalam kasus pengguna bagi
yang tidak sama cocok dengan penggunaan General Public License.
2.18 Jaringan
Jaringan komputer adalah “interkoneksi” antara 2 komputer autonomus
atau lebih, yang terhubung dengan media transmisi kabel atau tanpa kabel
(wireless). Autonomus adalah apabila sebuah komputer tidak melakukan kontrol
terhadap komputer lain dengan akses penuh, sehingga dapat membuat komputer
lain, restart, shutdown, kehilangan file atau kerusakan sistem. Dalam defenisi
networking yang lain autonomous dijelaskan sebagai jaringan yang independent
dengan manajemen sistem sendiri (punya admin sendiri), memiliki topologi
Jaringan, hardware dan software sendiri, dan dikoneksikan dengan jaringan
autonomous yang lain. (Internet merupakan contoh kumpulan jaringan
autonomous yang sangat besar.) Dua unit komputer dikatakan terkoneksi apabila
keduanya bisa saling bertukar data/informasi, berbagi resource yang dimiliki,
seperti: file, printer, media penyimpanan (hardisk, floppy disk, cd-rom, flashdisk,
dll) (Wongkar et al., 2015)
2.19 Xampp
XAMPP merupakan kompilasi dari beberapa program yang digunakan
dalam membangun dan mengembangkan sebuah web dalam satu paket. Fungsinya
adalah sebagai server yang menjalankan website berbasis PHP dan menggunakan
pengolah data MySQL dikomputer lokal (localhost). XAMPP merupakan web
server yang mudah digunakan dan dapat melayani tampilan halaman web yang
dinamis. Bagian penting XAMPP yang biasa digunakan pada umumnya :

1. XAMPP Control Panel Aplication merupakan program yang mengelola
layanan (service) XAMPP. Seperti mengaktifkan layanan (start) dan
menghentikan (stop) layanan.
2. htdoc adalah folder tempat meletakkan berkas-berkas yang akan
dijalankan. Dalam Windows, folder ini berada di C:/xampp,
3. phpMyAdmin merupakan bagian yang digunakan untuk mengelola
database.
Dalam web media pembelajaran, database digunakan sebagai pusat data
pengolahan soal-soal, nama-nama siswa serta nama guru yang dapat mengakses
media pembelajaran berbasis web. Pada web media pembelajaran ini ada beberapa
program utama dari rangkaian XAMPP. XAMPP juga dapat disebut sebagai
sebuah CPanel server virtual, yang dapat membantu preview sehingga dapat
memodifikasi web tanpa harus mengakses internet. (Rohdiani & Rakhmawati,
2017)
2.20 Pemrograman Bahasa C
Pemrograman Bahasa C merupakansalah satu bahasa pemrograman
komputer. Dibuat pada tahun 1972 oleh Dennis Ritchie untuk Sistem Operasi
Unix di Bell Telephone Laboratories. Meskipun bahasa C dibuat untuk
memprogram sistem dan jaringan komputer namun bahasa ini juga sering
digunakan dalam mengembangkan software aplikasi. Bahasa C juga banyak
dipakai oleh berbagai jenis platform sistem operasi dan arsitektur komputer,
bahkan terdapat beberepa compiler yang sangat populer telah tersedia. Bahasa C
secara luar biasa memengaruhi bahasa populer lainnya, terutama bahasa C++ yang
merupakan extensi dari bahasa C. (Abdullah, 2019)

Bab III
Analisa dan Perancangan sistem
3.1 Deskripsi Sistem
Dalam penelitian tugas akhir ini, penulis membuat rancangan sistem
pendukung adanya alat pemberi pakan kucing berbasis web dengan menggunakan
platfrom ThingSpeak serta menggunakan komponen mikrokontroller nodemcu
ESP8266. Sistem ini dibuat dengan menghubungkan perangkat lunak dan
perangkat keras melalui jaringan Internet. Selain menggunakan komponen
mikrokontroller nodemcu ESP8266 yang sudah diprogram dengan menggunakan
software Arduino IDE, sistem ini juga menggunakan komponen perangkat keras
lainnya, diantaranya sensor ultrasonik sebagai sensor yang dapat mengubah
besaran fisis (suara) menjadi listrik dan sebaliknya, Sensor Load Cell untuk
mendeteksi tekanan atau berat beban, Water Level untuk mengetahui tingginya air
minum, Motor servo tertutup untuk mengatur atau menyesuaikannya untuk
menentukan dan memastikan posisi sudut poros keluaran motor.
Dimana alat sudah memidai hasil proses tersebut akan dikirim
melalui modul ESP8266 ke platform Tingspeak untuk ditampilkan pada sistem
dan sebagai tindakan output yang dilakukan Arduino. Perangkat lunak terdapat di
dua sisi, yang pertama dibagian mikrokontroler, merupakan sebuah program
untuk melakukan aksi pemicu terhadap sensor ultrasonik, sensor berat, sensor
water level dan motor servo. Kemudian program kedua terdapat dibagian platform
Thingspeak yang merupakan tempat penyimpanan data. Sistem ini akan
mengoleksi data-data jarak, berat dan ketinggian air, data tersebut akan di rekap
dan kemudian dilakukan proses perhitungan prediksi menggunakan metode K-
Means.
3.2 Kebutuhan perangkat Lunak
Berdasarkan Analisa yang dilakukan oleh peneliti, ada beberapa software
atau perangkat lunak yanng diperlukan, antaranya:
1. Arduino IDE, berperan sebagai tempat memprogram NodeMCU dan
komponen hardware lainnya yang dipakai dalam penelitian ini.
2. Platform Thingspeak, yang digunakan sebagai penyimpanan data untuk
penelitian ini.
3. Sistem Operasi Windows.
3.3 Kebutuhan Perangkat Keras
Berdasarkan studi yang dilakukan oleh peneliti,maka peneliti menentukan
kebutuhan perangkat keras sebagai berikut:
1. Antarmuka/Komputer server.
2. Dibutuhkan sebuah komputer yang dilengkapi dengan web browser dan
koneksi internet.
3. Arduino AtMega 2560
4. Nodemcu ESP2866.
5. Sensor Ultrasonik
6. Sensor Load Cell

7. Sensor Water Level
8. Motor servo
9. Jumper
10. Bread board
3.4 Implementasi algoritma K-Means
Urutan proses clustering dengan algoritma K-means untuk dapat
melakukan pengelompokan data menjadi beberapa cluster adalah sebagai berikut :
1. Tentukan nilai K sebagai jumlah cluster yang diinginkan. Dalam penelitian
ini data-data yang ada akan dikelompokan menjadi tiga cluster.
2. Tentukan titik pusat awal dari setiap cluster. Dalam penelitian ini titik
pusat
dilihat pada tabel 4.
Tabel 7 Data Awal Yang Akan Dihitung

Data Nama Kucing Jarak(X) Berat(Y) Tinggi Air(Z)
1 Kucing 1 13 10 15
2 Kucing 2 26 26 20
3 Kucing 3 25 26 20
4 Kucing 4 13 11 12
5 Kucing 5 27 21 23
6 Kucing 6 27 21 23
7 Kucing 7 14 12 22
8 Kucing 8 13 10 12
9 Kucing 9 13 12 11
10 Kucing 10 12 11 12
...... ..... ..... ..... .....
105 Kucing 105 11 12 12
Inisial data titik pusat awal (K) diambil secara random dari data, diantaranya :
data ke 25 dan 35.
Tabel 8 Centroid Awal

C1 25 23 22
C2 11 13 11
3. Menghitung jarak setiap data ke titik pusat cluster atau centroid awal antara
objek ke centroid dengan perhitungan jarak Euclidean sebagai berikut :
Keterangan: xik : Objek x ke-i
√∑ {
n
2
d ij = x ik − y ik }
k=1 yik : Objek y ke-i
n : Banyaknya objek
4. Menentukan jarak terdekat dan mengelompokkannya sesuai dengan
cluster (jarak terdekat), kemudian dikuadratkan untuk langkah awal
menentukan Within Cluster Variation.
5. Menentukan pusat cluster baru dengan menghitung rata-rata (mean) dari
banyaknya jumlah anggota cluster.
Mean = Jumlah Data / Banyaknya Data

6. Menghitung jarak ratio, dengan rumus sebagai berikut :
Between Cluster Variation (BCV) = d(m1,m2) + d(m1,m3) + d(m2,m3)

Within Cluster Variation (WCV) = (Jarak Terdekat)^2
Ratio = BCV / WCV
7. Pembaruan centroid (pusat cluster) dari nilai rata-rata (mean) pada
masing-masing cluster sehingga nilai mean tersebut menjadi centroid
baru.
8. Melanjutkan penghitungan ke iterasi selanjtnya (dari langkah ke-3), jika
terdapat data yang berpindah cluster atau jika nilai ratio baru > ratio lama,
dan atau jika iterasi dihentikan jika tidak terjadi perpindahan data antar
cluster atau nilai ratio baru < ratio lama.
3.4.1 Iterasi 1
Pada iterasi 1 dipilih K jumlah cluster = 3 yang kemudian dijadikan sebagai
centroid (pusat cluster), data yang dipilih berasal dari data ke-25 dan ke-35
dengan nilai sebagai berikut :
Tabel 9 Centroid Awal

C1 25 23 22
C2 11 13 11
Kemudian, setelah ditentukan centroid, hal yang perlu dilakukan adalah
menghitung jarak satu per satu data dengan centroid nya menggunakan rumus
Eucladian Distance sehingga didapat nilai-nilai sebagai berikut :
a. Data ke-1 terhadap Centorid.
Data C1
¿ √ ( 13−25 ) + ( 10−23 ) + ( 15−22 ) = 19,02629759

2 2 2
Data C2
¿ √ ( 13−11 ) + ( 10−13 ) + ( 15−11 ) = 5,385164807

2 2 2
Dari hasil penghitungan di atas, dapat dilakukan pengelompokan atau
clustering dengan melihat jarak terdekat atau jarak terkecil dari data terhadap
centroid sehingga didapat kelompok cluster sebagai berikut :
Tabel 10 Jarak ke Centroid dan Penentuan Kelompok Cluster dari Iterasi 1

C1 C2 Kuadrat Min
Jarak Min Jarak
25 23 22 11 13 11 Jarak
19,02629759 5,385164807 C2 5,38516481 29
3,741657387 21,79449472 C1 3,74165739 14
3,605551275 21,11871208 C1 3,60555128 13
19,6977156 3 C2 3 9
3 21,54065923 C1 3 9
3 21,54065923 C1 3 9
15,55634919 11,44552314 C2 11,4455231 131
20,32240143 3,741657387 C2 3,74165739 14
C1 C2 Kuadrat Min
Jarak Min Jarak
25 23 22 11 13 11 Jarak
19,6468827 2,236067977 C2 2,23606798 5
20,32240143 2,449489743 C2 2,44948974 6
...... ...... ..... ....... .......
20,42057786 1,414213562 C2 1,41421356 2
Kemudian, lakukan langkah penghitungan nilai Between Cluster Variation
dengan menggunakan rumus Eucladian Distance di antara tiga cluster yaitu
((m1,m2), (m2,m3), (m1,m3)), selanjutnya menghitung nilai Within Cluster
Variation yaitu dengan cara menjumlahkan seluruh nilai jarak terdekat dibagi
dengan banyak jumlah data, dan dilanjutkan dengan menghitung nilai Ratio
dengan menggunakan rumus BCV/WCV sehingga didapat nilai sebagai berikut :
Tabel 11 Hasil Penghitungan BCV, WCV dan Rasio dari Iterasi 1

Between Cluster Variation (BCV) 20,42057786
Within Cluster Variation (WCV) 2205
Rasio 0,009261033
3.4.2 Iterasi 2
Tabel 12 Centroid Iterasi 2
25,4583333
C1 3 22,60416667 21,3125
12,1929824
C2 6 12,38596491 13,89473684

C1 C2 Jar Min Kuadrat
25,458 22,604 21,31 12,19298 12,385 13,894 ak Jarak Min Jarak
33 17 25 246 96 74
2,75058 7,565712
18,81283453 2,750584034 C2 403 527
3,68072 13,54774
3,680725887 20,32854946 C1 589 306
C1 C2
Jar Min Kuadrat
25,458 22,604 21,31 12,192 12,385 13,894
ak Jarak Min Jarak
33 17 25 98 96 74
3,66938 13,46440
C1
3,669388195 19,66305897 819 972
2,48237 6,162203
C2
19,40591172 2,482378649 865 755
2,79244 7,797743
C1
2,792443922 19,39987593 392 056
2,79244 7,797743
C1
2,792443922 19,39987593 392 056
8,31321 69,10957
C2
15,62736093 8,313216717 672 218
3,15184 9,934133
C2
20,01993364 3,151846059 606 58
3,02980 9,179747
C2
19,33923671 3,029809831 983 615
2,35545 5,548168
C2
20,06255408 2,355455087 509 667
..... ..... ..... ..... .....
2,27204 5,162203
C2
20,20431661 2,272048361 836 755

Within Cluster Variation (WCV) 1490,112693
Rasio 0,012290379
3.4.3 Iterasi 3

C1 26,04347826 22,7173913 21,2826087
C2 12,18644068 12,6440678 14,16949153

C1 C2 Kuadrat
Jar Min
26,04 22,71 21,282 12,1864 12,64 14,16 Min
ak Jarak
348 739 6087 4068 407 949 Jarak
2,8883 8,34271
19,27006847 2,888376293 C2 7629 761
3,5245 12,4224
3,524556039 20,07959599 C1 5604 9527
3,6755 13,5094
3,675520616 19,40523271 C1 2062 518
2,8410 8,07153
19,83926431 2,841044028 C2 4403 1169
2,6103 6,81379
2,610325578 19,16353367 C1 2558 9622
2,6103 6,81379
2,610325578 19,16353367 C1 2558 9622
8,0635 65,0206
16,1376112 8,063540396 C2 404 8371
3,5156 12,3596
20,44581109 3,515631773 C2 3177 6676
3,3350 11,1223
19,76681166 3,335023032 C2 2303 7863
2,7284 7,44441
20,51056715 2,728445075 C2 4507 2525
..... ..... ..... ..... .....
2,5552 6,52915
20,67209565 2,555221769 C2 2177 8288

Rasio 0,012658828
3.4.4 Iterasi 4

C1 26,04347826 22,7173913 21,2826087
C2 12,18644068 12,6440678 14,16949153

C1 C2 Kuadrat
Jar Min
26,04 22,71 21,282 12,1864 12,64 14,16 Min
ak Jarak
348 739 6087 4068 407 949 Jarak
2,8883 8,34271
19,27006847 2,888376293 C2 7629 761
3,5245 12,4224
3,524556039 20,07959599 C1 5604 9527
3,6755 13,5094
3,675520616 19,40523271 C1 2062 518
2,8410 8,07153
19,83926431 2,841044028 C2 4403 1169
2,6103 6,81379
2,610325578 19,16353367 C1 2558 9622
2,6103 6,81379
2,610325578 19,16353367 C1 2558 9622
8,0635 65,0206
16,1376112 8,063540396 C2 404 8371
3,5156 12,3596
20,44581109 3,515631773 C2 3177 6676
3,3350 11,1223
19,76681166 3,335023032 C2 2303 7863
2,7284 7,44441
20,51056715 2,728445075 C2 4507 2525
....
..... ..... . ..... .....
2,5552 6,52915
20,67209565 2,555221769 C2 2177 8288

Rasio 0,012658828
3.4.5 Between Cluster Variation, Within Cluster Variation dan Ratio
Dari seluruh penghitungan di atas, kemudian tercatat nilai Between
Cluster Variation (BCV), Within Cluster Variation (BCV) dan Ratio pada proses
awal hingga akhir yakni dari iterasi ke-1, ke-2, ke-3 dan ke-4 setelah dianalisa
lebih lanjut didapat kesimpulan bahwa tidak terjadi perubahan yang signifikan
dari perpindahan data antar anggota cluster maupun perubahan dari nilai ratio,
yang dapat dilihat dari nilai sebagai berikut :
Tabel 21 Nilai BCV, WCV, Rasio dan Perpindahan Anggota Cluster

Anggota Cluster
Iterasi BCV WCV Rasio
C1 C2
1 20,42057786 2205 0,00926103 48 57
2 18,31404901 1490,11269 0,01229038 48 57
3 18,54954913 1465,34488 0,01265883 46 59
4 18,54954913 1465,34488 0,01265883 46 59
3.5 Pemodelan Sistem
3.5.1 Usecase Diagram
Usecase Diagram digunakan dalam menggambarkan fungsionalitas dari
sebuah sistem. Sebuah diagram usecase akan mengindentifikasikan aktor
yang terlibat dalam kegiatan yang dapat dilakukan pada sistem. Dalam hal ini
meliputi User, Mikrokontroler, dan Platform seperti dapat dilihat.

Gambar 6 UseCase Diagram
3.5.2 Class Diagram
Class diagram adalah diagram yang digunakan untuk menampilkan
beberapa kelas yang ada dalam sistem perangkat lunak yang akan
dikembangkan Class diagram menunjukan hubungan antar class dalam sistem
yang sedang dibangun dan bagaimana mereka saling berkolaborasi untuk
memncapai suatu tujuan. Berikut penggambaran Class diagram.
Gambar 7 Class Diagram

3.5.3 Squence Diagram
Sequence diagram digunakan untuk menggambarkan urutan-urutan
kejadian yang mungkin terjadi pada sistem. Berikut adalah sequence diagram
dari sistem mikrokontroler yang dimana dalam membaca setiap sensor dan
menampilakn di platform ThingSpeak.
Gambar 8 Squence Diagram

3.5.4 State Diagram
Gambar 9 Squence Diagram

Dapat dijelaskan bahwa sistem menghubungkan jaringan untuk
mengirim data sensor, jika jaringan terputus maka sistem tidak akan
mengirim data ke platform dan akan mengecek ulang jaringan. Kemudian
jika jaringan terhubung dengan baik maka data sensor terkirim dapat
menampilkan data sensor diplatform dan tersimpan otomatis oleh database
platform.
3.5.5 Activity Diagram
Activity diagram menggambarkan berbagai alir aktivitas dalam sistem
yang di rancang sesuai dengan metode yang digunakan, maka langkah-
langkah yang dilakukan dalan activitiy diagram adalah sebagai berikut :
Gambar 10 Activity Diagram

Gambar di atas menjelaskan Sistem Mikrokontroler yang menghasilkan
data dan dikirim ke platform ThingSpeak yang akan di olah dan d hitung
menggunakan mmetode Algoritma K-Means.
3.5.6 Kerangka Pemikiran

Gambar 11 Kerangka Pemikiran
3.6 Perancangan Arsitektur Perangkat Keras
Arsitektur perancangan perangkat keras merupakan gambaran alur kerja
alat yang penulis buat, terdiri dari sensor Ultrasonik, sensor load cell, Sensor
water level, nodemcu, smartphone, laptop (personal laptop), platform thingspeak,
dan basis data.

Gambar 12 Perancangan Arsitektur Perangkat Keras
Penjelasan pada gambar di atas yaitu arduino atmega hanya memberikan
energy vcc dan GND sementara untuk nodemcu mengirim 3 data dari sensor
Ultrasonik, sensor Load Cell, sensor water level melalui jaringan berupa
smartphone dengan mengaktifkakn mode hostpot. Data yang dikirim oleh
nodemcu diinputkan oleh laptop user ke dalam database melalui platform
ThingSpeak.
3.7 Arsitektur Jaringan
Arsitektur diagram adalah penggambaran untuk jaringan alat dan sistem
yang dibuat oleh penulis. Dibuat menggunakan sistem web yang bernama draw.io
Gambar 13 Arsitektur Jaringan

3.8 Rancangan Database
3.8.1 Tabel data
Pada tabel 14 penulis membuat rancangn database dimana tabel
tersebut berisi id, tanggal, jarak, berat, tinggi air dan class dengan masing-
masing type data.
Gambar 14 Struktur Tabel Data

3.8.2 Tabel Cluster
Tabel cluster dibuat untuk menyimpan data awal yang dipilih
sebagai cluster, kemudian akan bertambah jika telah didapat cluster baru jika
syarat melanjutkan iterasi dalam algoritma K-Means terpenuhi dan atau data
cluster akan berhenti jika tidak terjadi perubahan anggota cluster. Terdapat
beberapa field dalam tabel cluster di antaranya ID sebagai primary key,
Cluster, idx, jarak, berat, ktair.

Gambar 15 Struktur Tabel Cluster
3.8.3 Tabel Iterasi
Tabel iterasi berfungsi sebagai penyimpanan keseluruhan hasil
algoritma K-Means dari data yang dihitung, sehingga didapat angka-angka
yang nantinya menjadi penentu dilanjutkan atau dihentikannya sebuah iterasi.
Terdapat beberapa field antara lain ID sebagai primary key, Cluster, c1
sebagai hasil hitung data dengan cluster1, c2 sebagai hasil hitung data dengan
cluster2, dan min sebagai hasil jarak terdekat dan penentu sebuah data
menjadi anggota cluster.
Gambar 16 Struktur Tabel Iterasi

3.9 Skema Alat
Perancangan Mikrokontroler adalah skema instalasi antara sensor
ultrasonik, sensor load cell, sensor water level, nodemcu esp8266, servo penulis
menggambar skema mikrokontroler ini menggunakan software yaitu fritzing.
Gambar 17 Skema Alat

3.10 Rancanngan Antarmuka Sistem
Pada tahap rancangan antarmuka sistem ini penulis merancang sistem
otomatis dengan berisi web dengan menggunakan bahasa php.
3.10.1 Rancangan Home
Gambar 18 Rancangan index

3.10.2 Rancangan Proses Data
Gambar 19 Rancangan Proses Data

Bab IV
Implementasi dan Pengujian
4.1 Tempat Penelitian
Gambar 20 Tempat Penelitian

Tempat yang penulis teliti berada di perumahan BTN Griya Mukri Indah
tepatnya Jl.Pagaden-Subang Kab.Subang Kec.Pagaden 41252.
4.2. Implementasi Program
Pada bab ini membahas tentang implementasi sistem, berupa uraian
implementasi dari perancangan sistem sebelumnya, terdiri dari installasi server,
konfigurasi dan penyajian informasi dari sistem yang dibuat serta paparan hasil
pengujian sistem.
4.2.1 Spesifikasi dan Instalasi Server dan Tool
Dalam pengimplementasian tugas akhir ini, penulis melakukan penelitian
dengan satu unit laptop dengan spesifikasi sebagai berikut :

- Processor : AMD Ryzen 3 3250U
- Processor Speed : 2.6 GHz (4M Cache; up to 3.5 Ghz; 2 Cores)
- Memory : 8 GB DDR4 on board
- Harddisk : 512 GB
- Operating system : Windows 10 Home
4.2.2 Instalasi Arduino IDE
1. Kunjungi website Arduino untuk mendapatkan link download software
Arduino IDE terbaru.
Website : https://www.arduino.cc/en/Main/Software
Gambar 21 Halaman Download Arduino IDE
2. Pilih windows installer untuk instalasi secara offline.
3. Buka file installer Arduino IDE yang sudah di download, kkemudian klik
next-next-finish.
Gambar 22 Tampilan Arduino IDE
4.2.3 Installasi Xampp Sebagai Server
XAMPP merupakan sebuah paket instalasi untuk PHP, APACHE,
MYSQL, dsd. Sehingga tidak perlu menginstal softwarre-software tersebut secara
terpisah. Untuk mendapatkan software aplikasi XAMPP dapat di download di
https://www.apachefriends.org/download.html. Berikut ini adalah cara menginstal
XAMPP.
1. Klik dua kali file xampp-windows-x64-7.3.33-0-VC15-installer.exe
Gambar 23 Icon Installer xampp

2. Berikut pilih Next.
Gambar 24 Tampilan Awal Instalasi Xampp

3. Ceklis semua pilihan pada jendela setup wizard.
Gambar 25 Pilihan instalasi xampp

4. Berikutnya kita diminta untuk memilih folder direktori instalasi
Gambar 26 Memilih folder direktori instalasi
5. Klik next tunggu hingga proses instalasi selesai
Gambar 27 Proses Installasi xampp

6. Kemudian next dan finish
Gambar 28 Xampp selesai installasi
4.2.4 Registrasi Akun ThingSpeak
Kunjungi website Thingspeak https://thingspeak.com/
Gambar 29 Halaman Utama ThingSpeak

1. Pilih Sign In untuk membuka halaman Mathwork, klik Create One untuk
membuat akun.
Gambar 30 Tampilan Sign In
2. Masukan Email Addres, Location, sesuai dengan alamat pengguna. First
Name, dan Last Name.
Gambar 31 Daftar ThingSpeak

3. Isi kolom yang tersedia.
Gambar 32 Daftar Channel Baru

4. Setelah selesai membuat akun baru masukan kembali email yang barusan
daftar. Klik Next.
Gambar 33 Login untuk membuka channel

5. Masukan Password, klik Sign In.
Gambar 34 Masukan Password

6. Pilih Channels yang barusan di buat.
Gambar 35 News Channels
7. Tampilan Channels Stats
Gambar 36 Channel Status

4.3 Implementasi Antarmuka Sistem
Gambar 37 Halaman Index

(Sumber : http://localhost/mirwa/index.php )
Gambar 38 Halaman Jarak Kucing

(Sumber : http://localhost/mirwa/ultra.php )
Gambar 39 Halaman Berat Pakan
(Sumber : http://localhost/mirwa/berat.php )
Gambar 40 Halaman Ketinggian Air Minum

(Sumber : http://localhost/mirwa/kta.php )
Gambar 41 Penentuan dan Pengisian Centroid Algoritma K-Means
(Sumber : http://localhost/mirwa/Prosesdata.php )
Gambar 42 Data Pakan Kucing

Gambar 43 Hasil Iterasi 1

4.4 Implementasi Perakitan dan Pengujian Alat
Berikut merupakan alat yang sudah dirakit dan pengambilan data dari
sistem dan alat penulis ditempat penelitian.

Gambar 46 Perakitan Alat
Gambar 47 Pengujian Alat

Bab V
Kesimpulan dan Saran
5.1 Kesimpulan
Sistem ini dibangun denngan menggunakan komponen mikrokontroler
yang berbasis IoT dengan menggunakan platform Thingspeak, Serta
menggunakan Sistem web.Dalam penelitian ini penulis mendapatkan beberapa
kesimpulan diantaranya :
1. Machine Learning Pemberi Pakan Kucing Otomatis Berbasis IoT
Menggunakan Metode Algoritma K-Means Pada Platform Thingspeak
yang penulis buat telah berjalan sesuai fungsinya dengan hasil yang baik.
2. Keseluruhan perangkat keras dan perangkat lunak yang digunakan tidak
mengalami kendala yang berarti sehingga dapat berfungsi dengan baik
ketika proses pengembalian data dan pengujian alat berlangsung
dilapangan.
3. Penelitian dilakukan dengan menggunakan metode perhitungan algoritma
K-Means dengan menerapkan perbandingan nilai rasio dari setiap iterasi
melalui perhitungan algoritma K-Means.
5.2 Saran
Berikut merupakan beberapa saran dari penullis untuk membuat penelitian
selanjutnya agar menjadi lebih baik lagi.
1. Dalam proses pemberian minum dilakukan secara otomatis menggunakan
water level sensor funduino pada tempat minum kucing. kemudian

dilanjutkan relay mengontrol water pump untuk mengisi air pada tempat
minum kucing.Tingkat keberhasilan water level sensor funduino dalam
mendeteksi tingkat ketinggian air pada tempat minum kucing sebesar 85
%.
2. Untuk pengerjaan selanjutnya, dapat digunakan bahan acrylic agar alat
bisa lebih kuat dan kokoh.
3. Pengembangan selanjutnya dapat ditambahkan dengan ukuran
penyimpanan makanan kucing yang lebih besar supaya makanan kucing
dapat diberikan untuk waktu yang lama.

Daftar Pustaka
Ahmad Hania, A. (2017). Mengenal Artificial Intelligence, Machine Learning, &

Deep Learning. Jurnal Teknologi Indonesia, 1(June), 1–6. https://amt-
it.com/mengenal-perbedaan-artificial-inteligence-machine-learning-deep-
learning/
Alfannizar, I., & Rahayu, Y. (2018). Perancangan Dan Pembuatan Alat Home
Electricity Based Home Appliance Controller Berbasis Internet of Things.
Jom FTEKNIK, 5(1), 1–6. https://www.neliti.com/publications/201384/
Alfina, T., & Santosa, B. (2012). Analisa Perbandingan Metode Hierarchical
Clustering, K-Means dan Gabugan Keduanya dalam Membentuk Cluster
Data (Studi Kasus : Problem Kerja Praktek Jurusan Teknik Industri ITS).
Analisa PerbandinganMetode Hierarchical Clustering, K-Means Dan
Gabungan Keduanya Dalam Cluster Data, 1(1), 1–5.
Hendini, A. (2016). Diagram. PEMODELAN UML SISTEM INFORMASI
MONITORING PENJUALAN DAN STOK BARANG (STUDI KASUS:
DISTRO ZHEZHA PONTIANAK), 25(1), 27–47.
https://doi.org/10.1145/358315.358387
Kusumadiarti, R. S., & Qodawi, H. (2021). Implementasi Sensor Water Level
Dalam Sistem Pengatur Debit Air Di Pesawahan. Jurnal Petik, 7(1), 19–29.
https://doi.org/10.31980/jpetik.v7i1.957
Maulidia, C. A. Y. U. (2019). Alarm Peringatan Dini Potensi Banjir Berbasis
Arduino 2560 Dengan Sensor Ultrasonic. Ubiquitous: Computers and Its
Applications Journal, 2, 21–28. https://doi.org/10.51804/ucaiaj.v2i1.21-28
Nasution, R. Y., Putri, H., & Hariyani, Y. S. (2016). Perancangan Dan
Implementasi Tuner Gitar Otomatis Dengan Penggerak Motor Servo
Berbasis Arduino. Jurnal Elektro Dan Telekomunikasi Terapan, 2(1), 83–94.
https://doi.org/10.25124/jett.v2i1.96
Oktavianto, A. (2014). Perancangan Robot Pemadam Api Menggunakan Kontrol
PID. Universitas Bengkulu.
Pamungkas, M. R. I., Sumaryo, S., & Wibowo, A. S. (2019). Perancangan Dan
Implementasi Sistem Monitoring Dan Pemberi Pakan Kucing Otomatis
Berbasis Android. E-Proceeding of Engineering, 6(1), 112–119.
Rohdiani, F., & Rakhmawati, L. (2017). Pengembangan Pembelajaran Berbasis
Web Pada Mata Pelajaran Dasar Elektronika di SMK Negeri 3 Jombang.
Jurnal Pendidikan Teknik Elektro, 6(1), 105–110.
Setiawan, Y. (2017). Rancang Bangun Pemantauan dan Penjadwalan Alat
Pemberi Pakan Ikan Otomatis Secara Jarak Jauh. 210093.
Sulistyorini, P. (2009). Pemodelan Visual dengan Menggunakan UML dan
Rational Rose. Jurnal Teknologi Informasi DINAMIK Volume, XIV(1), 23–
29.
Supriyanto, A. (2020). Implementasi Data Mining untuk Memprediksi Masa Studi
Mahasiswa Menggunakan Metode C4. 5 (Studi Kasus PTIK FKIP UNS).
11(2), 130–138.
https://digilib.uns.ac.id/dokumen/detail/82717/Implementasi-Data-Mining-
untuk-Memprediksi-Masa-Studi-Mahasiswa-Menggunakan-Metode-C45-
Studi-Kasus-PTIK-FKIP-UNS
Tanto, & Darmuji. (2019). Penerapan Internet of Things (IoT) Pada Alat
Monitoring Energi Listrik. Jurnal Elektronika Listrik Dan Teknologi
Informasi Terapan, 1(1), 45–51. https://ojs.politeknikjambi.ac.id/elti
WAHYUDI, W., RAHMAN, A., & NAWAWI, M. (2018). Perbandingan Nilai
Ukur Sensor Load Cell pada Alat Penyortir Buah Otomatis terhadap
Timbangan Manual. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik
Telekomunikasi, & Teknik Elektronika, 5(2), 207.
https://doi.org/10.26760/elkomika.v5i2.207
Wahyuni, S. (2018). Ground Rapid Transit System with Magnetic Suspension - 1,
2, 3. Bundesminist Forsch Technol Forschungsber Technol Forsch Entwickl
T 74-38, 4, 42–49.
Wongkar, S., Sinsuw, A., & Najoan, X. (2015). Analisa Implementasi Jaringan
InternetDengan Menggabungkan Jaringan LAN Dan WLAN Di Desa
Kawangkoan Bawah Wilayah Amurang II. E-Journal Teknik Elektro Dan
Komputer, 4(6), 62–68.
Lampiran-Lampiran
1.Data Pakan Kucing menggunakan sensor jarak, sensor berat, sensor tinggi air.
No Nama Kucing Jarak(X) Berat(Y) Tinggi Air(Z)
1 Kucing 1 13 10 15
2 Kucing 2 26 26 20
3 Kucing 3 25 26 20
4 Kucing 4 13 11 12
5 Kucing 5 27 21 23
6 Kucing 6 27 21 23
7 Kucing 7 14 12 22
8 Kucing 8 13 10 12
9 Kucing 9 13 12 11
10 Kucing 10 12 11 12
11 Kucing 11 26 25 20
12 Kucing 12 13 20 22
13 Kucing 13 15 15 15
14 Kucing 14 11 13 12
15 Kucing 15 25 20 21
16 Kucing 16 25 22 20
17 Kucing 17 26 24 23
18 Kucing 18 13 10 11
19 Kucing 19 11 19 19
20 Kucing 20 14 12 18
21 Kucing 21 11 12 12
22 Kucing 22 12 18 13
23 Kucing 23 14 15 17
24 Kucing 24 26 20 21
25 Kucing 25 25 23 22
26 Kucing 26 25 22 22
27 Kucing 27 26 20 20
28 Kucing 28 12 14 14
29 Kucing 29 11 11 13
30 Kucing 30 12 13 16
31 Kucing 31 26 21 23
32 Kucing 32 28 25 22
33 Kucing 33 11 13 11
34 Kucing 34 14 16 17
35 Kucing 35 11 13 11
36 Kucing 36 14 12 12
37 Kucing 37 26 22 22
38 Kucing 38 25 22 21
39 Kucing 39 27 21 20
40 Kucing 40 13 10 15
41 Kucing 41 26 26 20
42 Kucing 42 25 26 20
43 Kucing 43 13 11 12
44 Kucing 44 27 21 23
45 Kucing 45 27 21 23
46 Kucing 46 14 12 22
47 Kucing 47 13 10 12
48 Kucing 48 14 12 11
49 Kucing 49 12 11 12
50 Kucing 50 26 25 20
51 Kucing 51 11 10 12
52 Kucing 52 12 12 11
53 Kucing 53 13 11 12
54 Kucing 54 26 25 20
55 Kucing 55 11 20 22
56 Kucing 56 13 15 15
57 Kucing 57 10 13 12
58 Kucing 58 25 20 21
59 Kucing 59 25 22 20
60 Kucing 60 26 24 23
61 Kucing 61 11 10 11
62 Kucing 62 13 19 19
63 Kucing 63 10 12 18
64 Kucing 64 11 12 12
65 Kucing 65 26 20 21
66 Kucing 66 25 23 22
67 Kucing 67 25 22 22
68 Kucing 68 26 20 20
69 Kucing 69 12 14 14
70 Kucing 70 11 11 13
71 Kucing 71 12 13 16
72 Kucing 72 26 21 23
73 Kucing 73 28 25 22
74 Kucing 74 11 13 11
75 Kucing 75 25 22 21
76 Kucing 76 27 21 20
77 Kucing 77 13 10 15
78 Kucing 78 26 26 20
79 Kucing 79 25 26 20
80 Kucing 80 13 11 12
81 Kucing 81 27 21 23
No Nama Kucing Jarak(X) Berat(Y) Tinggi Air (Z)
82 Kucing 82 27 21 23
83 Kucing 83 27 21 23
84 Kucing 84 14 12 22
85 Kucing 85 13 10 12
86 Kucing 86 12 12 11
87 Kucing 87 12 11 12
88 Kucing 88 26 25 20
89 Kucing 89 13 10 12
90 Kucing 90 10 12 11
91 Kucing 91 11 11 12
92 Kucing 92 26 25 20
93 Kucing 93 12 14 14
94 Kucing 94 11 11 13
95 Kucing 95 12 13 16
96 Kucing 96 26 21 23
97 Kucing 97 28 25 22
98 Kucing 98 11 13 11
99 Kucing 99 25 22 21
100 Kucing 100 27 21 20
101 Kucing 101 13 10 15
102 Kucing 102 26 26 20
103 Kucing 103 11 19 19
104 Kucing 104 10 12 18
105 Kucing 105 11 12 12
2. Source Code Arduino IDE untuk mikrokontroler Arduino Atmega

#include <Wire.h>
#include <Servo.h>
#include <HX711_ADC.h>
#if defined(ESP8266)|| defined(ESP32) || defined(AVR)
#include <EEPROM.h>
#endif
#define TRIGGERPIN 2
#define ECHOPIN 3
#define pinSensor A0 //Pin Sensor Water Level
const int HX711_dout = 5; //mcu > HX711 dout pin
const int HX711_sck = 6; //mcu > HX711 sck pin
HX711_ADC LoadCell(HX711_dout, HX711_sck);
const int calVal_eepromAdress = 0;

unsigned long t = 0;
Servo myservo;
int nilai = 0; // Menyimpan data sensor di Variable Nilai
void setup() {
Serial.begin(9600);
myservo.attach(4);
pinMode(TRIGGERPIN, OUTPUT);
pinMode(ECHOPIN, INPUT);
LoadCell.begin();
float calibrationValue; // calibration value (see example file "Calibration.ino")
calibrationValue = 696.0; // uncomment this if you want to set the calibration
value in the sketch
#if defined(ESP8266)|| defined(ESP32)
//EEPROM.begin(512); // uncomment this if you use ESP8266/ESP32 and want
to fetch the calibration value from eeprom
#endif
//EEPROM.get(calVal_eepromAdress, calibrationValue); // uncomment this if
you want to fetch the calibration value from eeprom
unsigned long stabilizingtime = 2000; // preciscion right after power-up can be

improved by adding a few seconds of stabilizing time
boolean _tare = true; //set this to false if you don't want tare to be performed in
the next step
LoadCell.start(stabilizingtime, _tare);
if (LoadCell.getTareTimeoutFlag()) {
while (1);
}
else {
LoadCell.setCalFactor(calibrationValue); // set calibration value (float)
}
}
void loop() {
//baca permintaan dari nodemcu
String minta = "";
//baca permintaan nodemcu
while(Serial.available() > 0 ) {
minta += char(Serial.read());
}
minta.trim();
//uji variabel minta
if(minta == "Ya")
{
//kirim datanya
kirimdata();
}
//kosongkan variable minta
minta = "";
delay(1000);
}
void kirimdata()
{
// int ketinggian = bacaSensor();
int nilai=analogRead(pinSensor);
long duration, distance;
digitalWrite(TRIGGERPIN, LOW);
delayMicroseconds(2);
digitalWrite(TRIGGERPIN, HIGH);
delayMicroseconds(10);
digitalWrite(TRIGGERPIN, LOW);
duration = pulseIn(ECHOPIN, HIGH);
distance = (duration/2) / 29.1;
static boolean newDataReady = 0;

const int serialPrintInterval = 0; //increase value to slow down serial print
activity
// check for new data/start next conversion:

if (LoadCell.update()) newDataReady = true;
// get smoothed value from the dataset:

if (newDataReady) {
if (millis() > t + serialPrintInterval) {
float i = LoadCell.getData();
newDataReady = 0;
t = millis();
//sediakan variabel penampung data yang akan dikirim

// datakirim = 10#29.05#05
String datakirim = String(distance) + "#" + String(i) + "#" + String(nilai);
//kirimdata ke nodemcu
Serial.println(datakirim);
if (distance > 10 && distance <25){

Serial.println("Ada Kucing");
myservo.write(160);
}else{
myservo.write(30);
Serial.println("Tidak Ada Kucing");
}
}
}
}
3. Source Code Arduino IDE untuk mikrokontroler nodemcu thingspeak
#include <SoftwareSerial.h>
#include <ESP8266WiFi.h>
WiFiClient client;
String apiKey = "P767V2E4DHTVC8Y3";
const char *ssid = "Mirwanaw";
const char *pass = "12345678";
const char* server = "api.thingspeak.com";
//buat variabel untuk software serial

SoftwareSerial DataSerial(D6,D7);
//12 pin D6 dan 13 pin D7 di nodemcu
//millis sebagai pengganti delay

unsigned long previosMillis = 0;
const long interval = 2000;
//variable array untuk pharsing data

String arrData[3];
void setup() {
Serial.begin(9600);
DataSerial.begin(9600);
Serial.println("Connecting to ");
Serial.println(ssid);
WiFi.begin(ssid, pass);
while (WiFi.status() != WL_CONNECTED){
delay(500);
Serial.print(".");
}
Serial.println("");
Serial.println("WiFi connected");
void loop() {
//konfigurasi millis
unsigned long currentMillis = millis(); // baca waktu millis saat ini
if (currentMillis - previosMillis >= interval)
{
//update previosMillis
previosMillis = currentMillis;
//priotaskan pembaca data dari arduino uno (hasil kirim data)

//baca data serial
String data = "";
while(DataSerial.available()>0)
{
data += char (DataSerial.read());
}
//buang spasi datanya
data.trim();
//uji data
if (data != "")
{
//format data "10#20.00.#89.00"
//parsing data (pecah data)
int index = 0;
for(int i=0; i<=data.length(); i++)
{
char delimiter = '#';
if(data[i] != delimiter)
arrData[index] += data[i];
else
index++; //variabel index bertambah 1
}
//pastikan bahwa data yang dikirim lengkap maksudnya
ldr,temperatute,humidity
//urutannya 0,1,2
if(index == 2)
{
if(client.connect(server, 80)){
String postStr= apiKey;
postStr += "&field1=";
postStr += String(arrData[0]);
postStr += "\r\n\r\n";
client.print("POST /update HTTP/1.1\n");
client.print("Host: api.thingspeak.com\n");
client.print("Connection: close\n");
client.print("X-THINGSPEAKAPIKEY: "+apiKey+"\n");
client.print("Content-Type: application/x-www-form-urlencoded\n");
client.print("Content-Length: ");
client.print(postStr.length());
client.print("\n\n");
client.print(postStr);
//tampilkan nilai sensor ke serial monitor

Serial.println("Jarak : " + arrData[0]); // nilai ldr
Serial.println("Berat : " + arrData[1]); // nilai temperatute
Serial.println("Ketinggian Air : " + arrData[2]); // nilai humidity
}
Serial.println();
}
arrData[0] = "";
arrData[1] = "";
arrData[2] = "";
}
//minta data ke arduino uno
DataSerial.println("Ya");
}

Laporan Mirwana Fix

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Laporan Mirwana Fix

Diunggah oleh

Hak Cipta:

Format Tersedia

MACHINE LEARNING PEMBERI PAKAN KUCING OTOMATIS

BERBASIS IOT MENGGUNAKAN METODE ALGORITMA K-MEANS

MACHINE LEARNING PEMBERI PAKAN KUCING OTOMATIS

Nama : Mirwana Wening

Dosen Pembimbing I, Dosen Pembimbing II,

Anderias Eko Wijaya, S.T.,M.kom Eka Permana, S.T.,M.kom

Dekan Teknik Informatika Ketua Prodi Teknik Informatika

Usep Tatang Suryadi, S.T.,M.Kom Dicky Iskandar Sobari, M.Kom.

melimpahkan rahmat dan karunia-Nya yang tak terukur,sehingga dapat

diselesaikannya tugas akhir yang berjudul “Machine Learning Pemberi Pakan

Kucing Otomatis Berbasis IoT Menggunakan Metode Algoritma K-Means Pada

Platform Thingspeak (Perum)”dengan baik dan benar.Tidak lupa sholawat serta

salam tercurah kepada Nabi kita Muhammad SAW.

Laporan ini diajukan sebagai syarat untuk menempuh Tugas Akhir

pada Fakultas Teknik, Program Studi Teknik Informatika di Universitas Mandiri

terima kasih kepada:

1. Bapak Dr. Muhammad Faisal selaku Rektor Universitas Mandiri Subang.

Universitas Mandiri Subang.

Universitas Mandiri Subang.

4. Bapak Dicky Iskandar Sobari,M.Kom, selaku Ketua Jurusan Fakultas

Teknik Universitas Mandiri Subang.

6. Kepada Dosen dan Staff Universitas Mandiri Subang.

penyusunan tugas akhir mendukung dan membantu agar dalam

penyusunan tugas akhir ini berjalan dengan baik dan lancar.

semangat menyelesaikan tugas akhir ini.

9. Kepada teman-teman penulis selama perkuliahan yang senatiasa memberi

menjadi motivasi bagi penulis untuk menyelesaikan tugas akhir ini.

Wassalamuallaikun Wr. Wb.

Subang, Februari 2022

1.1 Latar Belakang.........................................................................................................1

1.2 Identifikasi Masalah.................................................................................................3

1.5 Batasan Masalah.......................................................................................................4

1.6 Metodologi Penelitian..............................................................................................4

1.7 Sistematika Penulisan...............................................................................................5

Bab II Landasan Teori.......................................................................................................7

2.2 Machine Learning....................................................................................................8

2.3 Data Mining.............................................................................................................8

2.4 Internet of Things (IoT)..........................................................................................14

2.5 Algoritma K-Means................................................................................................15

2.6. Arduino IDE (Integrated Develovment Environment)...........................................20

2.8 Sensor Ultrasonik...................................................................................................22

2.9 Sensor Load Cell....................................................................................................23

2.10 Sensor Water Level...............................................................................................23

2.11 Motor Servo.........................................................................................................24

2.13 Model Proses (UML)...........................................................................................26

2.14 Class Diagram.....................................................................................................26

2.14.1 Use Case Diagram............................................................................................28

2.14.2 Activity Diagram...............................................................................................29

2.14.3 Sequence Diagram............................................................................................30

2.15 ERD (Entity Relationship Diagram)....................................................................31

2.20 Pemrograman Bahasa C.......................................................................................38

Bab III Analisa dan Perancangan sistem.........................................................................39

3.1 Deskripsi Sistem.....................................................................................................39

3.2 Kebutuhan perangkat Lunak...................................................................................40

3.3 Kebutuhan Perangkat Keras...................................................................................40

3.4 Implementasi algoritma K-Means..........................................................................41

3.4.1 Iterasi 1............................................................................................................43

3.4.2 Iterasi 2............................................................................................................44

3.4.4 Iterasi 4.....................................................................................................46

3.4.5 Between Cluster Variation, Within Cluster Variation dan Ratio....................47

3.5 Pemodelan Sistem..................................................................................................48

3.5.1 Usecase Diagram.............................................................................................48

3.5.2 Class Diagram.................................................................................................49

3.5.3 Squence Diagram............................................................................................49