IMPLEMENTASI SISTEM MONITORING DAN PENGATURAN DEBIT AIR PLTM BERBASIS INTERNET OF THINGS MENGGUNAKAN ESP32, LORA, DAN MACHINE LEARNING

MHD ZA’IM MUZHAFFAR, . (2026) IMPLEMENTASI SISTEM MONITORING DAN PENGATURAN DEBIT AIR PLTM BERBASIS INTERNET OF THINGS MENGGUNAKAN ESP32, LORA, DAN MACHINE LEARNING. Sarjana thesis, UNIVERSITAS NEGRI JAKARTA.

	Text HALAMAN COVER.pdf Download (2MB)
	Text BAB I.pdf Download (529kB)
	Text BAB II.pdf Restricted to Registered users only Download (1MB)
	Text BAB III.pdf Restricted to Registered users only Download (1MB)
	Text BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text BAB V.pdf Restricted to Registered users only Download (516kB)
	Text DAFTAR PUSTAKA.pdf Download (517kB)
	Text DAFTAR LAMPIRAN.pdf Restricted to Registered users only Download (1MB)

Abstract

Pembangkit listrik tenaga minihidro (PLTM) merupakan salah satu sumber energi terbarukan yang memanfaatkan potensi aliran air untuk menghasilkan energi listrik. Namun, kestabilan debit air yang masuk ke turbin menjadi faktor kritis dalam menjaga performa dan keamanan sistem PLTM. Perubahan debit air yang bersifat dinamis, terutama akibat pengaruh curah hujan dan kondisi hidrologi, sering menimbukan permasalahan dalam pengaturan bukaan pintu air (gate) apabila masi dilakukan secara manual atau menggunakan sistem kontrol konvensional. Keterlambatan respons dan tidak adanya kemampuan prediksi berpotensi menyebabkan penurunan efisiensi pembangkitan maupun kerusakan peralatan. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem pemantauan dan pengaturan debit air berbasis Internet of Things yang dilangkap dengan pendekatan Machine Learning sebagai sistem kontrol prediktif. Sistem dikembangkan menggunkan mikrokontroler ESP32 sebagai pusat pengolahan data, sensor ultrasonik untuk mengukur ketinggian air, sensor flowmeter untuk mengukur debit aliran, serta modul komunikasi LoRa untuk pengiriman data arak jauh. Data sensor dikombinasikan dengan data cuaca dan curah hujan dari API eksternal sebagai variabel tambahan dalam proses prediksi. Model Machine Learning digunakan untuk mempelajari pola hubungan antara data hidrologi, data cuaca dan perubahan debit air, sehingga mampu memprediksi bukaan gate yang optimal secara otomatis. Seluruh sistem diuji pada prototype PLTM skala laboratorium dengan berbagai skenario perubahan debit air. Hasil pengujian menunjukkan bahwa sistem mampu melakukan pemantauan debit air secara real time serta mengatur bukaan gate secara otomatis dengan respons yang lebih cepat dan stabil dibandingkan metode konvensional. Dengan demikian, sistem yang dikembangkan diharapkan dapat meningkatkan efisiensi operasioal PLTM, mengurangi ketergantungan terhadap intervensi manual operator, serta mendukung pemanfaatan energi terbarukan secara lebi optimal dan berkelanjutan. Kata Kunci: Pembangkit Listrik Tenaga Minihidro, Internet of Things, ESP32, LoRa, Achine Learning, Debit air ***** Mini Hydropower Plants (MHP) represent one of the renewable energy sources that harness the potential of water flow to generate electrical energy. However, the stability of the water flow rate entering the turbine is a critical factor in maintaining the performance and safety of MHP systems. The dynamic nature of water flow rate changes, particularly due to the influence of rainfall and hydrological conditions, frequently causes challenges in regulating the opening of water gates when managed manually or using conventional control systems. Delayed response and the absence of predictive capability risk reducing generation efficiency and causing equipment damage. This research aims to design and develop a water flow rate monitoring and control system based on the Internet of Things (IoT), equipped with a Machine Learning approach as a predictive control system. The system was developed using an ESP32 microcontroller as the central data processing unit, an ultrasonic sensor to measure water level, a flowmeter sensor to measure flow rate, and a LoRa communication module for long-range data transmission. Sensor data were combined with weather and rainfall data from an external API as additional variables in the prediction process. A Machine Learning model was employed to learn the relationship patterns among hydrological data, weather data, and water flow rate changes, enabling it to automatically predict the optimal gate opening. The entire system was tested on a laboratory-scale MHP prototype under various water flow rate change scenarios. The test results indicate that the system is capable of monitoring water flow rates in real-time and automatically regulating gate openings with a faster and more stable response compared to conventional methods. Accordingly, the developed system is expected to improve MHP operational efficiency, reduce dependence on manual operator intervention, and support more optimal and sustainable utilization of renewable energy. Keywords: Mini Hydropower Plant, Internet of Things, ESP32, LoRa, Machine Learning, Water Flow Rate.

Item Type:	Thesis (Sarjana)
Additional Information:	1). Syufrijal, S.T., M.T. ; 2). Churnia Sari, S.T., M.T.
Subjects:	Teknologi dan Ilmu Terapan > Teknik Jembatan Teknologi dan Ilmu Terapan > Teknik Elektronika Teknologi dan Ilmu Terapan > Teknik Komputer
Divisions:	FT > D IV Teknologi Rekayasa Otomasi
Depositing User:	Mhd Za'im Muzhaffar .
Date Deposited:	11 Aug 2026 03:11
Last Modified:	11 Aug 2026 03:11
URI:	http://repository.unj.ac.id/id/eprint/69534

Actions (login required)

View Item