# :notebook:LOGBOOK KEGIATAN MAGANG INDUSTRI

Nama : Benito Bosco Sinukaban
NIM : 13218029

## :smile: Minggu 1

| Tanggal | Kegiatan | Hasil | Kendala |
|:------ |:--------- | :--------- | :------- |
| 22-08-22 | Mempelajari paper berjudul 'Big IoT Data Analytics: Architecture,Opportunities, and Open Research Challenges' | Paper ini membahas tentang bagaimana potensi Big IoT Data Analytics, dimana penggunaan IoT dapat menghasilkan data - data yang masih bersifat mentah, kemudian dengan data - data tersebut akan di analisis sehingga menghasilkan sesuatu yang bermanfaat baik bagi segi bisnis, kesehatan, maupun aspek lainnya. Paper ini juga membahas aspek - aspek yang harus diperhatikan (sekaligus menjadi tantangan) pada penerapan Big IoT Data Analytics, seperti privasi pengguna, visualisasi data, serta aspek - aspek lainnya [Rangkuman Big Iot Data Analytics](https://docs.google.com/presentation/d/1yvP84pE_QIquHn8GmnFC1HR8DM2CpIM46H9pMwYKw08/edit?usp=sharing) | Pertanyaan: <br> - Apa itu memori cluster? |
| 23-08-22 | Mempelajari video 'System IoT' | Video ini berisi materi mengenai dasar - dasar dalam sistem IoT maupun pemanfaatan IoT dalam Big Data Analytics | Pertanyaan: <br> - Apakah 'Early Data Analytics' pada bagian Edge IT (sebelum data disimpan pada data center) dilakukan secara manual ataukah dapat juga memanfaatkan ML?|
| 24-08-22 | Berdiskusi pembagian topik TA, hal - hal yang mungkin akan dibeli untuk melakukan duplikasi dari alat yang telah dibuat oleh kating, membuat rangkuman paper ‘Big IoT Data Analytics: Architecture,Opportunities, and Open Research Challenges' | Dari hasil diskusi, topik TA untuk kelompok Dwi dan Benito adalah 'Smart Feeder' dan topik TA untuk kelompok Okta dan Agape adalah 'Smart Movement' | Pertanyaan: <br>-|
| 25-08-22 | Mempelajari tentang MQTT Protocol khususnya dengan menggunakan ESP32 | MQTT merupakan protokol komunikasi untuk komunikasi '*machine to machine*' yang memiliki 3 komponen utama, yaitu *publisher* (pengirim pesan), *subscriber* (penerima pesan), dan *broker*(jembatan antara publisher dan subscriber). Selain itu proses mencoba menggunakan MQTT protocol dengan menggunakan local computer sebagai subscriber dan publisher dapat dilakukan [Rangkuman MQTT Protocol (digabung dengan rangkuman IoT dan Big Iot Data Analytics)](https://docs.google.com/presentation/d/1NioL-O_yyejnZkQCoAuyRf3xOwOcbqcw/edit?usp=sharing&ouid=105111012505345966357&rtpof=true&sd=true) | Pertanyaan: <br>-Saya tidak dapat terhubung dengan menggunakan IP Local saat mencoba protokol MQTT, namun ketika menggunakan IP online (broker.mqtt-dashboard.com) dapat dilakukan dengan baik|
| 26-08-22 | Progress Report | - |- |

## :smile: Minggu 2

| Tanggal | Kegiatan | Hasil | Kendala |
|:------ |:--------- | :--------- | :------- |
| 29-08-22 | Mempelajari video bu Yeni dari IPB yang berjudul 'Kuliah 04 Smart Aquaculture: AI, Machine Learning, Deep Learning' | Video ini berisi tentang dasar - dasar dari AI-ML-DL serta perbedaan utama antara ketiga hal tersebut. Video ini juga membahas contoh penerapan AI pada bidang aquaculture | Pertanyaan: - |
| 30-08-22 | Mempelajari video bu Yeni dari IPB yang berjudul 'Kuliah 05 : Pattern Recognition & Computer Vision' | Video ini berisi tentang dasar - dasar dari Pattern Recognition & Computer Vision serta bagaimana contoh penerapannya dalam bidang aquaculture | Pertanyaan: - |
| 31-08-22 | Mempelajari konsep Decision Tree | Mampu memprediksi jenis species bunga berdasarkan Panjang sepal, Lebar sepal, Panjang petal, Lebar petal| Pertanyaan: - |
| 01-09-22 | Mempelajari paper berjudul 'Automatic Feeding Control for Dense Aquaculture Fish Tanks', 'A Closer Look at the IoT’s' “Things”', dan 'Physical sensors for precision aquaculture: A Review'. |Paper pertama berisi tentang salah satu metode yang ditawarkan dalam memberikan pakan ikan secara otomatis dengan melihat aktivitas ikan serta jumlah pakan. Paper kedua berisi tentang konsep - konsep dasar dalam bidang IoT seperti sensor, channel komunikasi, decision trigger, dan lain - lain. Paper ketiga membahas tentang kriteria sensor yang cocok digunakan dalam bidang aquaculture dan tantangan - tantangannya| Pertanyaan: - |
| 02-09-22 | Progress Report || Pertanyaan: - |
| | Mencoba mengganti dataset 'iris' yang digunakan sebelumnya menjadi dataset 'fish' namun masih dengan metode algoritma yang sama (Decision Tree) |Percobaan ini berhasil dilakukan, namun belum diperoleh data yang dapat digunakan untuk melakukan prediksi| Pertanyaan: - |

## :smile: Minggu 3

| Tanggal | Kegiatan | Hasil | Kendala |
|:------ |:--------- | :--------- | :------- |
| 05-09-22 | Mempelajari paper 'A Computer Vision-Based Intelligent Fish Feeding System Using Deep Learning Techniques for Aquaculture' | Paper ini berisi metode untuk melihat perilaku ikan saat diberi pakan menggunakan Computer Vision (CV), apabila ikan masih lapar maka akan terdeteksi gelombang yang ada pada permukaan air.| Pertanyaan: - |
| 06-09-22 | Mempelajari paper 'IoT-based On-demand Feeding System for Nile Tilapia (Oreochromis niloticus)'| Paper ini berisi metode untuk melihat kapan ikan lapar dengan meletakkan accelerometer di dalam corong pakan ikan, apabila sensor di trigger maka accelerometer akan bergerak sehingga menyebabkan servo bergerak membuka tutup wadah pakan agar pakan diberikan | Pertanyaan: - |
| | Mencoba untuk menggabungkan servo, sensor turbidity, dan sensor suhu (DS18B20) ke ESP32 yang akan digunakan | Seluruh alat (servo dan sensor) dapat terkoneksi dengan baik| Pertanyaan: - |
| | Membantu melakukan penyolderan pada alat smart water| Berhasil menyolder kurang lebih sebanyak 5 alat| Pertanyaan: - |
| 07-09-22 | Mencoba untuk menggabungkan seluruh servo, sensor turbidity, sensor suhu (DS18B20), serta *cloud* antares ke ESP32 dan juga telegram bot| Ketika servo dan sensor dihubungkan ke telegram semua berjalan lancar, antares juga dapat mengirimkan data (baik menggunakan protokol MQTT maupun http), namun ketika kode antares digabungkan dengan telegram maka terjadi gagal compile| Pertanyaan: Mengapa ketika menghubungkan seluruh servo dan sensor ke telegram berjalan lancar namun ketika menggabungkannya dengan antares terjadi gagal compile? |
| | Mempelajari penggunaan servo yang baru (servo 360 derajat) dikarenakan adanya perubahan rencana rancangan awal (rencana awal hanya menggunakan servo 180 derajat) |Hal ini berhasil dilakukan dengan baik, servo dapat berjalan sesuai dengan keinginan| Pertanyaan: - |
| | Mempelajari paper 'IOT based Automated Fish Feeder' |Paper ini membahas tentang metode pemberian pakan ikan dengan menggunakan aplikasi *blynk*, dimana salah satu metode yang digunakan pada percobaan ini, yaitu penggunaan sensor ultrasonic untuk melihat apakah pakan ikan di dalam kontainer masih ada atau tidak mungkin dapat diimplementasikan pada alat yang akan kami buat| Pertanyaan: - |
| 08-09-22 | Progress Report || Pertanyaan: - |
| | Mengganti kode pada telegram bot khususnya untuk bagian penggunaan servo baru yang telah dipelajari |Hal ini berhasil dilakukan dengan sangat baik dan semuanya berjalan lancar| Pertanyaan: - |
| | Mengambil hasil pembacaan accelerometer ketika ikan diberi makan|Hal ini belum berhasil dilakukan karena ikan tidak cukup reaktif ketika diberi makan sehingga accelerometer kurang dapat mengukur pergerakan gelombang permukaan air| Pertanyaan: - |
| 09-09-22 | Presentasi Formulasi Masalah Tugas Akhir || Pertanyaan: - |

## :smile: Minggu 4

| Tanggal | Kegiatan | Hasil | Kendala |
|:------ |:--------- | :--------- | :------- |
| 12-09-22 | Mempelajari paper 'Effect of High Temperature on Survival, Growth and Feed Conversion Ratio of Nile Tilapia, Oreochromis niloticus' | Paper ini berisi tentang bagaimana pengaruh dari suhu air terhadap kemampuan bertahan hidup, perkembangan, serta FCR dari ikan nila.| Pertanyaan: - |
| | Membantu melakukan penyolderan pada alat smart water | Berhasil menyolder kurang lebih sebanyak 3 alat|Pertanyaan: -|
| 13-09-22 | Mempelajari paper 'The impact of turbidity on foraging and risk taking in the invasive Nile tilapia (Oreochromis niloticus) and a threatened native cichlid(Oreochromis amphimelas)'| Paper ini berisi tentang bagaimana pengaruh kekeruhan terhadap kemampuan memakan serta tingkah laku dari ikan nila | Pertanyaan: - |
| | Mencoba untuk mengganti metode dari yang sebelumnya menggunakan metode telegram bot menjadi whatsapp bot | Diperoleh hasil yang kurang memuaskan dikarenakan setelah dilakukan uji coba ada beberapa masalah teknikal yang menyebabkan penggunaan whatsapp bot kurang tepat digunakan untuk project ini| Pertanyaan: - |
| | Model 3D desain untuk aktuator pakan yang telah selesai kemudian diujicoba dengan mengatur pemberian makan melalui telegram | Diperoleh hasil yang kurang memuaskan dikarenakan wadah penampung pakan ikan pada model 3D desain yang telah dibuat cukup longgar yang menyebabkan wadah sering terlepas dari tempatnya| Pertanyaan: - |
| | Membantu melakukan penyolderan pada alat smart water| Berhasil menyolder kurang lebih sebanyak 5 alat| Pertanyaan: - |
| 14-09-22 | Mempelajari paper 'Determining Fish Hunger State in a Smart Fish Farm Using Digital Signal Processing of the Water Current'| Paper ini berisi tentang pemanfaatan gyroscope dalam mendeteksi kelaparan ikan |Pertanyaan: - |
| | Mengambil hasil pembacaan accelerometer ketika ikan diberi makan|Hal ini masih belum berhasil dilakukan karena ikan tidak cukup reaktif ketika diberi makan sehingga accelerometer kurang dapat mengukur pergerakan gelombang permukaan air| Pertanyaan: - |
| | Mencoba mempelajari metode kalibrasi untuk turbidity sensor dari salah satu *engineer* di Xirka dikarenakan kami baru menyadari pengukuran hasil sensor masih sangat buruk |Metode kalibrasi yang diajarkan mampu dipahami dengan sangat baik| Pertanyaan: - |
| 15-09-22 | Progress Report| |Pertanyaan: - |
| | Mencoba melakukan kalibarasi pada turbidity sensor dengan metode yang telah diajarkan sebelumnya serta refrensi lain dari internet |Kalibrasi sensor turbidity masih tidak dapat dilakukan, penulis beranggapan ini dikarenakan sensor turbidity yang digunakan hanya sensitif untuk air dengan nilai NTU yang sangat tinggi (sekitar diatas 500 NTU)| Pertanyaan: Sensor kekeruhan apa yang dapat digunakan untuk kondisi air dengan NTU yang cukup rendah (berada di rentang 0 hingga 100 NTU)?|
| | Mencoba menguji coba model 3D desain yang wadah pakannya telah di lem | Diperoleh hasil yang cukup memuaskan karena wadah pakan ketika motor bergerak tidak terlepas dari tempatnya|Pertanyaan: - |
| 16-09-22 | Mencoba mengatur ulang kode telegram bot sehingga dapat memperoleh hasil bacaan waktu dari ESP32 lainnya (menggunakan metode UART)| Diperoleh hasil yang sangat memuaskan dimana waktu dapat dibaca dengan baik |Pertanyaan: - |
| | Mencoba menyempurnakan kode untuk telegram bot agar pemberian pakan dapat diatur waktunya, dapat dilihat waktu pemberian pakannya, dapat direset waktu pemberian pakannya, serta fungsi - fungsi lainnya.| Diperoleh hasil yang sangat memuaskan dimana ketika diujicoba seluruh fungsi tersebut dapat berjalan dengan sangat baik |Pertanyaan: - |
| 17-09-22 | Mencoba mengganti turbidity sensor dengan TDS sensor dikarenakan pembacaan turbidity sensor yang penulis rasa kurang baik| Diperoleh hasil pembacaan TDS yang jauh lebih baik dibandingkan dengan pembacaan turbidity sensor |Pertanyaan: - |

## :smile: Minggu 5

| Tanggal | Kegiatan | Hasil | Kendala |
|:------ |:--------- | :--------- | :------- |
| 19-09-22 | Membaca paper berjudul "The Effects of Feeding Frequency on Growth Performance and Proximate Composition of Young Nile Tilapia (Oreochromis niloticus L.)"| Paper ini membahas tentang bagaimana efek pemberian pakan sebanyak 1 kali, 2 kali, 3 kali, dan 6 kali dalam satu hari terhadap perkembangan berat ikan|Pertanyaan: - |
| 20-09-22 | Membaca paper berjudul "Alat Pemberian Pakan Ikan Otomatis"| Paper ini membahas tentang cara pemberian pakan ikan secara otomatis dengan jumlah pakan yang diberikan berdasarkan massa dari ikan yang ditinjau|Pertanyaan: - |
| | Melakukan kalibrasi sensor TDS yang baru saja diimplementasikan pada alat | Diperoleh hasil yang cukup memuaskan yaitu sensor TDS yang berhasil mengukur dengan error kurang lebih sebesar 5% |Pertanyaan: - |
| 21-09-22 | Membaca paper berjudul "Rancang Bangun Sistem Pemberian Pakan Ikan Secara Otomatis Berdasarkan Perilaku Ikan Menggunakan Kamera Berbasis Mini PC"| Paper ini membahas tentang cara pemberian pakan ikan otomatis dengan melihat perubahan gelombang permukaan air serta jumlah mulut ikan yang tertangkap oleh kamera|Pertanyaan: - |
| | Menambahkan EEPROM kepada kode ESP32 agar waktu pemberian pakan serta waktu pemberian pakan terakhir tetap dapat tersimpan walaupun sensor di reset (koneksi tidak sengaja terputus) | Diperoleh hasil yang sesuai dengan ekspetasi dimana EEPROM dapat diimplementasikan dengan baik|Pertanyaan: - |
| 22-09-22 |Progress Report|-|Pertanyaan: - |
| |Membantu melakukan penyolderan pada alat Smart Water Meter|Berhasil melakukan penyolderan sebanyak 2 *board* |Pertanyaan: - |
| |Mencoba mengimplementasikan seluruh sensor dan aktuator untuk eksperimen IoT aquarium dengan menggunakan PCB yang telah selesai dicetak|Diperoleh hasil yang kurang memuaskan dimana ternyata terdapat *short* pada VCC dan GND pada PCB yang dicetak. Walau permasalahan tersebut sempat teratasi, namun pembacaan sensor masih kurang baik |Pertanyaan: Mengapa VCC dan GND bisa terhubung walau skematik yang dicetak tidak salah? |
| 23-09-22 |Melihat *trend* dari massa pakan yang dikeluarkan oleh aktuator pada detik yang berbeda - beda|Diperoleh hasil yang cukup menarik dimana aktuator memberikan keluaran massa pakan yang cukup konstan pada waktu yang sama. Selain itu diperoleh hubungan yang linear antara massa pakan yang keluar dengan waktu dari pergerakan motor|Pertanyaan: - |
| |Melakukan instalasi pada aquarium yang telah dibeli serta diletakkan *fish feeder* pada atas aquarium untuk dapat memberikan pakan dengan metode semi-otomatis|*Fish feeder* yang diletakkan mampu bekerja dengan baik, yaitu ketika *user* memberikan input beri makan, maka motor akan berputar agar pakan dapat terjatuh dari wadah ke dalam aquarium|Pertanyaan: - |
| 24-09-22 |Melakukan survei lokasi ke dua tempat yang berada di sekitar Subang dengan tim Xirka, tim TA, serta tim dari Telkom Agree|Diperoleh beberapa catatan hasil wawancara dengan petambak ikan yang informasinya berguna untuk keberlangsungan Tugas Akhir dan program MBKM|Pertanyaan: - |

## :smile: Minggu 6
| Tanggal | Kegiatan | Hasil | Kendala |
|:------ |:--------- | :--------- | :------- |
| 26-09-22 | Membaca paper berjudul "IoT based Two Levels Feeding System for Koi Fish Pond"| Paper ini membahas tentang sistem pemberian pakan ikan koi secara otomatis dan semi otomatis|Pertanyaan: - |
| | Mengimplementasikan TDS ke alat eksperimen IoT Aquarium| Diperoleh hasil yang tidak sesuai harapan, dimana ketika kode sensor hasil kalibrasi digabung dengan kode program telegram bot serta sensor dan servo lainnya, maka pembacaan sensor TDS tersebut akan sangat buruk. Selain itu diperoleh suatu anomali dimana bacaan sensor TDS yang digunakan berubah - ubah, terkadang bacaan maksimumnya 3.3V namun terkadang menurun menjadi sekitar 2.2V. Hal ini dapat menyebabkan persamaan kalibrasi yang telah diperoleh menjadi tidak relevan untuk digunakan |Pertanyaan: - Mengapa ketika seluruh kode telegram bot, sensor, dan aktuator digabungkan diperoleh hasil bacaan TDS yang buruk, namun bacaan sensor serta aktuator lainnya normal? <br>- Mengapa bacaan maksimum TDS bisa berubah - ubah?|
| 27-09-22 | Membaca paper berjudul "Control - Monitoring System Of Oxygen Level, Ph, Temperature And Feeding in Pond Based on Iot"| Paper ini membahas tentang metode monitoring kualitas air dari kolam ikan (DO, pH, dan suhu) serta metode pemberian pakan secara otomatis |Pertanyaan: - |
| | Melakukan *debug* terhadap sensor TDS yang digunakan untuk mengatasi hasil bacaan yang buruk ketika kode hasil kalibrasi digabungkan dengan kode telegram bot, sensor, serta aktuator yang lain| Diperoleh hasil yang memuaskan, dimana bacaan yang dihasilkan telah mendekati bacaan TDS industri dan sudah sesuai dengan hasil kalibrasi. |Pertanyaan:-|
| 28-09-22 | Membaca paper berjudul "Sistem Pemberi Pakan Ikan dan Pengganti Air Otomatis pada Akuarium"| Paper ini membahas tentang metode untuk memberi pakan ikan secara otomatis serta melihat kualitas air dan mengganti air pada akuarium dengan menggunakan bantuan sensor ultrasonic dan turbidity |Pertanyaan: - |
| | Melakukan kalibrasi sensor TDS untuk alat *Smart Water Meter*| Diperoleh hasil yang memuaskan dimana bacaan TDS telah mendekati bacaan TDS industri. Namun terdapat 1 buah *board Smart Water Meter* yang mengalami masalah sehingga kalibrasi tidak dapat dilakukan. Total *board* yang berhasil dikalibrasi sebanyak 3 *board*|Pertanyaan:-|
| 29-09-22 | Progress Report| - |Pertanyaan: - |
| |Membantu menyolder *header* pada alat Smart Water Meter| Berhasil menyolder sebanyak 5 *board* |Pertanyaan: - |
| |Membantu melakukan kalibrasi sensor pH pada alat Smart Water Meter|Berhasil mengkalibrasi sebanyak 2 *board* |Pertanyaan: - |
| 30-09-22 |Membantu melakukan kalibrasi sensor pH pada alat Smart Water Meter| Berhasil mengkalibrasi sebanyak 3 *board* |Pertanyaan: - |
| 30-09-22 |Membantu melakukan kalibrasi sensor TDS pada alat Smart Water Meter| Berhasil mengkalibrasi sebanyak 1 *board* |Pertanyaan: - |

## :smile: Minggu 7
| Tanggal | Kegiatan | Hasil | Kendala |
|:------ |:--------- | :--------- | :------- |
| 03-10-22 | Mencari refrensi metode penggunaan Load Cell untuk menunjang proyek Tugas Akhir| Berhasil menemukan beberapa refrensi load cell (beserta modulnya) yang kemungkinan dapat digunakan pada proyek TA |Pertanyaan: - |
| 04-10-22 | Melakukan persiapan deploy alat Smart Water Meter ke Subang| Menyiapkan seluruh komponen - komponen yang diperlukan dan memastikan tidak ada yang tertinggal |Pertanyaan: - |
| 05-10-22 | Mempelajari konsep Machine Learning yang mungkin dapat diimplementasikan pada Tugas Akhir | Diperoleh bahwa cukup sulit untuk mengimplementasikan ML ke proyek Tugas Akhir jika melihat sisa waktu yang ada dan output yang diharapkan oleh Cepta |Pertanyaan: - |
| 06-10-22 | Deploy alat Smart Water Subang Hari Pertama| Tambak yang didatangi merupakan jenis tambak ikan nila. Terdapat 2 buah alat yang di deploy, yang satu menggunakan modul komunikasi LoRa dan satunya lagi menggunakan modul komunikasi bluetooth. Alat yang menggunakan modul bluetooth berjalan sesuai harapan, namun alat yang menggunakan modul LoRa tidak sesuai harapan dikarenakan penerimaan data sulit terjadi akibat titik pengambilan data berada pada *blind spot* LoRa. Sehingga alat yang menggunakan LoRa dipindah - pindah hingga mendapat posisi terbaik untuk memperoleh sinyal LoRa. |Pertanyaan: - |
| 07-09-22 |Deploy alat Smart Water Subang Hari Kedua| Setelah ditinggal dalam waktu satu hari di tambak diperoleh data yang terkirim sebanyak kurang dari 11 kali, dimana hal ini masih belum sesuai dengan harapan|Pertanyaan: - |

## :smile: Minggu 8
| Tanggal | Kegiatan | Hasil | Kendala |
|:------ |:--------- | :--------- | :------- |
| 10-10-22 | Membaca paper berjudul "Growth and production performance of red tilapia and Nile tilapia (Oreochromis niloticus Lin.) under low-input culture system"|Paper ini membahas tentang pertumbuhan ikan nila setiap hari perbulannya dengan kualitas lingkungan tertentu|Pertanyaan: -|
| 11-10-22 | Membaca paper berjudul "Growth and production performance of red tilapia and Nile tilapia (Oreochromis niloticus Lin.) under low-input culture system"| Paper ini membahas tentang bagaimana pengaruh hubungan antara periode pemberian pakan pada ikan nila terhadap Survival Rate dan Pertumbuhan massa ikan.|Pertanyaan: - |
| 12-10-22 | Membaca paper berjudul "PERTUMBUHAN DAN EFISIENSI PAKAN IKAN NILA (Oreochromis niloticus) YANG DIPUASAKAN SECARA PERIODIK" | Paper ini membahas tentang bagaimana pengaruh pemuasaan pada ikan terhadap perkembangan ikan sehingga akan diperoleh metode terbaik untuk mengoptimalkan pertumbuhan ikan dan meminimalisir biaya untuk pemberian pakan |Pertanyaan: - |
| 13-10-22 | Pertemuan dengan pihak Telkom Agree di hotel Grand Tjokro Bandung| Pertemuan ini membahas tentang program Smart Water Meter yang akan di deploy ke daerah lain kedepannya. Pada kesempatan ini juga kami tim MKBM ITB mempresentasikan hasil riset kami Iot Aquarium |Pertanyaan: - |
| 14-10-22 |Pengecatan dengan aquaproof model 3D yang telah dicetak | Model berhasil di cat namun air tetap merembes ke dalam alat|Pertanyaan: -

## :smile: Minggu 9
| Tanggal | Kegiatan | Hasil | Kendala |
|:------ |:--------- | :--------- | :------- |
| 17-10-22 | Melakukan demo IoT Aquarium pada telegram bot untuk mengambil SS yang akan dilampirkan pada jurnal |SS berhasil dibuat|Pertanyaan: -|
| 18-10-22 | Membuat *flowchart* IoT Aquarium pada telegram bot yang akan dilampirkan pada jurnal| *Flowchart* berhasil di buat|Pertanyaan: - |
| 19-10-22 | Memulai menulis bagian pribadi pada paper di overleaf | Bagian awal dari jurnal yang merupakan bagian pribadi telah ditulis |Pertanyaan: - |
| 20-10-22 | Progress Report dan Diskusi |Kedepannya diharapkan ditambahkan metode CNN dalam mendeteksi kelaparan ikan dari hasil bacaan accelerometer| Pertanyaan: - |
| 21-10-22 |Menonton kuliah MIT mengenai CNN pada https://www.youtube.com/watch?v=iaSUYvmCekI | Konsep dari CNN itu sendiri merupakan merepresentasikan suatu gambar ke dalam matriks (2 dimensi apabila berupa gambar hitam putih, dan 3 dimensi apabila merupakan gambar berwarna) yang kemudian dengan algoritma - algoritma tertentu akan menghasilkan suatu klasifikasi ataupun fitur - fitur tertentu  |Pertanyaan: - |

## :smile: Minggu 10
| Tanggal | Kegiatan | Hasil | Kendala |
|:------ |:--------- | :--------- | :------- |
| 24-10-22 | Mempelajari cara menginstall Jupyter Notebook sebagai persiapan proses pengimpelemtasian metode AI/ML pada riset yang dilakukan melalui video youtube https://www.youtube.com/watch?v=EEEZX_0FMEc&list=PLeo1K3hjS3us_ELKYSj_Fth2tIEkdKXvV&index=23 |Jupyter Notebook berhasil diinstall |Pertanyaan: Bagaimana cara mengatur agar file yang dibaca saat membuka Jupyter Notebook berada pada disk D?|
| 25-10-22 | Mempelajari konsep CNN melalui video youtube https://www.youtube.com/watch?v=zfiSAzpy9NM&list=PLeo1K3hjS3us_ELKYSj_Fth2tIEkdKXvV&index=96 dan https://www.youtube.com/watch?v=iqQgED9vV7k&list=PLeo1K3hjS3us_ELKYSj_Fth2tIEkdKXvV&index=82&t=29s | Konsep dari CNN itu sendiri merupakan merepresentasikan suatu gambar ke dalam matriks (2 dimensi apabila berupa gambar hitam putih, dan 3 dimensi apabila merupakan gambar berwarna) yang kemudian dengan algoritma - algoritma tertentu akan menghasilkan suatu klasifikasi ataupun fitur - fitur tertentu  |Pertanyaan: - |
| 26-10-22 | Mempelajari contoh implementasi CNN dari video youtube https://www.youtube.com/watch?v=7HPwo4wnJeA&list=PLeo1K3hjS3us_ELKYSj_Fth2tIEkdKXvV&index=97&t=656s | Konsep dari CNN itu sendiri merupakan merepresentasikan suatu gambar ke dalam matriks (2 dimensi apabila berupa gambar hitam putih, dan 3 dimensi apabila merupakan gambar berwarna) yang kemudian dengan algoritma - algoritma tertentu akan menghasilkan suatu klasifikasi ataupun fitur - fitur tertentu |Pertanyaan: - |
| 27-10-22 | Progress Report| - | Pertanyaan: - |
| 28-10-22 |Mempelajari konsep dasar dan impelementasi dari metode Machine Learning regresi linear dari video youtube https://www.youtube.com/watch?v=8jazNUpO3lQ&list=PLeo1K3hjS3us_ELKYSj_Fth2tIEkdKXvV&index=41&t=415s dan https://www.youtube.com/watch?v=J_LnPL3Qg70&list=PLeo1K3hjS3us_ELKYSj_Fth2tIEkdKXvV&index=41&t=527s |Konsep dari metode regresi linear pada ML ini menggunakan pendekatan linear dari fitur - fitur data yang akan diklasifikasikan |Pertanyaan: - |

## :smile: Minggu 11
| Tanggal | Kegiatan | Hasil | Kendala |
|:------ |:--------- | :--------- | :------- |
| 31-10-22 | Mempelajari implementasi CNN pada python dari video youtube https://www.youtube.com/watch?v=7HPwo4wnJeA&list=PLeo1K3hjS3us_ELKYSj_Fth2tIEkdKXvV&index=96&t=656s |Implementasi berhasil dilakukan, namun ada beberapa hal seperti input yang tidak bisa diimplementasikan secara 100% seperti video karena perbedaan jenis input (input yang penulis inginkan dalam bentuk representasi matriks bukan gambar). Sehingga penulis melakukan "trial and error" untuk mengatasi masalah input dan seluruhnya berhasil berjalan dengan baik. |Pertanyaan: -|
| 01-11-22 | Mengebor casing Smart Water Meter untuk dapat dipasangi PG | |Pertanyaan: - |
| 02-11-22 | Mempelajari cara menggunakan library TinyML pada ESP32 agar hasil training dari kode Tensorflow Python dapat diimplementasikan pada ESP32 | Setelah melakukan *trial and error*, penulis akhirnya bisa mengimplementasikan CNN pada ESP32. Namun, dataset yang digunakan belum berbentuk data real hasil bacaan accelerometer, melainkan masih menggunakan data prostetik (data buatan) yang berbentuk sinusoidal. |Pertanyaan: - |
| 03-11-22 | Progress Report| - | Pertanyaan: - |
| 04-11-22 |Mengambil data dari accelerometer pada situasi nyata ketika pemberian pakan pada ikan. |Data dari accelerometer berhasil diperoleh. |Pertanyaan: - |

## :smile: Minggu 12
| Tanggal | Kegiatan | Hasil | Kendala |
|:------ |:--------- | :--------- | :------- |
| 07-11-22 | Mencoba mengimpelementasikan hasil bacaan accelerometer sebagai input pada model CNN|Impelementasi tidak berhasil dilakukan dikarenakan diperoleh akurasi yang buruk. Hal ini menurut penulis disebabkan oleh proses klasifikasi (1 atau 0) yang dilakukan masih kurang tepat serta dataset yang digunakan masih kurang banyak. |Pertanyaan: -|
| 08-11-22 | Pengambilan data accelerometer untuk menambah dataset yang akan dilatih pada model CNN | Bacaan accelerometer berhasil diperoleh|Pertanyaan: - |
| 09-11-22 | Mencoba mengimpelementasikan hasil bacaan accelerometer sebagai input pada model CNN | Impelementasi tidak berhasil dilakukan dikarenakan diperoleh akurasi yang buruk. Sama dengan alasan sebelumnya, hal ini menurut penulis disebabkan oleh proses klasifikasi (1 atau 0) yang kurang tepat serta jumlah dataset yang masih kurang. Namun, menurut penulis masalah kesalahan klasifikasi merupakan yang paling besar yang menyebabkan proses impelementasi gagal. |Pertanyaan: - |
| 10-11-22 | Mencoba mengganti klasifikasi dari data raw hasil bacaan accelerometer untuk memperoleh hasil akurasi yang lebih baik pada implementasi CNN| Klasifikasi berhasil dilakukan dan menurut penulis sudah cukup baik | Pertanyaan: - |
| 11-11-22 |Mencoba mengimpelementasikan hasil klasifikasi ke dalam model CNN untuk dilihat hasilnya |Hasil yang diperoleh telah cukup baik, akurasi yang diperoleh sudah berada di rentang 85% hingga 93%. Namun, target penulis yang ingin memperoleh hasil akurasi di atas 95% masih belum terpenuhi. |Pertanyaan: - |

## :smile: Minggu 13
| Tanggal | Kegiatan | Hasil | Kendala |
|:------ |:--------- | :--------- | :------- |
| 14-11-22 | Mencoba meningkatkan hasil akurasi CNN di atas 95% dengan melakukan *trial and error* pada komponen filter CNN, hidden layers, dan neurons. |Akurasi yang diperoleh masih tetap berada di rentang 85% hingga 93% sama seperti sebelumnya. Selain itu, penulis juga menemukan hal baru di mana F1 Score yang diperoleh sangat kecil pada klasifikasi 1 (lapar). Hal ini menurut penulis karena perbandingan antara data yang diklasifikasikan sebagai 0 dan 1 jumlahnya sangat jauh berbeda, dimana dataset yang diklasifikasi sebagai 0 jauh lebih banyak dibandingkan dengan data yang diklasifikasikan dengan 1. |Pertanyaan: -|
| 15-11-22 | Pengambilan data accelerometer untuk menambah dataset yang akan dilatih pada model CNN | Bacaan accelerometer berhasil diperoleh |Pertanyaan: - |
| | Progress Report | - |Pertanyaan: - |
| 16-11-22 | Menulis draft paper (bagian CNN) |  |Pertanyaan: - |
| 17-11-22 | Pengambilan data accelerometer untuk menambah dataset yang akan dilatih pada model CNN| Bacaan accelerometer berhasil diperoleh  | Pertanyaan: - |
| 18-11-22 |Pengambilan data accelerometer untuk menambah dataset yang akan dilatih pada model CNN |Bacaan accelerometer berhasil diperoleh |Pertanyaan: - |
| |Pengambilan data accelerometer untuk menambah dataset yang akan dilatih pada model CNN |Bacaan accelerometer berhasil diperoleh  |Pertanyaan: - |

## :smile: Minggu 14
| Tanggal | Kegiatan | Hasil | Kendala |
|:------ |:--------- | :--------- | :------- |
| 21-11-22 | Pengambilan data accelerometer untuk menambah dataset yang akan dilatih pada model CNN |Bacaan accelerometer berhasil diperoleh  |Pertanyaan: -|
| | Mencoba mengimpelementasikan hasil bacaan accelerometer sebagai input pada model CNN | Implementasi telah berhasil dilakukan dengan nilai F1 score yang telah di atas 95% baik pada klasifikasi 1 atau 0.|Pertanyaan: - |
| 22-11-22 | Progress Report |   |Pertanyaan: - |
| 23-11-22 | Pengambilan data accelerometer untuk menambah dataset yang akan dilatih pada model CNN dikarenakan tim MBKM ingin menambah dataset agar model yang diperoleh mencakup hampir seluruh keadaan real |Bacaan accelerometer berhasil diperoleh |Pertanyaan: - |
| 24-11-22 | Pengambilan data accelerometer untuk menambah dataset yang akan dilatih pada model CNN| Bacaan accelerometer berhasil diperoleh | Pertanyaan: -|
| | Melakukan kalibrasi board 9 LoRa| Board berhasil dikalibrasi | Pertanyaan: -|
| 25-11-22 |Pengambilan data accelerometer untuk menambah dataset yang akan dilatih pada model CNN |Bacaan accelerometer berhasil diperoleh  |Pertanyaan: - |

## :smile: Minggu 15
| Tanggal | Kegiatan | Hasil | Kendala |
|:------ |:--------- | :--------- | :------- |
| 28-11-22 | Pengambilan data accelerometer untuk menambah dataset yang akan dilatih pada model CNN |Bacaan accelerometer berhasil diperoleh  |Pertanyaan: -|
| 29-11-22 | Pengambilan data accelerometer untuk menambah dataset yang akan dilatih pada model CNN |Bacaan accelerometer berhasil diperoleh  |Pertanyaan: -|
| 30-11-22 | Pengambilan data accelerometer untuk menambah dataset yang akan dilatih pada model CNN |Bacaan accelerometer berhasil diperoleh |Pertanyaan: - |
| 01-12-22 | Pengambilan data accelerometer untuk menambah dataset yang akan dilatih pada model CNN| Bacaan accelerometer berhasil diperoleh | Pertanyaan: -|
| 02-12-22 |Melakukan pengimplementasian CNN dari hasil dataset - dataset yang diperoleh sebelumnya dengan melakukan proses labelling sebelumnya.|Hasil yang diperoleh yakni dengan menggunakan 32 filter CNN, dengan kombinasi: <br> 1) 1 hidden layers dengan 32 neurons, 16 neurons, dan 8 neurons <br> 2) 2 hidden layers dengan masing - masing 16 neurons, 8 neurons, dan 4 neurons <br> 3) 4 hidden layers dengan masing - masing 8 neurons, 4 neurons, dan 2 neurons. <br> <br> Input yang digunakan baik ketika sebelum di filter maupun setelah di filter <br> <br> Diperoleh hasil akurasi sebagai berikut:  <br>  <br>  <br>  <br>  <br>  |Pertanyaan: - |