<![CDATA[Abstrak - Pemberian pakan yang tidak efisien dan kurangnya pemantauan kondisi lingkungan merupakan tantangan utama dalam budidaya ikan tradisional, yang berdampak pada peningkatan biaya operasional dan penurunan produktivitas. Penelitian ini bertujuan untuk merancang dan mengimplementasikan Sistem Otomatisasi Pakan dan Monitoring Kualitas Lingkungan Budidaya Ikan berbasis Internet of Things (IoT) dan Machine Learning (ML) sederhana. Sistem ini menggunakan mikrokontroler ESP32 sebagai pusat kendali untuk membaca data sensor suhu dan menggerakkan servo motor sebagai mekanisme feeder pakan otomatis. Data sensor lingkungan dan parameter ikan (jumlah dan umur) dikirim ke Flask API yang berfungsi sebagai jembatan komunikasi dan pengolah data. Di sisi server, Flask API mengaplikasikan model Regresi Sederhana untuk mengestimasi kebutuhan pakan harian secara adaptif. Hasil estimasi kemudian dikirimkan kembali ke ESP32 untuk eksekusi pemberian pakan. Seluruh proses monitoring dan input parameter dilakukan melalui Dashboard Web berbasis PHP. Hasil pengujian menunjukkan bahwa sistem mampu melakukan pemantauan suhu secara real-time dan melaksanakan mekanisme pemberian pakan secara akurat sesuai hasil perhitungan ML. Integrasi yang efisien antara IoT, API, dan model ML ini diharapkan dapat mengoptimalkan manajemen pakan, mengurangi limbah, dan mendukung praktik akuakultur yang lebih berkelanjutan.Kata kunci : Internet of Things (IoT); Machine Learning; ESP32; Servo Motor; Pakan Otomatis; Budidaya Ikan; Abstract - Inefficient feeding practices and the lack of environmental condition monitoring are major challenges in traditional aquaculture, leading to increased operational costs and reduced productivity. This study aims to design and implement an Automated Feeding and Environmental Quality Monitoring System for fish cultivation based on the Internet of Things (IoT) and simple Machine Learning (ML). The system uses an ESP32 microcontroller as the central controller to read temperature sensor data and operate a servo motor as the automatic feeding mechanism. Environmental sensor data and fish parameters (quantity and age) are transmitted to a Flask API, which functions as a communication bridge and data processor. On the server side, the Flask API applies a Simple Regression model to estimate daily feed requirements adaptively. The estimation results are then sent back to the ESP32 for feed dispensing execution. All monitoring processes and parameter inputs are conducted through a PHP-based web dashboard. Experimental results show that the system is capable of performing real-time temperature monitoring and executing accurate feeding mechanisms according to the ML calculations. The efficient integration of IoT, API, and ML models is expected to optimize feed management, reduce waste, and support more sustainable aquaculture practices.Keywords: Internet of Things (IoT); Machine Learning; ESP32; Servo Motor; Automatic Feeding; Aquaculture;]]>
