Sistem Hidroponik

© Hak cipta milik IPB, tahun 2008 Hak cipta dilindungi

DAFTAR LAMPIRAN

II. TINJAUAN PUSTAKA

2.1 Sistem Hidroponik

Hidroponik dalam pengertian paling sederhana adalah penumbuhan tanaman tanpa menggunakan tanah sebagai media tanamnya. Hidroponik mulai dilirik dan berkembang sejak tahun 1925 setelah didapati bahwa sistem ini mempunyai potensi untuk digunakan oleh industri tanaman karena dapat mengatasi masalah keterbatasan lahan, kesuburan tanah serta serangan hama dan penyakit. Sistem ini dikembangkan lebih lanjut oleh Dr. W.F Gericke pada tahun 1936 yang berhasil menumbuhkan tanaman tomat dalam kolam berisi air dan nutrient di laboratoriumnya (Prihmantoro dan Yovita, 2000).

Beberapa kelebihan sistem hidroponik dibanding dengan media tanah adalah kebersihan lebih mudah terjaga, tidak memerlukan pengelolaan tanah, penggunaan pupuk dan air lebih efisien, tidak tergantung musim, tingkat produktivitas dan kualitas cukup tinggi dan seragam, tanaman dapat dikontrol dengan baik, dapat diusahakan di tempat yang tidak terlalu luas ataupun dipergunakan sebagai bisnis dengan luasan yang cukup, dapat mengurangi jumlah tenaga kerja, kenyamanan kerja dapat ditingkatkan secara ergonomis, dan diferensiasi produk dapat dilakukan (Suhardiyanto, 2002).

Pada prinsipnya sistem hidroponik dibagi menjadi dua kelompok yaitu sistem yang menggunakan media substrat dan sistem yang menggunakan media air. Jenis hidroponik yang menggunakan media substrat dicirikan dengan media tanamnya yang berupa bahan padat berpori maupun tidak berpori dengan wadah yang tidak gampang lapuk terkena air seperti ember, pot, polybag, dan lain – lain. Media yang digunakan dapat berupa pasir, kerikil, perlit, zeolit, sabut kelapa, spon, batu apung dan sebagainya (Prihmantoro dan Yovita, 2000).

Nutrient Film Technique (NFT) merupakan salah satu tipe spesial dalam hidroponik yang dikembangkan pertama kali oleh Dr. A.J Cooper di Glasshouse Crops Research Institute, Littlehampton, Inggris pada akhir tahun 1960-an dan berkembang pada awal 1970-an secara komersial. Konsep dasar NFT ini adalah budidaya tanaman dengan akar tanaman tumbuh pada lapisan nutrisi yang dangkal dan tersirkulasi sehingga tanaman dapat memperoleh

cukup air, nutrisi dan oksigen. Tanaman tumbuh dalam lapisan polyethylene dengan akar tanaman terendam dalam air yang berisi larutan nutrisi yang disirkulasikan secara terus menerus dengan pompa. Daerah perakaran dalam larutan nutrisi dapat berkembang dan tumbuh dalam larutan nutrisi yang dangkal sehingga bagian atas akar tanaman berada di permukaan antara larutan nutrisi dan styrofoam. Dengan adanya bagian akar dalam udara ini memungkinkan oksigen masih bisa terpenuhi dan tercukupi untuk pertumbuhan secara normal.

Beberapa keuntungan pemakaian NFT antara lain: dapat memudahkan pengendalian daerah perakaran tanaman, kebutuhan air dapat terpenuhi dengan baik dan mudah, keseragaman nutrisi dan tingkat konsentrasi larutan nutrisi yang dibutuhkan oleh tanaman dapat disesuaikan dengan umur dan jenis tanaman, tanaman dapat diusahakan beberapa kali dengan periode tanam yang pendek, sangat baik untuk pelaksanaan penelitian dan eksperimen dengan variabel yang dapat terkontrol dan memungkinkan untuk meningkatkan produktivitas tanaman dengan high planting density. Namun NFT mempunyai beberapa kelemahan seperti investasi dan biaya perawatan yang mahal, sangat tergantung terhadap energi listrik dan penyakit yang menjangkiti tanaman akan dengan cepat menular ke tanaman lain (Graves, 1983).

Gambar 1 Skema sistem NFT untuk budidaya tanaman.

Jarak tanam 10 dan 25 cm Cahaya buatan

Pompa

Dalam sistem NFT ini, penentuan nilai DHL larutan nutrisi merupakan faktor terpenting dalam menentukan keberhasilan budidaya. Beberapa penelitian telah menunjukkan bahwa pemberian nilai DHL larutan nutrisi yang tinggi dapat meningkatkan kualitas hasil produksi khususnya buah tomat, tetapi perlakuan ini juga dapat mengakibatkan yield loss (Saito et.al., 2006). Sehingga optimisasi nilai DHL larutan nutrisi sangat diperlukan dalam sistem hidroponik.

2.2Tanaman Tomat

Tomat (Solanum lycopersicum syn. Lycopersicum esculentum) adalah tumbuhan dari keluarga Solanaceae, tumbuhan asli Amerika Tengah dan Selatan, dari Meksiko sampai Peru. Tomat merupakan tumbuhan siklus hidup singkat, dapat tumbuh setinggi 1 sampai 3 meter. Tomat merupakan keluarga dekat dari kentang (Wikipedia Indonesia, 2007).

Buah tomat saat ini merupakan salah satu komoditas hortikultura yang bernilai ekonomi tinggi dan masih memerlukan penanganan serius, terutama dalam hal peningkatan hasilnya dan kualitas buahnya. Apabila dilihat dari rata-rata produksinya, ternyata tomat di Indonesia masih rendah, yaitu 6,3 ton/ha jika dibandingkan dengan negara-negara Taiwan, Saudi Arabia dan India yang berturut-turut 21 ton/ha, 13,4 ton/ha dan 9,5 ton/ha (Kartapradja dan Djuariah, 1992). Rendahnya produksi tomat di Indonesia kemungkinan disebabkan varietas yang ditanam tidak cocok, kultur teknis yang kurang baik atau pemberantasan hama dan penyakit yang kurang efisien.

Syarat tumbuh tanaman tomat antara lain: dapat tumbuh didataran rendah dan tinggi, waktu tanam yang baik 2 bulan sebelum musim hujan berakhir (awal musim kemarau), tanah gembur, kaya humus dan subur, drainase baik dan tidak menggenang, PH sekitar 5-6, curah hujan optimal 100-220 mm/hujan, suhu udara optimum 10^o-20^o C (malam hari), 20^o-30^o C (siang hari) (anonim, 2002).

2.3Teknik Identifikasi dengan Jaringan Syaraf Tiruan (JST)

Jaringan Syaraf Tiruan (JST) merupakan penjabaran fungsi otak manusia (biologycal neuron) dalam bentuk fungsi matematika yang akan menjalankan proses perhitungan secara paralel (Lippman, 1998). Menurut Kusumadewi (2003), JST merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut.

JST pada dasarnya tersusun dari beberapa lapisan noda, yaitu input layer (lapisan masukan), hidden layer (lapisan tersembunyi) dan output layer (lapisan keluaran). Noda atau unit yang terhubung dari input layer ke hidden layer atau dari layer satu ke layer yang lain dihubungkan dengan sinapsis yang direpresentasikan dengan nilai pembobot yang diperoleh pada proses pembelajaran.

Salah satu metode pembelajaran JST adalah backpropagation. Algoritma backpropagation menggunakan error output untuk mengubah nilai pembobotnya dalam arah mundur (backward). Untuk mendapatkan error output, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu (Kusumadewi, 2003).

Gambar 2 Struktur JST Backpropagation.

Algoritma pelatihan backpropagation menurut Fu (1994) adalah sebagai berikut:

Xi

Xn

Vij Zij Yk Wjk

1. Inisialisasi pembobot (weight)

Mula-mula pembobot dipilih secara acak, kemudian setiap sinyal input diberikan ke dalam noda pada input layer, lalu sistem akan mengirim sinyal ke noda pada hidden layer.

2. Perhitungan nilai aktivasi

Setiap noda pada hidden layer dihitung nilai net input-nya dengan cara menjumlahkan seluruh hasil perkalian antara noda input (Xi) dengan pembobotnya (Vij), sebagaimana dalam persamaan berikut:

∑

= = ⁿ i XiVij Zij 1 (1) Jika setiap noda pada lapisan ini telah menerima nilai net input, langkah

selanjutnya adalah memasukkan nilai net input pada setiap noda ke dalam fungsi aktivasi (fungsi sigmoid) berikut:

) ( exp 1 1 ) (Zij _Zij f _−σ + = (2)

dengan σ : konstanta fungsi sigmoid.

Zj = f(Zij) (3) ∑ + = − ( ) exp 1 1 ZjWjk k Y _σ (4)

3. Perbaikan nilai pembobot

Nilai output dari setiap noda pada output layer hasil perhitungan pada jaringan dibandingkan dengan nilai target yang diberikan dengan persamaan jumlah kuadrat galat, seperti dalam persamaan:

∑

− = ⁱⁿ k k k Y T E ( )² 2 1 (5) dengan Tk = nilai target yang diberikan dalam pembelajaran JST

Y_k = output dari hasil perhitungan pada jaringan

Pada setiap lapisan dilakukan perubahan pembobot dengan menggunakan aturan delta rule. Perubahan pembobot dari hidden layer ke output layer sesuai dengan persamaan:

ΔWjk = αδk Zj (6)

ΔWjk = perubahan nilai pembobot Wij α = laju pembelajaran

δk = galat output ke k Zj = fungsi sigmoid

Perubahan pembobot dari hidden layer ke input layer sesuai dengan persamaan:

ΔVij = αδj X_i (7) Sehingga nilai perbaikan pembobot dapat dibuat dalam persamaan berikut:

Wjk (baru) = Wjk (lama) + ΔWjk (8) Vij (baru) = Vij (lama) + ΔVij (9) Nilai laju pembelajaran harus dipilih antara 0–0,9. laju pembelajaran menentukan kecepatan pelatihan sampai sitem mencapai keadaan optimal, jika nilainya besar akan membuat jaringan melompati nilai minimum lokalnya dan akan berosilasi sehingga tidak mencapai konvergensi. Sebaliknya jika nilainya kecil menyebabkan jaringan terjebak dalam minimum lokal dan memerlukan waktu yang lama selama proses training. Untuk menghindari keadaan tersebut ditambahkan suatu konstanta momentum antara 0–0,9 pada sistem tersebut, dengan demikian laju pelatihan dapat ditingkatkan sehingga osilasi pada sistem dapat diminimumkan. Perubahan nilai pembobot setelah dilakukan penambahan konstanta momentum sesuai dengan persamaan berikut:

ΔWjk (baru) = αδk Zj + βΔWjk (lama) (10) ΔV_ij (baru) = αδj Xi+ βΔV_ij (lama) (11) dengan β adalah konstanta momentum.

4. Pengulangan

Keseluruhan proses diatas dilakukan pada setiap contoh dan sekian pengulangan sampai sistem mencapai keadaan optimum. Pengulangan tersebut mencakup pemberian contoh pasangan input dan output, perhitungan nilai aktivasi dan perubahan nilai pembobot (weight).

Setelah JST terlatih memecahkan suatu masalah, kemudian harus dilakukan validasi yang merupakan proses pengujian kinerja jaringan terhadap contoh yang belum diberikan selama proses pelatihan. Proses validasi

dilakukan dengan memasukkan suatu set contoh input-output yang hampir sama dengan contoh set input-output yang diberikan selama proses pembelajaran.

JST merupakan metode identifikasi yang tepat diaplikasikan untuk sistem yang kompleks seperti sistem dinamik hubungan antara lingkungan dan tanaman. Di bidang teknologi greenhouse, JST telah dikembangkan antara lain untuk memprediksi radiasi matahari (Coelho et.al., 2002), untuk optimisasi pemberian air dan unsur hara pada pertumbuhan tanaman dalam rumah kaca (Arif, et.al., 2006) dan model pertumbuhan tanaman (Tamrin, et.al., 2005).

2.4Teknik Optimisasi dengan Algoritma Genetika (AG)

Algoritma Genetika (AG) adalah suatu teknik pencarian dan optimisasi stokastik (melibatkan probabilitas) dengan cara kerja meniru proses evolusi dan perubahan genetik pada struktur kromosom mahluk hidup (Goldberg, 1989; Holland 1975; Winston, 1992; Glover 1989; 1990; Kirkpatrick, 1982; Kirkpatrick dan Ryan, 1991). Salah satu kelebihan AG adalah relatif sederhana karena mampu untuk belajar dan beradaptasi, yaitu hanya memerlukan informasi tentang struktur kromosom (individu) dan bentuk fungsi fitness dari permasalahan yang dihadapi kemudian mencari sendiri solusi terbaik untuk permasalahan yang dihadapi (Yandra dan Hermawan, 2000). Goldberg (1989) menyebutkan empat perbedaan AG dengan teknik pencarian dan optimasi konvensional, yaitu:

1. AG bekerja pada sekumpulan calon solusi yang telah dikodekan bukan pada solusi itu sendiri.

2. AG melakukan pencarian nilai optimum pada sekumpulan calon solusi secara paralel (bersifat parallel serach atau population-based search). 3. AG secara langsung memanfaatkan fungsi tujuan atau fungsi fitness,

bukan fungsi turunan.

4. AG menggunakan aturan transisi kemungkinan (probabilistik), bukan aturan pasti (deterministik).

Operator-operator AG sederhana yang terdiri dari proses seleksi, dan reproduksi melalui proses crossover dan mutasi memungkinkan hasil yang

baik pada masalah sederhana. Proses seleksi adalah proses pemilihan beberapa kromosom untuk dijadikan kromosom induk bagi generasi berikutnya. Proses seleksi menggambarkan aspek yang sangat penting dalam AG, yaitu memperoleh kromosom-kromosom dengan tingkat kelayakan tinggi. Kromosom-kromosom ini memiliki kesempatan yang lebih besar untuk dipilih dan diproduksi di dalam populasi generasi berikutnya. Besarnya ukuran slot adalah sama antara rasio nilai fitness (kelayakan) suatu kromosom dengan total nilai fitness semua kromosom (Goldberg, 1989).

Reproduksi adalah suatu proses pembentukan individu baru melalui proses crossover dan mutasi. Crossover (penyilangan) adalah penyilangan antara individu-individu yang terpilih menjadi individu yang baru. Penyilangan ini bekerja pada sepasang kromosom induk untuk menghasilkan dua kromosom anak dengan menukarkan beberapa gen yang dimiliki masing-masing kromosom induk. Tingkat penyilangan atau peluang penyilangan adalah rasio antara jumlah kromosom yang diharapkan mengalami penyilangan dalam setiap generasi dengan jumlah kromosom total dalam populasi. Tingkat penyilangan yang tinggi menyebabkan semakin besarnya kemungkinan AG mengekplorasi ruang pencarian sekaligus mempercepat ditemukannya solusi optimum. Penentuan peluang penyilangan yang tepat sangat tergantung pada permasalahan yang dihadapi.

Beberapa metode penyilangan yang dapat dilakukan antara lain metode PMX (partially mapped crossover), metode OX (order crossover) dan metode modifikasi. Metode modifikasi merupakan modifikasi dari metode crossover yang umum, yaitu bahwa jika diketahui satu batas crossover maka anak (offspring) yang dihasilkan bagian kiri berisi penggal gen dari induknya sendiri (parent) sampai batas crossover, sedangkan bagian kanan tidak dapat semata-mata mengambil penggal bagian kanan dari induknya yang lain, tetapi mengambil gen dari induk yang lain tersebut secara berurutan yang tidak sama dengan penggal gen yang sudah ada pada offspring.

Proses mutasi merupakan proses bergantinya gen atau kromosom induk secara acak berdasarkan peluang mutasi. Proses ini juga sangat penting dalam

menentukan keragaman individu yang didapatkan sehingga dapat terhindar dari maksimum atau minimum lokal.

Di bidang teknologi greenhouse, metode AG makin banyak digunakan sebagaimana dikemukakan oleh Ursem et.al., (2002). Beberapa contoh aplikasi AG untuk optimisasi antara lain; optimisasi penjadwalan air irigasi (Nixon et.al., 2001), optimisasi tata guna lahan (Matthews, 2001), penjadwalan pemasokan larutan nutrisi pada sistem aeroponik tanaman kangkung (Zulaedah, 2005), perencanaan golongan pemberian air (Soehadi et.al., 2006).

III. METODOLOGI

3.1Tempat dan Waktu Penelitian

Penelitian ini dilaksanakan pada bulan November 2006 - April 2007 di greenhouse Pusat Teknologi Pertanian dan Kehutanan, University of Tsukuba, Jepang. Greenhouse yang digunakan menggunakan konstruksi kaca di lengkapi alat pemanas otomatis.

Gambar 3 Greenhouse tempat penelitian. 3.2Alat dan Bahan

1) Alat Penelitian

Alat – alat yang digunakan dalam penelitian ini adalah:

a. Alat pengukur nilai DHL larutan nutrisi dengan satuan mS/cm.

b. A hand refractometer (N-20E, Atago Co., Ltd., Tokyo, Japan) untuk mengukur total padatan terlarut buah tomat dengan satuan % brix. c. Light meter untuk mengukur intensitas cahaya buatan yang diberikan

dengan satuan µmol.

d. Timbangan digital untuk mengukur berat buah tomat dengan satuan g. e. Jangka sorong untuk mengukur diameter buah tomat dengan satuan

cm.

2) Bahan Penelitian

a. Tanaman tomat (Lycopersicum esculentum Mill) kultivar ”Money Maker”

b. Rockwool cubes 125 cm³ (125 cm³, Nittobo Co., Ltd., Japan). c. Tray semai untuk penyemaian.

d. Larutan nutrisi yang digunakan adalah Otsuka-B nutrient solution. Larutan ini mengandung NH4⁺, 20; NO3^3-, 210; PO4^3-, 93; K⁺, 377; Ca²⁺, 219; Mg²⁺, 80; Mn²⁺, 1.0; B^-, 1.0; Fe³⁺, 2.9; Cu²⁺, 0.02; Zn²⁺, 0.04; and Mo⁺, 0.02 ppm.

3.3Tahapan Penelitian

1) Desain perlakuan dalam sistem hidroponik

Sistem hidroponik yang digunakan adalah Nutrient Film Tehnique (NFT) dimana larutan nutrisi dialirkan secara sirkulasi dengan menggunakan pompa seperti terlihat pada Gambar 4. Ada 2 sistem NFT yang digunakan untuk 2 nilai DHL larutan nutrisi yang berbeda.

Gambar 4 Layout sistem NFT yang digunakan.

Tangki

Larutan Nutrisi Lampu

Adapun detail perlakuan terhadap tanaman adalah sebagai berikut:

a. Tahap pertumbuhan tanaman dibagi menjadi dua, yaitu fase vegetatif dan fase generatif. Pada fase vegetatif, pada HST (Hari Setelah Tanam) ke-1 sampai HST ke-22, tanaman fokus dalam pembentukan batang, akar dan daun sehingga pada fase ini nilai DHL larutan nutrisi yang digunakan sama sebesar 1,2 mS/cm.

b. Pada fase generatif yang terjadi pada HST ke-23 sampai ke-121, tanaman fokus pada pembentukan bunga dan buah, sehingga nilai DHL larutan nutrisi diberikan berbeda untuk mengetahui respon buah tomat yang akan dihasilkan.

c. Untuk mempermudah pelaksanaan, fase generatif ini dibagi menjadi tiga fase yaitu fase pembungaan (HST ke-23 sampai ke-46), fase pembuahan (HST 47 sampai 96) dan fase pemanenan (HST ke-97 sampai ke-121) sehingga pada masing – masing fase tersebut nilai DHL larutan nutrisi diberikan berbeda dan optimisasi akan dilakukan terhadap masing – masing fase tersebut.

d. Nilai DHL larutan nutrisi pada masing – masing fase tersebut terdiri dari dua nilai yang berbeda, yaitu nilai DHL larutan nutrisi rendah dan tinggi. Nilai DHL larutan nutrisi rendah dan tinggi ini berdasarkan penelitian sebelumnya oleh Saito et.al., 2006. Adapun nilai DHL larutan nutrisi rendah berkisar antara 1,2-2,4 mS/cm dan nilai DHL larutan nutrisi tinggi berkisar antara 8,0-10,2 mS/cm.

e. Cara pembuatan DHL larutan nutrisi yang rendah dan tinggi hampir sama. Sebelumnya larutan nutrisi Otsuka-B nutrient solution dibuat menjadi larutan pekat dan di simpan dalam tangki tersendiri. Untuk membuat DHL larutan nutrisi rendah dan tinggi, air murni yang akan ditambahkan larutan nutrisi pekat diukur nilai DHL-nya, kemudian ditambahkan larutan nutrisi pekat sampai dengan nilai DHL larutan nutrisi yang dikehendaki. Untuk pembuatan nilai DHL larutan nutrisi yang tinggi ditambahkan larutan pekat ± 5000 ml sampai nilai DHL larutan nutrisi berkisar 8 mS/cm. Sedangkan untuk nilai DHL larutan

nutrisi rendah ditambahkan larutan pekat ± 1200 ml sampai nilai DHL larutan nutrisi berkisar 2 mS/cm.

f. Setiap hari nilai DHL larutan nutrisi tersebut di monitor secara manual, setelah seminggu kemudian, untuk nilai DHL larutan nutrisi rendah ditambahkan larutan nutrisi pekat sedangkan nilai DHL larutan nutrisi tinggi selain ditambahkan larutan nutrisi pekat juga ditambahkan NaCl sampai nilai DHL larutan nutrisi yang dikehendaki.

g. Jarak tanam yang tanam yang digunakan adalah jarak tanam 10 cm (jarak tanam rendah) dan 25 cm (jarak tanam tinggi).

h. Pada masing-masing sistem NFT dipasang cahaya buatan pada sisi ujung NFT. Cahaya buatan ini dinyalakan mulai jam 23.00 sampai jam 07.00 mulai tanaman berumur 23 HST sampai pemanenan selesai (121 HST). Dengan cahaya buatan ini, tanaman akan memperoleh cahaya yang berbeda tergantung jarak dengan sumber cahaya tersebut.

i. Jumlah tanaman tomat yang digunakan sebanyak 48 tanaman setiap sistem NFT, sehingga total tanaman adalah 96 tanaman. Adapun rinciannya adalah 64 tanaman dengan jarak tanam 10 cm dan 32 tanaman dengan jarak tanam 25 cm. Tetapi pada proses budidaya, satu tanaman dengan jarak 10 cm mengalami kegagalan tanam.

2) Budidaya tanaman tomat dengan sistem hidroponik Tahapan budidaya tanaman tomat terdiri dari:

a. Penaburan benih (sowing) yang dilakukan pada tanggal 7 November 2006

b. Pindah tanam (transplanting) ke dalam rockwool cubes yang telah disiapkan pada tanggal 15 November 2006

c. Pindah tanam ke dalam greenhouse pada tanggal 21 Desember 2006. d. Pembungaan pertama (anthesis) terjadi pada tanggal 12 Januari 2007

(23 HST).

e. Pada penelitian ini, setiap tanaman hanya dimungkinkan memiliki satu tangkai buah. Jumlah buah pada setiap tangkai bervariasi, dengan kisaran 7-14 buah/tangkai. Sedangkan tangkai kedua dan selanjutnya dilakukan pemotongan. Hal ini disebabkan jarak tanam yang

digunakan relatif lebih pendek dari biasanya dan untuk mempermudah pengontrolan terhadap buah.

f. Pemanenan mulai dilakukan pada tanggal 27 Maret 2007 (97 HST) secara bertahap. Buah tomat yang dipanen kemudian dilakukan analisis. Proses pemanenan ini berlangsung selama 25 hari sampai tanggal 20 April 2007 (121 HST).

3) Analisis Buah Tomat hasil budidaya

Buah tomat yang telah dipanen diukur berat, diameter dan total padatan terlarut untuk masing-masing tanaman. Buah dipanen secara bertahap secara visual dengan melihat warna buah. Apabila buah telah berwarna merah kekuning-kuningan maka buah siap dipanen. Buah yang telah dipanen dikelompokkan berdasarkan nomor tanaman dan perlakuan yang diberikan.

Setelah itu, dilakukan analisis terhadap pengaruh perlakuan nilai DHL larutan nutrisi dan jarak tanam terhadap jumlah total padatan terlarut, berat dan diameter buah tomat yang dihasilkan.

4) Pengembangan Model Jaringan Syaraf Tiruan (JST)

Model JST ini digunakan sebagai model black-box non-linear. Pembelajaran yang digunakan adalah backpropagation dengan multiplayer networks. Pembejaran ini merupakan pembelajaran yang paling populer (Nugroho, 2003). Metode pembelajaran ini terdiri dari dua prosedur, yaitu a) feed-forward dan b) back propagation weight training. Sedangkan fungsi aktivasi yang digunakan adalah fungsi sigmoid (Persamaan 2). Fungsi ini mempunyai sejarah yang panjang dalam aplikasi JST (Kros, et al., 2006).

Model yang dikembangkan terdiri dari 3 layer, yaitu input layer, hidden layer dan output layer. Input layer yang digunakan terdiri dari 5 noda, yaitu intensitas cahaya yang diterima masing-masing tanaman (µmol), jarak tanam (cm), DHL1 (nilai DHL larutan nutrisi pada fase pembungaan (mS/cm)), DHL2 (nilai DHL larutan nutrisi pada fase pembuahan (mS/cm)) dan DHL3 (nilai DHL larutan nutrisi pada fase pemanenan (mS/cm)). Sedangkan output layer terdiri dari dua noda yaitu

total padatan terlarut rata–rata (%) buah tomat dan berat rata-rata (g) buah tomat. Detail model JST yang dikembangkan dapat dilihat pada Gambar 5.

Gambar 5 Model JST yang dikembangkan.

Pada proses pembelajaran digunakan 5 fungsi error yang berbeda, yaitu: Standard Error of Prediction (SEP), koefisien determinasi (R²), Average Percentage Deviation (APD), Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE). Persamaan fungsi error tersebut diberikan sebagai fungsi berikut:

∑

=

−

−

=

ⁿ i

n

Yp

Ya

SEP

1 2

1

)

(

(12)

⎥

⎥

⎥

⎥

⎦

⎤

⎢

⎢

⎢

⎢

⎣

⎡

−

−

−

=

∑

∑

= = n i n i

Ya

Yp

Ya

Yp

R

1 2 2 1 2

)

(

)

(

1

₍₁₃₎ Berat (g) Jarak tanam (cm) Intensitas cahaya (µmol) Total Padatan Terlarut (%) DHL1 (mS/cm) DHL2 (mS/cm) DHL3 (mS/cm)

Input layer Hidden layer Output layer

.

.

.

.

∑

=

⎟

⎠

⎞

⎜

⎝

⎛ −

=

ⁿ i

Ya

Yp

Ya

n

APD

1 2

100

(14)

∑

=

−

=

ⁿ i

Ya

Yp

n

MAE

1

1

(15)

( )

∑

=

−

=

ⁿ i

Ya

Yp

n

RMSE

1 2

1

(16)

Dimana Ya adalah nilai aktual dari pengukuran, Yp adalah nilai prediksi oleh JST, n adalah jumlah data dan Ya adalah nilai rata-rata aktual pengukuran.

5) Pengembangan Model Algoritma Genetika (AG)

Model AG yang dikembangkan bertujuan untuk mencari nilai DHL larutan nutrisi yang optimum pada fase pembungaan, pembuahan dan pemanenan dengan tujuan maksimisasi total padatan terlarut (%) dan berat buah tomat.

Sebelum mengembangkan model AG, ada beberapa hal yang perlu diperhatikan dalam proses optimisasi dengan AG ini, yaitu:

1. Pendefinisian individu dalam populasi.

Sebelum melakukan optimisasi, sebuah individu dalam populasi harus didefinisikan. Dalam kasus ini, ada 3 parameter yang akan dioptimisasi sehingga dalam satu individu ini mengandung 3 parameter. Individu ini akan dikodekan dalam 6 bit binary string seperti contoh berikut ini: Individu = DHL1, DHL2, DHL3

100100, 001001, 001100. 2. Pendefinisian fungsi fitness

Fungsi fitness merupakan indikator dalam menentukan kualitas individu yang akan dihasilkan. Seluruh individu dalam populasi akan di evaluasi kualitas dan performansinya. Solusi optimum pada proses ini adalah individu dengan nilai fitness tertinggi. Dalam kasus ini, tujuan dari optimisasi adalah maksimisasi fungsi tujuan maka fungsi fitness yang diberikan juga sama dengan fungsi tujuan tersebut.

3. Operator Algoritma Genetika (AG)

Operator AG yang dimaksud adalah penyilangan dan mutasi. Penyilangan antara dua individu induk akan dilakukan dengan satu titik pemotongan pada tiap-tiap parameter. Sedangkan mutasi akan dilakukan dengan beberapa macam peluang mutasi dengan tujuan untuk meningkatkan keragaman individu dalam populasi dan untuk menghindari optimum lokal.

Sedangkan prosedur AG melalui tahapan sebagai berikut: 1. Inisialisasi individu awal secara acak.

2. Penyilangan (crossover) berdasarkan peluang penyilangan yang diinginkan

3. Mutasi berdasarkan peluang mutasi yang diinginkan 4. Perhitungan Fungsi Fitness

5. Seleksi berdasarkan peluang seleksi 6. Elitism (pengurutan)

7. Pengulangan (iterasi) pada tahap kedua sampai kondisi konvergen