Desain dan pemodelan sistem kontrol adaptif lingkungan biologik dalam rumah tanaman

(1)

ADAPTIF LINGKUNGAN-BIOLOGIK

DALAM RUMAH TANAMAN

TAMRIN

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

(2)

PERNYATAAN MENGENAI DISERTASI DAN

SUMBER INFORMASI

Dengan ini saya menyatakan bahwa disertasi Desain dan Pemodelan Sistem Kontrol Adaptif Lingkungan-biologik dalam Rumah Tanaman adalah karya saya sendiri dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir disertasi ini.

Bogor, Oktober 2005

(3)

TAMRIN. Desain dan Pemodelan Sistem Kontrol Adaptif Lingkungan-biologik dalam Rumah Tanaman. Dibimbing oleh KUDANG BORO SEMINAR, HERRY SUHARDIYANTO, dan SOEDODO HARDJOAMIDJOJO.

Ada kecenderungan pengusaha di bidang agro bisnis, terutama di bidang hortikultura, lebih memilih memproduksi komoditas yang spesifik, yaitu yang membutuhkan teknologi dan perlakuan khusus dimana tidak semua orang bisa memproduksinya. Untuk memenuhi kebutuhan itu, perlu teknologi yang dapat melakukan identifikasi antara masukan yang dibutuhkan dengan keluaran yang diinginkan dan mewujudkan hasil identifikasi tersebut, dengan kata lain teknologi yang dapat digunakan untuk kegiatan praktis dan sekaligus riset (fleksibel).

Sehubungan hal di atas, dirancang sistem kontrol adaptif lingkungan-biologik untuk rumah tanaman dalam bentuk perangkat lunak yang juga memadukannya dengan fasilitas pilihan modus kontrol. Identifikasi lingkungan-biologik disini didasarkan pada pemahaman model yang menggambarkan hubungan antara faktor lingkungan optimal dengan produk maksimum tanaman yang dipane n, baik didasarkan pada kualitas, atau kuantitas, atau selera, atau kombinasi diantaranya, tergantung kondisi produk yang diinginkan. Produk tanaman yang dipanen dapat berupa hasil generatif maupun vegetatif.

Penelitian, mencakup desain sistem kontrol adaptif lingkungan-biologik, membangun perangkat lunak dan model lingkungan-biologik (pindah panas), eksperimen dan pengamatan di lapangan (data volume nutrisi yang diberikan, out flow, citra kanopi, diameter batang, suhu udara, kelembaban relatif udara, dan iradiasi matahari), pengolahan data mencakup model tanaman dengan jaringan syaraf tiruan, optimasi lingkungan-biologik dengan algoritma genetika, model lingkungan-biologik dengan pindah panas, optimasi parameter kontrol fazi dan PID dengan algoritma genetika, dan simulasi sistem kontrol adaptif lingkungan-biologik berdasarkan acuan lingkungan optimal dengan menggunakan parameter optimal untuk modus kontrol fazi dan PID.

(4)

ABSTRACT

TAMRIN. The Design and Modelling of Biological- Environment Adaptive Control System in Agriculturalhouse. Supervised by KUDANG BORO SEMINAR, HERRY SUHARDIYANTO, and SOEDODO HARDJOAMIDJOJO.

The design of biological-environment adaptive control system in agriculturalhouse was aimed to produce the specific characterictics of crop. The technology that was applied could identify the required input and the expected output. The control system facilitated the alternatives control modes. The identification of biological-environment was based on the understanding of model that described the relation between optimal environment factors and the maximum crop productions. The expected specific characteristics depends on the quality and quantity, or the preferences of consumers, or the combination between those factors. The harvested crop might be the generative yield such as fruits, or vegetative yields (stem, leaves, or roots).

The research included (1) the design of biological-environment control system, (2) the establishment of the software system and biological-environment model using the approach of heat and mass transfer, (3) experiments and observation in the field (data of the added nutrient volume, the amount of out flow, the image of canopy, stem diameter, air temperature, relative air humidity, and solar irradiation), and (4) data processing (plant model using artificial neural network, optimizing environment using genetic algorithm, biological-environment model using heat and mass transfer, optimizing the parameters of fuzzy and PID control, using genetic algorithm, and the simulation of biological-environment control system based on the set point (optimal biological-environment) and optimal parameter of fuzzy and PID control.

The prototype of the biological-environment adaptive control system in agriculturalhouse software was facilitated with the real time condition. Therefore, it was able to be applied for the requirement of acquisition data and control with the alternatives fuzzy control mode, PID, P, PI, and PD. In addition, the system was facilitated with the image processing system, the determination of optimal environment (set point), and optimal parameter of control. The plant model used in the research was baby cucumber.

The results showed that the plant model gave the satisfactory results which indicated by the values of EI (95%) and APD (1.3%) in the training of the canopy -diameter ratio, 99% and 4.9%, respectively in the training of the out flow. The validation of canopy and diameter ratio gave the results of EI (93%) and APD (0.62%), whereas the validation of out flow were 96% and 0.43%, respectively.

(5)

(6)

DESAIN DAN PEMODELAN SISTEM KONTROL

ADAPTIF LINGKUNGAN-BIOLOGIK

DALAM RUMAH TANAMAN

TAMRIN

Disertasi

sebagai salah satu syarat untuk memperoleh gelar Doktor pada

Program Studi Ilmu Keteknikan Pertanian

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

(7)

Nama : Tamrin NIM : 995173

Disetujui

Komisi Pembimbing

Dr. Ir. Kudang Boro Seminar, M.Sc. Ketua

Prof. Dr. Ir. Soedodo Hardjoamidjojo, M.Sc. Dr. Ir. Herry Suhardiyanto, M.Sc. Anggota Anggota

Diketahui

Ketua Program Studi Dekan Sekolah Pascasarjana Ilmu Keteknikan Pertanian

Prof. Dr. Ir. Budi Indra Setiawan, M.Agr. Prof. Dr. Ir. Syafrida Manuwoto, M.Sc.

(8)

PRAKATA

Bismillaahirrohmaanirrohiim. Penyusunan disertasi yang berjudul Desain Sistem Kontrol Adaptif Lingkungan-biologik dalam Rumah Tanaman ini, mencakup tahapan: desain sistem, membangun perangkat lunak dan model, pengumpulan dan pengolahan data, serta penulisan. Kegiatan tersebut dilaksanakan di Laboratorium Ergotron Departemen Teknik Pertanian FATETA IPB dan di PT Saung Mirwan Bogor, dari April 2002 sampai Agustus 2005.

Penulis menyadari dalam setiap tahapan di atas telah melibatkan banyak pihak. Dengan segala keikhlasan, penulis ucapkan terima kasih kepada Bapak Dr. Ir. H. Kudang Boro Seminar, M.Sc.; Bapak Dr. Ir. H. Herry Suhardiyanto, M.Sc; dan Bapak Prof. Dr. Ir. H. Soedodo Hardjoamidjojo, M.Sc., selaku pembimbing. Disamping itu, penghargaan yang tulus penulis sampaikan kepada semua pihak yang telah sangat membantu baik dalam bentuk diskusi maupun dalam bentuk lainnya.

Ungkapan terima kasih disampaikan juga kepada Ayahanda (alm); Ibunda; saudara-saudara ku; ananda: Ayeshah Augusta Rosdah, Elisha Rosalyn Rosdah dan Muhammad Rajarief Latief; serta istriku: Ir. Filli Pratama, M.Sc.(Hons), PhD, atas segala do’a dan kasih sayang kalian.

Semoga karya ini bermanfaat, Aamiin.

Bogor, Oktober 2005

(9)

Penulis dilahirkan di Palembang pada tanggal 18 September 1963 sebagai anak ke-6 dari pasangan Ayahanda A. Latief Saleh (alm) dan Ibunda Rosdah Marzuki. Pendidikan sarjana ditemp uh di Program Studi Teknik Pertanian FP Universitas Sriwijaya dan lulus pada tahun 1988. Pendidikan pascasarjana, magister dan doktoral, ditempuh di Departemen Teknik Pertanian FATETA Institut Pertanian Bogor dan lulus berturut-turut pada tahun 1997 dan tahun 2005.

Penulis bekerja sebagai staf pengajar di Program Studi Teknik Pertanian FP Universitas Sriwijaya sejak tahun 1990 sampai sekarang. Adapun karya ilmiah berupa jurnal/paten/prosiding selama mengikuti pendidikan program doktoral adalah:

1) Tamrin, Seminar KB, Suhardiyanto H, Hardjoamidjojo S. 2005. Model jaringan syaraf tiruan untuk pertumbuhan tanaman ketimun mini (Cucumis sativus L. Var. Marla) pada fase vegetatif. Jurnal Keteknikan Pertanian 19(1):1-10

2) Tamrin, penemu; Universitas Sriwijaya. 5 Nov 2003. Sistem pengontrolan cahaya matahari di rumah kaca dengan sirip-sirip plastik serat (fiber glass). P00200300560.

3) Tamrin. 2003. A study on the plant growth under the controlled micro climate. Proceedings of The Seminar International on: The Organic Farm and Suistainable Agriculture in The Tropics and Sub Tropics:Science, Tecnology; Palembang, 8-9 Sept 2003. 2: 328-332.

4) Tamrin. 2002. Jaringan neural buatan dan contoh aplikasi pada penentuan model pendugaan kadar air volumetrik dan konduktivitas tanah. Prosiding Seminar Nasional-Agri Bisnis dan Agri Industri; Palembang, 11-12 Juli 2002. hlm A081-A0815.

5) Tamrin, Hermantoro, Setiawan B I. 2000. Simulasi metode numerik beda hingga untuk menduga penyebaran kadar air volumetrik dan potensial air. Buletin Keteknikan Pertanian 6(4): 37-62.

6) Tamrin, Dedie T. 2000. Rancang bangun sistem kontrol cahaya di rumah kaca. Media Publikasi Ilmu Pertanian Eugenia 6(4): 11-17.

(10)

ix

DAFTAR ISI

Halaman

DAFTAR TABEL ... x

DAFTAR GAMBAR ... xi

DAFTAR LAMPIRAN ... xv

PENDAHULUAN ... 1

Latar Belakang ... 1

Tujuan Penelitian ... 8

Manfaat Penelitian ... 8

TINJAUAN PUSTAKA ... 9

Tanaman, Lingkungan, dan Rumah Tanaman ... 9

Jaringan Syaraf Tiruan (JST) ... 12

Algoritma Genetika (AG) ... 17

Sistem Kontrol Umpan Balik ... 20

PENDEKATAN SISTEM KONTROL ADAPTIF LINGKUNGAN-BIOLOGIK ... 24

Konsep Sistem Kontrol Adaptif Lingkungan-biologik ... 24

Struktur Sistem Kontrol Adaptif Lingkungan-biologik ... 27

Komponen Struktur Sistem Kontrol Adaptif Lingkungan-biologik ... 30

METODE PENELITIAN ... 48

Tempat dan Waktu ... 48

Bahan dan Alat ... 48

Prosedur Kerja ... 48

HASIL DAN PEMBAHASAN ... 67

Perangkat Lunak ... 67

Penentuan Acuan Optimal Lingkungan ... 82

Evapotranspirasi Tanaman ... 97

Model Lingk ungan-biologik ... 99

Penentuan Parameter Optimal dan Performansi Kontrol Fazi dan PID ... 104

KESIMPULAN DAN SARAN ... 126

DAFTAR PUSTAKA ... 128

(11)

x

Halaman

1 Matriks aturan kontrol fazi ... 41

2 Fungsi dan lokasi penggunaan bahan dan alat ... 49

3 Perlakuan berdasarkan pendekatan teoritis dan pola ... 54

4 Pembandingan parameter algoritma genetika Pc dan Pm ... 106

5 Parameter optimal kontrol fazi dan PID ... 106

(12)

xi

DAFTAR GAMBAR

Halaman

1 Buah ketimun mini ... 6

2 Buah tomat beef ... 6

3 Bunga hias ... 7

4 Rumah tanaman ... 7

5 Struktur jaringan syaraf tiruan dengan banyak lapisan ... 13

6 Tahapan algoritma genetika ... 20

7 Arsitektur struktur sistem kontrol adaptif lingkunga n-biologik dalam rumah tanaman ... 26

8 Struktur sistem identifikasi acuan optimal ... 28

9 Struktur sistem estimasi parameter optimal kontrol melalui simulasi ... 29

10 Struktur sistem kontrol real time ... 30

11 Struktur model tanaman ... 30

12 Struktur model lingkungan ... 31

13 Arsitektur JST respon dinamik ... 32

14 Arsitektur algoritma genetika dengan fungsi fitness JST repon dinamik ... 35

15 Struktur komponen kontrol fazi ... 38

16 Fungsi keanggotaan error (e) ... 39

17 Fungsi keanggotaan beda error (de) ... 39

18 Fungsi keanggotaan keluaran (u) ... 40

19 Metode penentuan derajat keanggotaan error dan beda error ... 40

20 Struktur komponen kontrol PID ... 42

21 Pendekatan numerik Euler untuk pemecahan integral ... 42

22 Pendekatan numerik Euler untuk pemecahan diferensial ... 42

23 Skema aplikasi sistem kontrol adaptif lingkungan-biologik ... 46

24 Skema konsep pemodelan suhu dan kelembaban dalam rumah tanaman ... 47

25 Diagram alir prosedur kerja ... 50

26 Skema pendekatan perlakuan teoritis ... 56

27 Perlakuan efektif di lapangan ... 57

(13)

xii

30 Tangki larutan nutrisi ... 61

31 Penempatan pengukur iradiasi dan kecepatan angin di lapangan ... 66

32 Alat perekam data suhu bola basah dan kering di lapangan ... 66

33 Diagram menu utama perangkat lunak sistem kontrol adaptif lingkungan-biologik ... 69

34 Tampilan menu utama ... 70

35 Tampilan untuk real time ... 72

36 Tampilan time set up ... 72

37 Tampilan untuk setting masukan dan keluaran hardware ... 73

38 Tampilan untuk setting acuan dan pilihan modus kontrol ... 73

39 Tampilan untuk pengolahan citra ... 77

40 Tampilan operator JST ... 78

41 Tampilan operator algoritma genetika ... 78

42 Tampilan untuk menentukan parameter optimal kontrol ... 79

43 Tampilan simulasi ... 81

44 Citra sebelum dan setelah diproses ... 83

45 Pengukuran perubahan larutan nutrisi yang diberikan ... 84

46 Pengukuran perubahan iklim mikro ... 84

47 Pengukuran perubahan rasio kanopi-diameter ... 85

48 Pengukuran perubahan out flow ... 85

49 Perbandingan nilai rasio kanopi-diameter aktual dengan hasil prediksi pada proses pembelajaran ... 49

50 Perbandingan nilai out flow aktual dengan hasil prediksi pada proses pembelajaran ... 87

51 Perbandingan nilai rasio kanopi-diameter aktual dengan hasil prediksi pada proses validasi ... 87

52 Perbandingan nilai out flow aktual dengan hasil prediksi pada proses validasi ... 87

53 Fluktuasi harian nilai rasio kanopi-diameter aktual dan hasil prediksi pada proses pembelajaran ... 88

(14)

xiii Halaman 55 Fluktuasi harian nilai rasio kanopi-diameter aktual

dan hasil prediksi pada proses validasi ... 88

56 Fluktuasi harian nilai out flow aktual dan hasil prediksi pada proses validasi ... 89

57 Hasil simulasi untuk larutan nutrisi dan suhu sama sedangkan kelembaban dan iradiasi berfluktuatif ... 89

58 Bobot model komputasi JST respon dinamik ... 92

59 Kurva evolusi penelusuran fitness dengan pers 32 ... 92

60 Kurva evolusi penelusuran fitness dengan pers 33 ... 92

61 Hasil optimal kurva pers 32 skenario (Pc=0,6; Pm=0,01) ... 94

62 Hasil simulasi model JST dengan masukan hasil optimal kurva pers 32 skenario (Pc=0,6; Pm=0,01) ... 95

63 Hasil penelusuran kurva pers 32 skenario (Pc=0,6; Pm=0,1) ... 95

64 Hasil simulasi model JST dengan masukan hasil penelusuran kurva pers 32 skenario (Pc=0,6; Pm=0,1) ... 95

65 Hasil penelusuran kurva pers 33 skenario (Pc=0,6;Pm=0,01) ... 96

67 Hasil penelusuran kurva pers 33 skenario (Pc=0,6;Pm=0,1) ... 96

69 Pola evapotranspirasi tanaman ketimun mini dan volume nutrisi yang diberikan ... 99

70 Kurva kelembaban relatif, suhu, dan iradiasi rumah tanaman, dan lingkungan ... 101

71 Perbandingan suhu aktual dengan hasil prediksi ... 102

72 Perbandingan kelembaban rela tif aktual dengan hasil prediksi ... 102

73 Kurva fluktuasi kelembaban relatif hitung dan aktual; dan suhu hitung dan aktual ... 103

74 Kurva evolusi penentuan parameter optimal kontrol fazi ... 108

75 Kurva evolusi penentuan parameter optimal kontrol PID ... 109

76 Kurva performansi kontrol fazi pada suhu dan kelembaban dengan parameter hasil kurva evolusi optimum global ... 110

(15)

xiv

dengan parameter hasil kurva evolusi optimum lokal ... 112

79 Kurva performansi kontrol PID pada suhu dan kelembaban

dengan parameter hasil kurva evolusi optimum lokal ... 113

80 Kurva transien kontrol fazi dengan gangguan

pada suhu dan kelembaban ... 118

81 Kurva transien kontrol PID dengan gangguan

pada suhu dan kelembaban ... 119

82 Kurva Performansi kontrol fazi pada suhu dan kelembaban

dengan tiga acuan ke atas ... 120

83 Kurva Performansi kontrol fazi pada suhu dan kelembaban

dengan tiga acuan ke bawah ... 121

84 Kurva Performansi kontrol PID pada suhu dan kelembaban

dengan tiga acuan ke atas ... 122

85 Kurva Performansi kontrol PID pada suhu dan kelembaban

dengan tiga acuan ke bawah ... 123

86 Performansi sistem kontrol fazi untuk suhu dan kelembaban

dengan 15 hari acuan optimal ... 124

87 Performansi sistem kontrol PID untuk suhu dan kelembaban

(16)

xv

DAFTAR LAMPIRAN

Halaman 1 Potongan memanjang greenhouse tipe single span ... 134 2 Potongan melintang greenhouse tipe single span ... 135 3 Pemecahan persamaan-persamaan pendugaan suhu

(17)

Latar Belakang

Hubungan lingkungan dengan tanaman sangat kompleks, karena jumlah

kombinasi faktor lingkungan dengan jenis tanaman, dan interaksi secara kontinyu antara semua faktor lingkungan pada semua tingkatan adalah tak terhingga.

Dikemukakan ole h Seminar (2000) bahwa kesulitan dalam masalah produksi tanaman baik secara kuantitas maupun kualitas didasarkan pada kenyataan bahwa

tanaman adalah agen sistem kehidupan (bio system) yang bersifat kompleks dan dinamik. Hal ini dicirikan dengan sifat-sifat tidak linieritas, pewarisan genetik, peka waktu, dan pengendalian aktivitas fotosintesis yang menjadi perilaku kunci

agen sistem bio.

Di Indonesia khususnya, ada kecenderungan pengusaha di bidang agro

bisnis, terutama di bidang hortikultura, lebih memilih memproduksi komoditas

yang spesifik, yaitu yang membutuhkan teknologi dan perlakuan khusus dimana

tidak semua orang bisa memproduksinya. Komoditas ini biasanya dikonsumsi

oleh kalangan menengah ke atas. Adapun komoditas tersebut, seperti yang diproduksi di Greenhouse Saung Mirwan adalah ketimun mini (Gambar 1), tomat

beef (Gambar 2), tomat cherri, paprika, bunga hias (Gambar 3), dan lain- lain. Lingkungan berperanan penting untuk pertumbuhan dan perkembangan

tanaman dengan kualitas prima. Karakteristik gen tertentu suatu tanaman atau

kondisi produk yang diinginkan tidak akan muncul seperti yang diharapkan bila

tidak didukung oleh penyediaan kondisi lingkungan yang sesuai.

Secara fisik, faktor lingkungan yang mempengaruhi tanaman dalam rumah

tanaman dapat diklasifikasikan menjadi 2 bagian (Esmay dan Dixon 1986), yaitu faktor lingkungan udara sekitar (di bagian atas tanaman) dan faktor lingkungan

pada media tumbuh tanaman (di bagian bawah tanaman). Faktor lingkungan udara sekitar meliputi suhu, cahaya, kelembaban, dan CO2, sedangkan faktor

lingkungan di media tumbuh, meliputi suhu tanah, kadar air tanah, pH, nutrisi,

konduktivitas listrik, evaporasi dan lain- lain (tergantung sistem budidaya).

Apabila dapat menciptakan keadaan lingkungan yang sesuai dengan

(18)

2

produksi yang sesuai dengan yang diinginkan, penghematan energi dan ramah

lingkungan. Selain itu, bila tersedia sistem kontrol adaptif juga memungkinkan

untuk dikembangkan lebih lanjut dengan cara memanipulasi lingkungan yang diinginkan dengan menggunakan sistem kontrol adaptif sehingga dapat

menghasilkan produk yang berkualitas dan dengan nilai tambah yang lebih tinggi. Namun demikian, sebelum dilakukan upaya pengontrolan secara optimal terhadap

kondisi lingkungan tersebut, perlu ditentukan atau diketahui terlebih dahulu

kondisi lingkungan yang optimum dalam memproduksi bagian tanaman (biologik)

yang diinginkan, sehingga upaya pengontrolan mencapai tujuan. Misalnya,

pemberian air yang ekstrim pada kondisi-kondisi tertentu pada tanaman sayuran

mungkin dapat menentukan tingkat kerenyahan sayuran, sehingga berimplikasi

pada peningkatan kualitas sayuran tersebut dan pada gilirannya sayuran lokal

yang budidayanya relatif lebih mudah dapat ditingkatkan daya saingnya dengan sayuran impor.

Pada umumnya upaya untuk mengendalikan atau mengontrol tanaman

menggunakan rumah tanaman (Gambar 4). Adapun yang dimaksud dengan

rumah tanaman di sini adalah bangunan atau struktur yang difungsikan untuk

produksi tanaman, misalnya greenhouse, plastichouse, rumah bayang, dan lain-lain. Salah satu metode meminimalkan pengaruh lingkungan terhadap tanaman

adalah menggunakan teknologi greenhouse. Di dalam greenhouse, faktor lingkungan lebih mungkin dikendalikan untuk mendapatkan kondisi pertumbuhan

yang lebih baik. Salah satu alasan penggunaan rumah tanaman adalah

memungkinkannya pengendalian dan modifikasi di dalam rumah tanaman. Modifikasi lingkungan dalam rumah tanaman untuk pertumbuhan tanaman

dengan tujuan untuk menghasilkan produksi tanaman yang bermutu telah banyak dilakukan oleh peneliti terdahulu (Boulard et al. 2005, Kostov et al. 2002, Lefas dan Santamouris 1984, Nielsen dan Madsen 2005, Schmidt 2005, Straten 2005,

Young dan Lees 2005).

Penelitian-penelitian mengenai pengendalian lingkungan di dalam rumah

tanaman sudah banyak dilakukan di antaranya pengendalian terhadap cahaya, pH,

kelembaban, nutrisi dan sebagainya. Ferentinos dan Albright (2005)

(19)

genetika dalam rumah tanaman. Korner dan Cha lla (2003) melakukan

pendendalian kelembaban untuk pertumbuhan optimal tanaman Chrysanthemum

dalam rumah tanaman. Pengendalian suhu udara didalam rumah tanaman juga dilakukan oleh Nishina et al. (2005) dengan menggunakan sistem identifikasi dan menganalisa aplikasi dari sistem identifikasi tersebut. Nilsson dan Nybrant (2005) mengembangkan algoritma berbasis komputer untuk mengendalikan

pembungaan tanaman. Adapun tujuannya agar dapat diperoleh waktu

pembungaan pada saat yang diinginkan. Pengendalian lingkungan rumah

tanaman juga dilakukan dengan menggunakan pengukuran secara on-line terhadap suhu dan transpirasi daun (Schmidt 2005).

Pengendalian lingkungan dalam rumah tanama n banyak dilakukan terhadap

tanaman hortikultura memiliki nilai ekonomis tinggi di antaranya selada seperti

yang dilakukan oleh Loslovich dan Seginer (2005) yang mengendalikan konsentrasi nutrisi nitrat yang dibutuhkan oleh selada. Koning (2005) melakukan

optimasi pertumbuhan tanaman tomat dengan mengendalikan suhu udara dalam

rumah kaca.

Bila kondisi lingkungan (iklim) tersedia secara konstan untuk pertumbuhan

tanaman maka greenhouse tidak diperlukan. Kenyataannya, hanya sedikit tempat atau daerah yang iklimnya mendukung lingkungan untuk pertumbuhan tanaman.

Tidak jarang kondisi iklim daerah tertentu, misal temperatur, terlalu tinggi pada satu musim dan terlalu dingin pada musim yang lain. Kondisi iklim di daerah

tersebut tidak cocok untuk memproduksi tanaman jenis tertentu sehingga

greenhouse masih diperlukan guna mengontrol atau memodifikasi iklim untuk menyediakan kondisi lingkungan yang lebih sesuai untuk tanaman tersebut.

Di Indonesia telah dicoba cukup banyak pengontrolan berbasis komputer terhadap parameter lingkungan tanaman, antara lain pengontrolan suhu, cahaya,

dan kelembaban (Seminar et al. 1998), pengontrolan nutrisi pada budidaya hidroponik (Suhardiyanto et al. 2001), dan pengontrolan suhu pada budidaya jamur (Setiawan 2001). Perangkat lunak yang dikembangkan masih terbatas pada

penggunaan modus kontrol tertentu dan belum tersedia fasilitas identifikasi

(20)

4

terbatas pada acuan (setpoint) lingkungan yang ditentukan dari kebiasaan setempat atau literatur.

Identifikasi lingkungan-biologik disini didasarkan pada pemahaman model yang menggambarkan hubungan antara faktor lingkungan dengan produk tanaman

yang akan dipanen. Produk tanaman yang dipanen tidak selalu berupa hasil generatif, dapat juga berupa hasil vegetatif yang dilihat dari jumlahnya atau

mutunya, atau kedua-duanya. Pemahaman berdasarkan respon produk tanaman

yang diinginkan dalam situasi demikian inilah diistilahkan dengan

lingkungan-biologik.

Menurut beberapa pakar, paling tidak sampai tahun 1995, secara prinsip

masih sangat sulit untuk mengembangkan sensor yang dapat digunakan untuk

mengevaluasi performansi tanaman secara langsung (real time). Namun demikian, hal ini terus berkembang dan telah ada upaya untuk mengidentifikasi sistem kontrol lingkungan-biologik, yaitu melalui sistem pengontrolan berbasis

respon tanaman (speaking plant approach) yang dikembangkan diantaranya oleh Berckmans (1998); Morimoto dan Hashimoto (1998); dan Subrata et al. (2001).

Namun demikian, sistem kontrol lingkungan-biologik masih jarang dalam

bentuk perangkat lunak (software) yang juga memadukannya dengan fasilitas pilihan modus kontrol, terutama di Indonesia. Karena itu masih perlu

dikembangkan suatu sistem yang bersifat fleksibel, yaitu menyediakan mekanisme untuk pemilihan modus kontrol dan identifikasi (model) tanaman dan lingkungan

secara terintegrasi.

Sistem kontrol adaptif lingkungan-biologik (SKALB) dalam rumah tanaman ini didesain dengan kebutuhan sensor keluaran pada properti produk yang

diinginkan tidak perlu secara langsung. Maksudnya pada waktu pengontrolan (real time) pendeteksian keluaran (produk) tidak diperlukan lagi. Karena pendeteksian properti produk tidak diperlukan dalam operasi real time kontrol,

maka data keluaran dapat dikumpulkan baik secara destruktif maupun tidak

destruktif. Dengan kata lain bagian produk yang diinginkan dapat dianalisa atau

diukur dengan cara dirusak atau dengan tidak dirusak. Hal ini memungkinkan

untuk memilih properti produk apa yang menjadi target, dan keluwesan ini

(21)

Pada konsep speaking plant yang dikemukakan Hashimoto (1989), kondisi lingkungan optimal (acuan optimal) ditentukan oleh oleh komputer secara on-line. Proses pengambilan keputusan ini memerlukan waktu sedangkan kondisi lingkungan terus berubah (tidak konstan). Bila dikembangkan di Indonesia,

khususnya untuk saat ini, maka konsep ini kurang berdaya guna. Hal ini disebabkan kecepatan komputer dan sistem sensor juga belum memadai untuk

mendukung proses yang demikian.

Sehubungan dengan hal di atas maka SKALB didesain secara off-line untuk menentukan lingkungan optimal dan parameter kontrol optimal dengan tidak

menutup kemungkinan untuk operasi on-line, yang tentunya perlu penyesuaian seperlunya bila memang perangkat keras yang mendukungnya tersedia.

Aplikasi kontrol secara real time dilakukan setelah penentuan acuan optimal dan parameter optimal kontrol. Acuan dalam pengontrolan, selain dapat ditentukan melalui fasilitas yang disediakan, juga dapat didasarkan dari literatur

atau pengalaman setempat, sesuai dengan kebutuhan. Fasilitas SKALB dapat

digunakan untuk mengontrol kebutuhan penggunaan sarana produksi agar tidak

berlebihan, yang pada gilirannya bila tidak dikontrol akan berakibat pada kerugian

ekonomi atau lingkungan. Selain itu, juga dapat digunakan untuk manipulasi lingkungan-biologik dalam upaya untuk mendapatkan produk dengan kuantitas,

kualitas dan selera sesuai kebutuhan.

Dengan fasilitas seperti disebutkan di atas, maka teknologi SKALB yang

dikembangkan ini dapat digunakan untuk mendukung usaha agribisnis yang lebih

memilih memproduksi komoditas yang spesifik, yaitu yang membutuhkan teknologi dan perlakuan khusus dimana tidak semua orang bisa memproduksinya.

(22)

6

Gambar 1 Buah ketimun mini

(23)

Gambar 3 Bunga hias

(24)

8

Tujuan Penelitian

Adapun tujuan dalam penelitian ini adalah: 1) mendesain sistem kontrol

lingkungan-biologik (acuan optimal dan parameter optimal kontrol) berbasis

komputer untuk produksi tanaman pada rumah tanaman dalam bentuk perangkat

lunak (software prototype) yang juga memadukannnya dengan fasilitas pilihan modus kontrol, 2) mengimplementasikan perangkat lunak yang dibangun (sebagai salah satu contoh aplikasi), yaitu memprediksi lingkungan optimal (acuan) guna

mendapatkan produksi maksimum melalui pendugaan rasio luas kanopi-diameter

batang tanaman maksimum dan volume larutan nutrisi yang hilang (out flow) minimum, 3) membangun model lingkungan-biologik dalam rumah tanaman,

dalam hal ini suhu dan kelembaban, 4) menentukan parameter optimal kontrol modus fazi, dan PID sekaligus melakukan simulasi pada model

lingkungan-biologik yang didapat, dan 5) melakukan simulasi kontrol dengan menggunakan parameter optimal masing- masing modus kontrol pada lingkungan optimal yang

dihasilkan.

Manfaat Penelitian

Manfaat yang diharapkan dari hasil penelitian ini adalah: 1) memberikan

alternatif perangkat lunak untuk kontrol lingkungan-biologik bagi industri tanaman dalam memproduksi komoditas hortikultura yang spesifik melalui

penyediaan fasilitas identifikasi dan optimasi, 2) memfasilitasi tersedianya pilihan

modus kontrol dalam bentuk perangkat lunak yang siap digunakan untuk berbagai

kebutuhan, dan 3) menyediakan informasi hasil implementasi dan simulasi

perangkat lunak sistem kontrol optimal lingkungan-biologik dalam rumah tanaman sebagai bahan pertimbangan pemanfaatan dan pengembangan lebih

(25)

Tanaman, Lingkungan, dan Rumah Tanaman

Faktor lingkungan berperanan sangat penting untuk pertumbuhan dan

perkembangan tanaman dengan kualitas prima. Karakteristik gen tertentu suatu tanaman tidak akan muncul seperti yang diharapkan bila tidak didukung oleh

penyediaan kondisi lingkungan yang sesuai.

Parameter suhu dan cahaya mempengaruhi banyak reaksi kimia pada

tanaman, seperti proses fotosintesa dan respirasi. Tanaman yang ditanam pada

malam hari dengan suhu tinggi akan tumbuh lebih lambat dibandingkan bila tanaman tersebut ditanam dengan suhu rendah. Hal ini disebabkan karbohidrat

yang terbentuk pada proses fotosintesa lebih banyak digunakan untuk respirasi

dari pada untuk pembentukan sel (Esmay dan Dixon 1986).

Salah satu upaya untuk mengendalikan lingkungan untuk kepentingan

tanaman digunakan rumah kaca. Menurut Bot (1993), rumah kaca adalah

bangunan yang dirancang dengan struktur tertutup tembus cahaya (material

transparan) dalam upaya memanipulasi lingkungan untuk produksi tana man.

Energi matahari yang datang berupa gelombang pendek ditransmisikan (dilalukan) melalui material transparan, ada yang terserap oleh tanah dan ada yang

terserap oleh tanaman. Energi yang diemisikan (dipantulkan) kembali berupa radiasi gelombang panjang yang tidak dapat dilepas ke udara luar. Hal ini

kontribusinya sekitar 20% dari total energi didalam rumah kaca, (Takakura 1991).

Faktor utama yang menjadikan rumah kaca menjadi panas adalah udara yang terhambat (stagnan) di dalam rumah kaca dan sedikitnya ventilasi.

Rumah tanaman berfungsi untuk memodifikasi lingkungan luar. Hal ini bertujuan untuk pengontrolan lingkungan yang diperlukan tanaman pada kondisi

tertentu. Modifikasi lingkungan dan pengontrolan dimungkinkan melalui

manipulasi pertukaran udara. Perbedaan antara cuaca di dalam rumah kaca dan

cuaca di luar rumah kaca disebabkan dua hal (Bot 1993). Pertama adalah

(26)

10

dibandingkan udara bebas di luar. Selain itu kecepatan udara di dalam rumah

kaca kecil dibandingkan kecepatan udara di luar. Berkurangnya pertukaran udara

(ventilasi) mempengaruhi langsung keseimbangan energi, dan massa udara rumah kaca. Kecepatan udara rendah di dalam mempengaruhi pertukaran energi, uap air,

dan CO2 antara udara rumah kaca dengan benda didalam rumah kaca (tanaman,

permukaan tanah, struktur rumah kaca dan sistem pendinginan).

Kedua adalah mekanisme radiasi. Radiasi gelombang pendek yang datang

langsung dari matahari yang terbias oleh langit dan awan berkurang karena

intersepsi cahaya oleh komponen opak dan transparan rumah kaca, sedangkan

pertukaran radiasi gelombang panjang di luar dan didalam rumah kaca berubah

karena sifat-sifat radiatif material penutup.

Gelas yang sebagian transparan untuk radiasi gelombang pendek yang

datang dan opak untuk radiasi gelombang panjang yang diemisikan dari dalam, sehingga energi terjebak. Efeknya selain penting untuk menjelaskan peningkatan

temperatur di dalam rumah kaca juga diperlukan untuk menjelaskan iklim rumah

kaca karena secara langsung mempengaruhi semua keseimbangan energi dan

temperatur di dalam rumah kaca.

Penutup rumah kaca dengan koefisien transmisivitas tinggi akan menghasilkan suhu yang lebih tinggi dari pada yang diharapkan karena solar gain. Menurut Esmay dan Dixon (1986), solar gain mengikuti persamaan,

f s s TI A

Q = (1)

dimanaQ_s adalah Solar gain (watt), T adalah koefisien transmisivitas

penutup terhadap radiasi matahari, I_s adalah Intensitas solar radiasi terhadap

bidang horizontal (watt/m2), dan A_f adalah luas lantai rumah kaca (m2).

Aliran energi panas yang mengalir ke dalam dan ke luar rumah kaca dapat

melalui beberapa cara. Laju aliran yang paling besar adalah konduksi melalui

penutup dan material permukaan rumah kaca yang lain. Menurut Esmay dan

Dixon (1986), di dalam rumah kaca yang dibangun secara baik, kehilangan karena

konduktivitas mungkin lebih dari 90% dari total kehilangn panas. Kehilangan

panas karena konduksi dapat digunakan persamaan standar untuk keadaan mantap

(27)

) t t ( UA

Q_c = _i− _o (2)

dimana: Q_c adalah kehilangan panas karena konduksi (watt), U adalah koefisien transmisi panas secara keseluruhan (w/m2 K), A adalah luas permukaan

rumah kaca (m2), t_i adalah temperatur dalam (oC), dan t_o adalah temperatur luar (oC).

Kehilangan panas yang terbesar kedua adalah melalui pertukaran udara di

dalam dan diluar (panas sensibel dan panas laten). Panas sensibel bergerak karena perbedaan suhu udara yang datang dan yang keluar. Panas laten berpindah

sebagai uap air evaporasi dan transpirasi. Menurut Esmay dan Dixon (1986),

panas sensibel dapat dihitung dengan persamaan berikut,

) t t ( WCp

Q_sa = _i− _o (3)

dimana: Q_sa adalah kehilangan panas sensibel (watt), W adalah aliran

massa udara (kj/detik), Cp adalah panas spesifik dari udara kering (kj/kg.K), t_i

adalah suhu udara luar (oC), dan t_o adalah suhu udara dalam (oC).

Salah satu metode untuk menciptakan lingkungan tumbuh tanaman yang

terkontrol adalah dengan menggunakan teknologi rumah kaca (Bot 1993). Di dalam rumah kaca, faktor lingkungan dapat lebih mudah dikendalikan untuk

mendapatkan kondisi pertumbuhan yang baik.

Pertumbuhan tanaman adalah kemajuan tanaman melalui tingkatan

hidupnya yang mungkin diukur dengan karakteristik vegetatif dan reproduktif,

seperti jumlah daun pada tanaman. Laju pertumbuhan tanaman sangat sensitif dengan temperatur dan kadang-kadang dengan panjang hari, tetapi biasanya tidak

sensitif terhadap cahaya, CO2 dan faktor lain seperti air dan stres nutrisi kecuali

(28)

12

Jaringan Syaraf Tiruan (JST)

Secara struktur JST teridri dari simpul-simpul yang terhubung oleh

pembobot. Simpul-simpul masukan menerima nilai dari variabel- variabel bebas

dan dihubungkan melalui satu set pembobot ke satu atau lebih simpul

tersembunyi. Simpul- simpul tersembunyi meniru terhubung melalui satu set

pembobot terhadap simpul-simpul keluaran yang menghasilkan nilai- nilai perkiraan dari variabel- variabel terikat dari sistem jaringan. Melalui paket

pembelajaran, nilai- nilai pembobot jaringan dimodifikasi sedemikian rupa yang

menggunakan suatu algoritma tertentu, misalnya Penjalaran balik.

Metode penjalaran balik telah terbukti sukses dalam proses training JST multi lapisan. Jaringan tidak hanya diberi bantuan bagaimana mengerjakan tugas. informasi tentang error juga dikontrol melalui sistem dan digunakan untuk

menjustifikasi hubungan antara lapisan- lapisan sehingga performa nsi jaringan meningkat.

Penjalaran balik adalah suatu algoritma yang umumnya digunakan untuk

membelajarkan JST. Bobot jaringan dimodifikasi dengan cara meminimumkan jumlah kuadrat error yang dihitung terhadap semua simpul-simpul keluaran. Algoritma penjalaran balik adalah suatu bentuk penurunan gradien: Gradien jaringan menurun bila terdefinisi dalam cakupan bobot jaringan. Probabilitas

bahwa nilai tersebut akan merupakan minimum local akan menurun dengan makin

meningkatnnya besar bobot.

Simpul, dalam konteks jaringan syaraf buatan, adalah suatu model syaraf

yang disederhanakan. Simpul-simpul menerima sejumlah sinyal masukan, dan

membangk itkan satu sinyal keluaran. Sinyal keluaran dapat merupakan fungsi

tidak linier, seperti fungsi sigmoid atau fungsi tangen hiperbola, dari penjumlahan

(29)

Gambar 5 Struktur jaringan syaraf tiruan dengan banyak lapisan

Pada Gambar 5, struktur JST terdiri tiga lapisan yaitu lapisan masukan (input layer), lapisan tersembunyi (hidden layer) dan lapisan keluaran (output layer). Lapisan masukan mempunyai n simpul, lapisan tersembunyi mempunyai h simpul dan lapisan keluaran mempunyai m simpul. Dimana x_i adalah vektor

masukan, i=1,2,3…n; v_ji adalah pembobot antara lapisan masukan dengan

lapisan tersembunyi, i=1,2,3…n dan j=1,2,3…h; w_kj adalah pembobot antara

lapisan tersembunyi dengan lapisan keluaran, k=1,2,3…m; xp adalah data masukan training, p=1,2,3…p; y_pj adalah keluaran pada lapisan tersembunyi

unit ke- j dengan masukan xp,, z_pk adalah keluaran pada lapisan keluaran unit

ke-k; t_pk adalah target keluaran; dan f adalah fungsi aktivasi.

Algoritma aturan belajar penjalaran balik menurut Patterson (1996) adalah

sebagai berikut: pembobot awal pada JST diberi nilai secara acak. Perhitungan nilai aktivasi feedforward dimulai dengan menjumlahkan hasil perkalian masukan xi dengan pembobot vji dan menghasilkan Hj yang merupakan nilai masukan ke

x1

Input layer

Hidden layer

Output layer x2

x3

x4

xn-1

xn

z1

z2

zm I1

I2

Im w kj H1

Hh y1

(30)

14

fungsi aktivasi lapisan tersembunyi. Kemudian keluaran yj pada lapisan

tersembunyi unit j merupakan hasil fungsi aktivasi f dengan masukan Hj. Hal ini

telah diformulasikan dalam persamaan 4 dan 5.

∑ =

i ji i

j v x

H

(4)

( )

j

j f H

y =

(5)

Nilai keluaran pada lapisan tersembunyi kemudian dikalikan dengan pembobot

wkj dan menghasilkan nilai Ik yang merupakan nilai masukan fungsi aktivasi

lapisan keluaran. Nilai masukan zk pada lapisan keluaran dihitung dengan

menggunakan fungsi aktivasi f dengan masukan Ik. Hal ini telah diformulasikan

dalam persamaan 6 dan 7.

∑

= j

j kj

k w y

I

(6)

( )

k

k f I

z =

(7) Secara ringkas zk dapat ditulis dalam persamaan berikut:

( )

          =     =     = =

∑

j i i ji kj j j kj j j kj k

k f I f w y f w f H f w f v x

z

(8)

dengan fungsi aktivasi berupa fungsi sigmoid sebagai mana berikut ini:

( )

x

e x

f ₋_β

+ =

1 1

(9)

turunan pertama fungsi sigmoid tersebut adalah sebagai berikut,

( )

(

)

f

( )

x

(

f

( )

x

)

e e x f x x − = + = − − 1 1 2 ' β β β β (10) dimana β adalah gain atau slope fungsi sigmoid. Selanjutnya pelatihan pada JST

(pembobotan) dilakukan dengan menimumkan total error untuk semua data melalui koreksi pembobot. Rata-rata total error merupakan merupakan error keluaran untuk semua pasang data training yang dapat ditulis sebagai berikut,

∑

= = p p p tot E p E 1 1 (11)

(31)

perubahan pembobot yang disebut Gradient Descent Method. Koreksi pembobot dapat ditulis sebagai persamaan berikut:

(

s

)

E W

( )

s

W + =− ∂ p ∂

∆ 1 η / ₍₁₂₎

dimana ? adalah laju pembelajaran (konstanta yang nilainya 0< ? <1).

Persamaan di atas dapat ditulis lebih lengkap untuk setiap pembobot adalah sebai berikut:,

[

hm

]

p p p p p w E w E v E v E W

E ∂ = ∂ ∂ ∂ ∂ ∂ ∂ ∂ ∂

∂ / / ₁₁, / ₁₂,...., / ₁₁,..., /

(13)

Berdasarkan persamaan 8 dan 10 maka perubahan total error sistem dapat ditulis sebagai berikut

∑

= ∂ ∂ = ∂ ∂ p p p tot W E p W E 1 1 (14)

dimana Eadalah sebagai berikut:

(

)

∑

= − = m k p k p k z t E 1 2 2 1 (15)

dengan demikian koreksi pembobot (weight adjustment) adalah parsial E terhadap pembobot vji dan wkj. Secara ringkas pengkoreksi pembobot antara lapisan keluaran dengan lapisan tersembunyi adalah sebagai berikut,

(

k z

) ( )

k j

j k kj kj y I f t t y w w

E ₌_∆ ₌ ₌ ₋ '

∂ ∂

−η ηδ η

(16) dimana

(

k z

) ( )

k

k t t f I

'

− =

δ ₍₁₇₎

dan pengkoreksi pembobot antara lapisan tersembunyi dengan lapisan masukan

adalah sebagai berikut,

( )

∑

= = ∆ = ∂ ∂ − k kj k j i i j ji ji w H f x x v v E δ η ηδ η ' (18) dimana,

( )

∑

= k kj k j

j f H δ w

δ '

(19)

Untuk mempercepat konvergen, ditambahkan inersia atau momentum,

(32)

16

pembobot sekarang. Sehingga pengkoreksi pembobot antara lapisan keluaran

dengan lapisan tersembunyi berturut-turut ditulis seperti berikut ini,

( )

w

( )

t

w E t

w _kj

kj

kj _∂ + ∆

∂ − = +

∆ 1 η α

(20)

( )

v

( )

t

v E t

v _ji

ji

ji _∂ + ∆

∂ − = +

∆ 1 η α

(21)

dimana a adalah momentum (konstanta 0<a<1).

Proses perhitungan pembobot antara lapisan keluaran dan lapisan

tersembunyi dilakukan dengan persamaan berikut:

( )

+1

∆ +

= w w t

w_kjnew _kjold _kj

(22) dan pembobot antara lapisan tersembunyi dengan lapisan masukan dilakukan

dengan persamaan berikut,

( )

+1

∆ +

=v v t

vnew_ji old_ji _ji

(23) Keseluruhan proses ini dilakukan pada setiap contoh dan setiap iterasi. Proses pemberian contoh atau pasangan masukan dan keluaran, perhitungan nilai

aktifasi dan pembelajaran dengan mengkoreksi pembobot dilakukan terus

menerus sampai didapatkan nilai pembobot dengan nilai total error sistem mencapai minimum global.

Laju pembelajaran (learning rate). Penentuan laju pembelajaran akan sangat menentukan kecepatan pelatihan sampai JST mencapai keadaan optimal.

Nilai laju pembelajaran dipilih 0< ? <1. Pene ntuan laju pembelajaran merupakan

yang penting karena laju pembelajaran yang besar akan membuat JST melewati minimum lokal akan tetapi sistem akan berisolasi sehingga tidak mencapai

konvergensi. Sebaliknya jika nilainya terlalu kecil menyebabkab sistem terjebak

pada pada minimum lokal dan memerlukan waktu yang lama untuk proses

pelatihan. Sehingga tujuan pelatihan algoritma back propogation untuk memperkecil error hingga mencapai minimum global tidak tercapai. Untuk menghindari hal tersebut maka suatu konstanta momentum yang nilainya 0< ? <1

(33)

Penghentian Pelatihan

Pelatihan JST dengan back propagation dilakukan terus menerus sehingga nilai error minimum global tercapai. Penghentian berdasarkan gradien adalah pelatihan dihentikan bila harga error telah mencapai nilai nilai sangat kecil. Akan tetapi gradien yang bernilai kecil tidak selalu berati bahwa JST berada dekat titik

minimum, karena semua titik minimum, titik maksimum dan titik belok stasioner mempunyai nilai gradien sama dengan nol. Sehingga kelemahan metode ini

adalah terletak pada penghentian pada titik yang mungkin keliru.

Penghentian berdasarkan jumlah kuadrat error adalah dengan menghentikan pelatihan jika kesalahan telah mencapai nilai dibawah ambang yang

telah ditentukan. Metode ini membutuhkan pengetahuan mengenai nilai minimum tersebut.

Penghentian berdasarkan jumlah iterasi, yaitu proses pelatihan dihentikan bila jumlah iterasi telah dilakukan dengan suatu kepercayaan bahwa jumlah iterasi

tertentu akan mencapai minimum global.

Validasi silang, suatu metode yang dalam pelatihannya menggunakan suatu set data lain untuk menguji proses pelatihan. Pelatihan dihentikan jika

kinerja generalisasi tidak lagi membaik. Metode ini dilakukan dengan membagi pasangan pelatihan menjadi dua kelompok yaitu: himpunan pelatihan dan

himpunan validasi.

Algoritma Genetika (AG)

Salah satu teknik optimasi yang makin banyak digunakan akhir-akhir ini

adalah algoritma genetika (Gambar 6). Penggunaannya dalam kontrol greenhouse, diantaranya dikemukakan oleh Ursem et al. (2002). Algoritma genetika menggunakan analog fenomena natural, yaitu adaptasi evolusi biologis, dimana individu- individu terbaik dalam suatu populasi akan mengalami

persilangan-persilangan dan mutasi- mutasi dimana yang lebih baik dapat

bertahan, sedangkan yang lemah akan punah.

Populasi terdiri dari individu- individu yang masing- masing

(34)

18

Masing- masing individu, yang dalam hal ini dipersamakan dengan kromosom,

mempunyai nilai fitness yang bersesuaian dengan kelayakan solusi permasalahan. Beberapa individu dalam populasi dengan nilai fitness lebih baik berpeluang untuk beriterasi (reproduksi). Dalam prosesnya akan terjadi rekombinasi (cross over) dan mutasi. Setelah mengalami seleksi akan menghasilkan individu-individu baru yang diharapkan merupakan sekumpulan solusi yang paling

mungkin, yang pada gilirannya iterasi dihentikan dan dipilih satu solusi yang

paling mungkin.

Salah satu kelebihan algoritma genetika adalah relatif sederhana karena

kemampuannya untuk belajar dan beradaptasi, yaitu hanya memerlukan informasi

tentang struktur kromosom (individu) dan bentuk fungsi fitness dari permasalahan yang dihadapi kemudian akan mencari sendiri solusi terbaik untuk permasalahan

yang dihadapi (Yandra dan Hermawan 2000).

Algoritma genetika menggunakan analogi langsung dari sifat natural.

Algoritma ini menggunakan populasi dari individu- individu yang masing- masing

mewakili penyelesaian yang mungkin untuk problem yang diberikan.

Masing-masing individu mempunyai nilai fungsi fitness sesuai dengan kelayakan pada penyelesaian problem. Individu yang sangat fit memperoleh kesempatan untuk rekmobinasi dengan individu- individu dalam populasi. Proses ini menghasilkan

individu- individu baru sebagai keturunannya yang memiliki sifat induknya. Individu yang nilai fungsi fitness lemah tidak akan dipilih untuk reproduksi sehingga spesiesnya akan punah.

Selain cross over antar individu, pada evolusi alam juga dikenal mutasi. Yaitu perubahan pada individu yang tidak dipengaruhui oleh individu yang lain.

Setelah mengalami cross over jumlah individu bertambah dalam populasi. Untuk menghasilkan generasi berikutnya hanya dipilih individu yang mempunyai nilai

fitness yang terbaik. Agar jumlah populasi sama dengan populasi generasi sebelumnya maka individu dengan nilai fitness rendah dibuang. Proses ini diulang sampai generasi yang diinginkan atau nilai fungsi fitness yang tinggi untuk penyelesaian permasalahan.

Algoritma genetika (AG) mempunyai karakteristik yang berbeda dengan

(35)

GA sehingga membedakan dengan teknik optimasi lainnya: 1) AG bekerja

dengan pengkodean dari himpunan solusi permasalahan berdasarkan parameter

yang telah ditetapkan, dan bukan parameter itu sendiri, 2) AG melakukan pencarian pada sebuah populasi dari sejumlah individu- individu yang merupakan

solusi permasalahan, bukan dari hanya sebuah individu, 3) AG menggunakan informasi fungsi objektif (fitness), sebagai cara untuk mengevaluasi individu yang mempunyai solusi yang terbaik, bukan turunan dari suatu fungsi, dan 4) AG

menggunakan aturan-aturan transisi probabilistik, bukan aturan-aturan

deterministik.

Variabel-variabel yang digunakan pada algoritma genetika adalah sebagai

berikut: 1) Fungsi fitness, yang dimiliki oleh masing- masing individu untuk mene ntukan tingkat kesesuaian individu tersebut dengan kreteria yang ingin

dicapai. Fitness ini yang akan dimaksimalkan dengan penerapan algoritma genetika, 2) Populasi jumlah individu yang dilibatkan dalam setiap generasi, 3)

Peluang (probabilitas) terjadi rekombinasi pada suatu generasi, 4) Peluang terjadi

mutasi pada setiap transfer bit, dan 5) Jumlah generasi yang akan dibentuk yang

mene ntukan lama dari penerapan algoritma genetika.

Representasi atau pengkodean merupakan bagian terpenting dari AG. Setiap individu diwakili oleh sebuah kromosom yang tersusun beberapa gen.

Setiap parameter dipresentasikan oleh gen. Gen-gen tersebut berbentuk nilai dalam tipe string. String tersebut biasanya dalam bentuk biner, desimal, alfabet ataupun kode lain yang dapat digunakan untuk mempresentasikan suatu parameter

yang akan dicari. Jika menggunakan biner maka nilai biner tersebut dijadikan desimal dan dinormalisasi kedalam nilai minimum dan maksimum setiap

(36)

[image:36.596.157.480.87.515.2]

20

Gambar 6 Tahapan algoritma genetika

Sistem Kontrol Umpan Balik

Menurut terminologi, kontrol umpan balik (feedback control) adalah algoritma kontrol atau sistem dimana keluaran kontrol dihitung berdasarkan hasil

keluaran variabel proses. Kontrol adaptif adalah kontrol yang parameternya dapat

disesuaikan menurut kondisi ril dan mekanisme untuk menyesuaikan parameter

tersebut tersedia. Kontrol optimal adalah kontrol yang mengkombinasikan

optimisasi dengan teori kontrol untuk menentukan performansi sistem kontrol sehingga sistem kontrol memberikan respon seefisien mungkin terhadap variabel

Populasi awal

Fungsi fitness

Pengurutan dan seleksi

Rekombinasi

Mutasi

Seleksi

Generasi > target generasi

Selesai Ya

(37)

yang berubah menurut waktu atau dengan kata lain mendapatkan performansi

kontrol yang dapat meminimalkan fungsi biaya.

Sistem kontrol adaptif lingkungan-biologik (SKALB) adalah sistem perangkat lunak yang menyediakan fasilitas kontrol yang acuannya atau set point

(lingkungan optimal) dapat disesuaikan menurut kondisi produk tanaman yang diinginkan, dapat berbasis kuantitas, kualitas, maupun selera dan menyediakan

fasilitas pilihan modus kontrol agar variabel proses besarnya sama dengan acuan

atau dengan kata lain agar error hasil respon sistem kontrol kecil dan stabil disemua daerah operasi. Disini terdapat dua pemecahan optimasi, yaitu

lingkungan optimal untuk dijadikan acuan dan parameter optimal kontrol untuk

mendapat performansi yang diinginkan.

Dari penjelasan di atas, terdapat perbedaan antara SKALB dengan kontrol

adaptif. Istilah adaptif pada SKALB dikaitkan dengan penyesuaian acuan terhadap produk yang diinginkan sedangkan pada kontrol adaptif dikaitkan

dengan penyesuaian parameter kontrol terhadap upaya untuk mempertahankan

agar acuan sama dengan variabel proses (self tuning controller). Demikian juga antara SKALB dengan kontrol optimal. Istilah optimal pada SKALB berkenaan

dengan dua hal. Pertama, berhubungan dengan pengoptimalan lingkungan yang akan dijadikan sebagai acuan adalam pengontrolan. Kedua, pengoptimalan

parameter kontrol untuk mendapatkan performansi respon kontrol yang dikaitkan dengan error minimum. Sedangkan pada kontrol optimal dihubungkan dengan performansi respon kontrol yang menghasilkan fungsi biaya yang minimum.

Namun demikian, disamping terdapat perbedaan, antara SKALB dengan kontrol adaptif juga terdapat persamaan, yaitu sama-sama merupakan kontrol umpan

balik. Demikian juga antara SKALB dengan kontrol optimal, keduanya berimplikasi kepada keuntungan ekonomis.

Kontrol yang didesain dalam sistem kontrol adaptif lingkungan-biologik

ini merupakan kontrol umpan balik yang mencakup empat tahap pengontrolan,

yaitu mengukur, membandingkan, menghitung, dan mengoreksi. Tiga tahap dari

(38)

lingkungan-22

biologik), menghitung berapa banyak koreksi yang perlu dilakukan, dan

mengeluarkan sinyal koreksi sesuai dengan hasil perhitungan.

Sedangkan langkah atau algoritma menghitung besarnya koreksi dilakukan oleh modus kontrol, seperti fazi dan PID. Masukan modus kontrol adalah error dan perubahan error dan keluarannya adalah sinyal koreksi atau variabel manipulasi yang dapat diubah-ubah besarnya agar variabel proses atau varabel

kontrol besarnya sama dengan acuan. Upaya untuk mempertahankan varibel

proses dengan acuannya, masing masing modus kontrol mempunyai

parameter-parameter. Parameter-parameter ini harus optimal. Bila tidak, sistem kontrol

akan mudah menjadi tidak stabil bila terjadi perubahan acuan atau gangguan.

Untuk menentukan parameter optimal kontrol dalam SKALB ini menggunakan

operator algoritma genetika.

Kontrol menggunakan logika fazi diklasifikasikan dalam kontrol moderen (advanced control) sedangkan PID diklasifikasikan dalam kont rol klasik (Haley dan Mulvaney 1995). Namun demikian bukan berarti kontrol moderen selalu

lebih baik dari kontrol klasik. Banyak faktor yang mempengaruhinya, antara lain

karakteristik dari proses yang akan dikontrol dan kondisi aktuator. Hasil

penelitian Shieh et al. (1992) menunjukan bahwa pengontrolan suhu produk pada temperatur tinggi dalam waktu singkat (high-temperature short-time heat exchanger), dengan kontrol PID lebih baik dibandingkan dengan kontrol fazi. Hasil penelitian lainnya, yaitu oleh Morimoto dan Hashimoto (1991)

menunjukkan bahwa performansi penerapan modus kontrol fazi dan jaringan

syaraf buatan untuk pengontrolan pH pada budidaya hidroponik lebih baik dari kontrol klasik.

Selain penerapannya untuk mengontrol suhu, modus kontrol PID juga pernah diterapkan untuk mengontrol konsentrasi O2 terlarut dan derajat keasaman

(Oeggerli et al. 1995). Bagaimanapun modus kontrol PID tidak dapat diterapkan untuk mengontrol semua variabel proses. Akhir-akhir ini, dalam perkembangan

kontrol, kontrol PID biasanya dijadikan pembanding (standar), atau juga

pengembangan kontrol baru tersebut bertitik-tolak dari kontrol ini, seperti yang

(39)

Sistem kontrol adaptif lingkungan-biologik (SKALB) dikembangkan

berdasarkan identifikasi acuan optimal dan estimasi parameter optimal kontrol,

terdiri dari fasilitas subsistem penentuan acuan optimal, subsistem penentuan parameter optimal kontrol, dan subsistem kontrol real time. Pada gilirannya, hasil penentuan identifikasi acuan optimal dan estimasi parameter optimal kontrol akan dimanfaatkan dalam aplikasi mengontrol lingkungan-biologik secara real time di

dalam rumah tanaman.

Pengertian lingkungan-biologik disini ada dua hal, yaitu pertama adalah

keterkaitan antara faktor lingkungan sebagai masukan dengan produk tanaman

sebagai keluaran, dan kedua adalah berkenaan dengan penempatan sensor untuk

mendeteksi masukan maupun kebutuhan sensor untuk keluaran. Hal yang

pertama, mengimplikasikan perlu diketahui terlebih dahulu kondisi lingkungan

optimal sebelum dilakukan pengontrolan. Untuk menentukan kondisi lingkungan optimal perlu dicari hubungan matematis (model) antara lingkungan dengan

produk yang diinginkan, dapat berbasis kuantitas, kualitas, maupun selera.

Pengertian lingkungan-biologik yang kedua adalah penempatan sensor

masukan disekitar kanopi untuk mendeteksi lingkungan di sekitar tanaman berikut

faktor- faktor fisika, kimia dan biologi yang mempengaruhinya sebagai hasil interaksi antara lingkungan dengan tanaman itu sendiri melalui proses fotosintesis,

(40)

PENDEKATAN SISTEM KONTROL ADAPTIF

LINGKUNGAN-BIOLOGIK

Konsep Sistem Kontrol Adaptif Lingkungan-biologik

Sistem kontrol adaptif lingkungan-biologik (SKALB) ini didekati berdasarkan identifikasi acuan optimal dan estimasi parameter optimal kontrol

(teknik kontrol), terdiri dari fasilitas subsistem penentuan acuan optimal, subsistem penentuan parameter optimal kontrol, dan subsistem kontrol real time. Pada gilirannya, hasil penentuan identifikasi acuan optimal dan estimasi

parameter kontrol akan dimanfaatkan dalam aplikasi mengontrol

lingkungan-biologik secara real time di dalam rumah tanaman. Adapun arsitektur sistem kontrol adaptif lingkungan-biologik dapat dilihat pada Gambar 7.

Pengertian lingkungan-biologik disini ada dua hal, yaitu pertama adalah

keterkaitan antara faktor lingkungan sebagai masukan dengan produk tanaman

sebagai keluaran, dan kedua adalah berkenaan dengan penempatan sensor untuk mendeteksi masukan maupun kebutuhan sensor untuk keluaran. Hal yang

pertama, mengimplikasikan perlu diketahui terlebih dahulu kondisi lingkungan

optimal sebelum dilakukan pengontrolan. Untuk menentukan kondisi lingkungan

optimal perlu dicari hubungan matematis (model) antara lingkunga n dengan

produk yang diinginkan, dapat berbasis kuantitas, kualitas, maupun selera.

Pengertian lingkungan-biologik yang kedua adalah penempatan sensor

masukan disekitar kanopi untuk mendeteksi lingkungan di sekitar tanaman berikut faktor- faktor fisika, kimia dan biologi yang mempengaruhinya sebagai hasil

interaksi antara lingkungan dengan tanaman itu sendiri melalui proses fotosintesis,

respirasi, dan transpirasi. Hal ini dianggap representasi dari rata-rata kondisi yang ingin dikontrol guna menghasilkan produk panen yang diinginkan.

Kebutuhan sensor keluaran pada properti produk yang diinginkan tidak perlu secara langsung. Maksudnya pada waktu pengontrolan pendeteksian

keluaran (produk) tidak diperlukan lagi. Karena pendeteksian properti produk

tidak diperlukan dalam operasi real time kontrol maka data keluaran dapat dikumpulkan baik secara destruktif maupun tidak destruktif. Dengan kata lain

(41)

atau dengan tidak dirusak. Hal ini memungkinkan untuk memilih properti produk

apa yang menjadi target, dan keluwesan ini menjadikan SKALB lebih aplikatif.

Pada konsep speaking plant yang dikemukakan Hashimoto (1989), kondisi lingkungan optimal (acuan optimal) ditentukan oleh komputer secara on-line. Proses pengambilan keputusan ini memerlukan waktu sedangkan kondisi lingkungan terus berubah (tidak konstan). Bila dikembangkan di Indonesia,

khususnya untuk saat ini, maka konsep ini kurang berdaya guna. Karena

kecepatan komputer dan sistem sensor juga belum memadai untuk mendukung

proses yang demikian.

Sehubungan hal di atas, maka SKALB didesain secara off-line untuk menentukan lingkungan optimal dan parameter kontrol optimal dengan tidak

menutup kemungkinan untuk operasi on-line, yang tentunya perlu penyesuaian seperlunya bila memang perangkat keras yang mendukungnya tersedia.

Aplikasi kontrol adaptif secara real time (Gambar 10) dilakukan setelah penentuan acuan optimal dan parameter optimal kontrol. Acuan selain dapat

ditentukan melalui fasilitas yang disediakan juga dapat didasarkan dari literatur

atau pengalaman setempat, sesuai dengan kebutuhan. Fasilitas sistem kontrol

optimal lingkungan-biologik dapat digunakan untuk mengontrol kebutuhan penggunaan sarana produksi agar tidak berlebihan, yang pada gilirannya bila tidak

dikontrol akan berakibat pada kerugian ekonomi atau lingkungan. Selain itu, juga dapat digunakan untuk mamanipulasi lingkungan-biologik dalam upaya

mendapatkan produk dengan kuantitas, kualitas dan selera yang diharapkan.

Perangkat lunak sistem kontrol optimal lingkungan-biologik yang dikembangkan ini dapat digunakan mendukung usaha agribisnis yang lebih

memilih teknologi spesifik dalam memproduksi komoditas pertanian dengan kualitas prima di dalam rumah tanaman, khususnya tanaman hortikultura.

Aplikasi real time SKALB dirancang untuk mengakomodasi interface card PCL 812 PG. Selain untuk pengontrolan juga dapat digunakan untuk akuisisi data. Data dapat ditampilkan secara langsung melalui layar maupun

(42)

[image:42.842.85.749.86.446.2]

26

Gambar 7 Arsitektur struktur sistem kontrol adaptif lingkungan-biologik dalam rumah tanaman.

Model tanaman Model lingkungan

e

_

+

Kontrol PID dan FAZI PARAMETER OPTIMAL

KONTROL

Optimasi

ALGORITMA GENETIKA Model

PINDAH PANAS

ACUAN LINGKUNGAN

BIOLOGIK

PRODUK TANAMAN

Identifikasi JST

LINGKUNGAN OPTIMAL

PROSES CITRA

Optimasi

ALGORITMA GENETIKA Sensor

Kontrol (real time)

LINGKUNGAN

DI LUAR RUMAH TANAMAN Identifikasi

JST

Estimasi parameter optimal kontrol melalui simulasi

(43)

Struktur Sistem Kontrol Adaptif Lingkungan-biologik

Acuan optimal diperoleh dari parameter lingkungan optimal yang

didasarkan pada hasil maksimal produk ya ng dipanen baik secara kualitas,

kuantitas, maupun selera, tergantung kondisi produk yang diinginkan. Kondisi

lingkungan optimal tidak selalu berarti lingkungan diharapkan meningkatkan

pertumbuhan tanaman. Kadang-kadang cekaman (stress) lingkungan dapat menghambat pertumbuhan tetapi meningkatkan kualitas, seperti perlakuan

cekaman air terhadap tanaman sayuran yang dapat meningkatkan kerenyahan, hal

ini termasuk kondisi optimal yang dikaitkan dengan peningkatan kualitas.

Perlakuan lingkungan dapat mempengaruhi rasa pada nenas, bau pada

tembakau, dan lain- lain. Disamping itu, tanaman juga mempunyai daya adaptasi terhadap perubahan kondisi lingkungan. Jadi kondisi lingkungan optimal dapat

berbeda-beda, tergantung untuk kebutuhan apa lingkunga n itu dimanipulasi. Hal di atas menunjukkan bahwa kondisi lingkungan-biologik optimal

tanaman tidak konstan, sehingga perlu disediakan fasilitas penentuan acuan

tersebut untuk mengantisipasi kebutuhan yang diinginkan. Pada fasilitas penentuan acuan optimal (Gambar 8) terdapat sub sistem model tanaman dan

sensor citra (Gambar 11). Operator model tanaman dan optimasi yang digunakan, masing masing adalah jaringan syaraf buatan (JST) dan algoritma genetika (AG).

Parameter optimal kontrol dihubungkan dengan bias (error) yang minimum dan performansi kontrol yang stabil. Pada fasilitas penentuan parameter

optimal kontrol terintegrasi dengan sistem simulasi (Gambar 9). Disini parameter

optimal kontrol ditentukan melalui simulasi dengan pilihan menggunakan

operator JST atau model pindah panas. Hubungan lingkungan di luar dan di

dalam rumah tanaman (lingkungan biologik) dijelaskan oleh model lingkungan

(Gambar 12). Kemudian ditentukan parameter kontrol optimal menggunakan operator algoritma genetika. Adapun fasilitas pilihan menu kontrol yang

(44)

[image:44.842.87.756.164.378.2]

28

Gambar 8 Struktur sistem identifikasi acuan optimal

Model tanaman

ACUAN LINGKUNGAN

BIOLOGIK

PRODUK TANAMAN

Identifikasi JST

LINGKUNGAN OPTIMAL

PROSES CITRA

Optimasi

(45)

[image:45.842.101.754.162.396.2]

Gambar 9 Struktur sistem estimasi parameter optimal kontrol melalui simulasi

Model lingkungan

e

+

_

+

Kontrol PID & FUZI

PARAMETER OPTIMAL KONTROL

Optimasi

ALGORITMA GENETIKA Model

PINDAH PANAS

ACUAN LINGKUNGAN

BIOLOGIK

LINGKUNGAN

(46)

30

Gambar 10 Struktur sistem kontrol real time

Gambar 11 Struktur model tanaman

Komponen Struktur Sistem Kontrol Adaptif Lingkungan-biologik Sistem kontrol adaptif lingkungan-biologik terdiri dari komponen-komponen berikut, yaitu operator identifikasi jaringan syaraf tiruan (JST),

operator optimasi algoritma genetika (AG), kontrol fazi, kontrol PID, pengolah

citra dan model pindah panas dan massa.

Jaringan Syaraf Tiruan

Adapun algoritma komponen JST penjalaran balik (Gambar 13) adalah pertama-tama memberikan vektor masukan X=(1,2, …6)T. Kemudian secara

berturut-turut menghitung: masukan total dari setiap simpul pada lapisan tersembunyi (pers 24), keluaran dari setiap simpul pada lapisan tersembunyi (pers

25), masukan total dari setiap simpul pada lapisan keluaran (pers 26),

e

+

_

+

Kontrol

PID danFAZI

PARAMETER OPTIMAL KONTROL

Optimal

ACUAN LINGKUNGAN

BIOLOGIK

Sensor

LINGKUNGAN BIOLOGIK

PRODUK TANAMAN

(47)

[image:47.596.113.479.81.302.2]

Gambar 12 Struktur model lingkungan

keluaran dari setiap simpul pada lapisan keluaran (pers 27), error dari setiap simpul pada lapisan keluaran (pers 28), error dari setiap simpul pada lapisan tersembunyi (pers 29), bobot pada lapisan tersembunyi (pers 30), dan mengubah

harga bobot pada lapisan keluaran (pers 31).

Adapun persamaan-persamaan yang dimaksud adalah sebagai berikut,

X W M i n 1 i h ij h

j = ∑

= (24)

) M ( f

Mh_j = h_j h_j (25)

M W

M h_j

n 1 j o jk o

k = ∑

= (26)