Fakultas Ilmu Komputer
413
Optimasi Pemupukan pada Pertanian Rempah dengan Algoritme Genetika
Muhammad Fahmi Hidayatullah1, Imam Cholissodin2, Agus Wahyu Widodo3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Indonesia merupakan negara agraris yang mempunyai banyak komoditas pertanian diantaranya rempah yang diminati bangsa asing dan mempunyai nilai dagang yang tinggi. Saat ini produksi dan ekspor rempah Indonesia tidak lagi menguasai pasar dunia, Indonesia sudah kehilangan kejayaan dalam perdagangan rempah dunia. Hal itu disebabkan banyak petani yang hanya menggunakan keterbatasan pengalaman dan pengetahuannya untuk melakukan pemupukan dalam pertanian rempah yang dapat menimbulkan kegagalan panen dan kerugian yang besar. Dari permasalahan tersebut, maka akan dirancang sebuah sistem cerdas yang dapat mengoptimasi pemupukan pertanian rempah agar mendapatkan pupuk yang optimal untuk pertanian rempah dengan Algoritme Genetika. Algoritme Genetika dipilih karena algoritme ini dapat digunakan pada optimasi masalah dalam ruang pencarian yang sangat luas dengan cepat. Dari hasil pengujian menggunakan 2 jenis tanaman, 3 jenis pupuk,
ukuran populasi 100, jumlah generasi 700, kombinasi cr 0.3 dan mr 0.7 mampu memenuhi kebutuhan
hara tanaman. Hasil terbaik yang didapatkan hasil pengujian sistem dapat menghemat biaya sebesar 0.23%.
Kata kunci: algoritme genetika, optimasi pemupukan, rempah
Abstract
Indonesia is an agricultural country which has many agricultural commodities such as spices demanded by foreign countries and has a high trade value. Currently, the production and export of Indonesian spices no longer dominate the global market, Indonesia has lost its glory in the world spices trade. It is caused by many farmers who only use limited experience and knowledge to fertilize the spices which can lead to crop failure and a big loss. Based on these problems, I will design an intelligent system that can optimize the fertilization in agricultural spices so the farmers could get optimal fertilizer for agricultural spices by using Genetic Algorithms. Genetic Algorithms was chosen because this algorithm can be used in problem optimization in a wide search space quickly. Test result using 2 type of plant, 3 types of fertilizers, 100 population size, 700 total generation, 0.3 cr and 0.7 mr combination can meet the nutrient needs of plants. The best result of this system testing can save cost of 0.23%.
Keywords: genetic algorithm, optimization fertilization, spice
1. PENDAHULUAN
Sejak zaman dahulu Indonesia adalah negara yang diminati oleh bangsa asing dikarenakan oleh beberapa komoditas pertanian. Indonesia juga mendapat julukan negara agraris disebabkan petani merupakan profesi sebagian besar penduduk Indonesia. Selain itu, Pertanian Indonesia juga didukung oleh iklim Indonesia yang sangat cocok untuk budidaya pertanian. Dengan dukungan penduduk agraris dan Iklim tropis serta lahan yang subur, Indonesia mampu
menghasilkan beragam hasil pertanian,
diantaranya buah-buahan, sayur-sayuran,
tanaman obat, rempah-rempah, dll. Hal ini terbukti dengan kedatangan penjajah Portugis
Vasco Da Gama, disusul Inggris, dan yang paling lama menjajah karena faktor sektor pertanian adalah Belanda. Tanaman rempah-rempah yang tumbuh subur di Indonesia menarik minat bangsa lain untuk menguasainya. Tidak dapat dipungkiri bahwa dahulu banyak bangsa asing yang kaya raya akibat rempah-rempah dari Indonesia yang mempunyai nilai sangat tinggi.
ke pasar dunia dengan pasokan mencapai 21,17% dan turun menjadi 0,94% pada tahun 2007 (Pribadi, 2013). Produksi dan ekspor lada Indonesia merosot dari nomor 1 dunia menjadi nomor 4. Vanili Indonesia tergeser dari nomor 2 dunia ke nomor 5, ekspor kulit kina Indonesia merosot tajam dari negara eksportir kulit kina terbesar dunia (80%) kini menjadi importir terbesar di dunia. Selain itu beberapa jenis komoditi rempah dari Indonesia lainnya seperti kayumanis, pala, cengkeh dan lainnya posisinya sudah makin terancam oleh negara produsen baru seperti India, Sri Lanka, Madagaskar dan Granada (Sulkani, 2015). Hal itu disebabkan petani rempah sebagian besar belum memiliki kelembagaan petani yang kuat, mandiri dan mampu menjalin kerjasama kemitraan dengan pihak ketiga untuk mengembangkan usaha taninya. Selain itu Indonesia belum memiliki lembaga sertifikasi organik yang diakui oleh konsumen rempah luar negeri.
Sedangkan pemecahan permasalahan untuk mengembalikan kejayaan rempah Indonesia yaitu Gerakan rehabilitasi atau Gerakan revitalisasi komoditas rempah. Cara-cara yang dapat ditempuh yaitu dengan pengembangan mutu rempah, memperbanyak lagi produksi rempah, serta efisiensi biaya untuk produksi tersebut (Sulkani, 2015). Hal yang perlu ditingkatkan antara lain dari sektor lahan yang mulai dikembalikan lagi untuk penanaman
rempah-rempah, petani yang memiliki
kelembagaan yang kuat dan mandiri, serta yang paling penting aspek tanah yang siap untuk pertanian rempah. Aspek tanah tersebut bisa
didukung dengan pupuk yang memiliki
komposisi yang sesuai dengan kandungan tanah yang ada serta tanaman rempah apa yang akan
ditanam. Banyak petani yang hanya
menggunakan keterbatasan pengalaman dan pengetahuannya untuk melakukan pemupukan
dalam pertanian rempah yang dapat
menimbulkan kegagalan panen dan kerugian yang besar.
Dari permasalahan tersebut, maka akan dirancang sebuah sistem cerdas yang dapat mengoptimasi pemupukan pertanian rempah agar mendapatkan pupuk yang optimal untuk pertanian rempah. Hal tersebut dapat dilihat dari unsur hara yang diperlukan dari tiap tanaman rempah dan kandungan unsur hara yang sudah tersedia di tanah tersebut. Setelah didapatkan unsur hara yang optimal, selanjutnya tinggal menyesuaikan dengan ukuran dari beberapa jenis pupuk yang optimal dan mengefisiensi
biayanya.
Pada penelitian sebelumnya telah
membahas tentang optimasi pemupukan
berimbang tanaman hortikultura menggunakan metode Algoritme Genetika dan metode
Analytical Hierarchy Process (AHP) sebagai
perekomendasian jenis pupuknya. Dari
penelitian ini didapatkan hasil terbaik dengan
nilai fitness tertinggi yang didapat dari
percobaan nilai cr 0,2, mr 0,8, ukuran populasi
80, ukuran generasi 800 yang dapat
menghasilkan penghematan biaya sebesar 0,25% per hektar tanah untuk penanaman 2 jenis tanaman dan penggunaan 3 jenis pupuk (Fadilah, 2015). Kekurangan penelitian ini adalah belum tentu petani memiliki jenis pupuk yang direkomendasikan tersebut dan biasanya petani sudah memiliki standart pupuk yang digunakan, oleh sebab itu penggunaan metode AHP kurang maksimal dalam penelitian tersebut sehingga tidak digunakannya metode AHP untuk selanjutnya.
Karena Algoritme Genetika telah sukses
digunakan pada permasalahan optimasi
pemupukan, pada penelitian ini Algoritme Genetika dimanfaatkan sebagai metode untuk sistem optimasi pemupukan pertanian rempah sehingga bisa didapatkan pupuk yang optimal untuk pertanian rempah tersebut dan menghemat biaya dalam pembelian pupuk.
2. DASAR TEORI 2.1. Pertanian Rempah
Rempah-rempah adalah bagian dari
tanaman yang memiliki aroma yang kuat. Biasanya rempah-rempah digunakan dalam makanan sebagai pemberi rasa dan aroma dalam masakan atau bisa juga menjadi bahan pengawet makanan. Banyak juga yang menggunakan rempah-rempah sebagai bahan dasar obat dan jamu. Banyaknya manfaat tiap jenis rempah yang ada di Indonesia antara lain rempah
mengandung antikanker, antibiotic, antioksidan,
antibakteri, antiseptic, antikhamir yang telah disimpulkan oleh pakar dunia (Riadi, 2011).
2.2. Pupuk dan Pemupukan
dan berfungsi sebagai zatyang dibutuhkan tanah dan tanaman. Perlu diperhatikannya pemberian pupuk pada tanaman sesuai dengan kebutuhan tiap jenis tanaman tersebut, diharapkan tanaman tidak mendapatkan pemberian hara yang berlebihan atau kurang. Pemberian unsur hara yang berlebih atau kurang dapat berpengaruh buruk pada pertumbuhan tanaman. Pupuk adalah faktor penting dibanding faktor produksi lainnya seperti ketersediaan lahan, modal, serta tenaga kerja. Pemupukan memiliki nilai yang sangat penting dalam upaya meningkatkan hasil dan mutu pertanian.
Proses pemupukan merupakan proses pemberian unsur kimia organik maupun anorganik pada tanah yang bertujuan untuk meningkatkan produktifitas tanaman dengan cara memenuhi kebutuhan unsur hara tanaman serta dapat menyusun ulang kondisi kimia tanah dan mengganti unsur hara yang hilang di tanah yang telah digunakan. Unsur hara yang diberikan
tersebut antara lain nitrogen (N), fosfat (P),
Berikut ini ditunjukkan jenis-jenis pupuk anorganik pada Tabel 1 beserta kandungan hara masing-masing pupuk dan harganya.
Tabel 1. Data Kandungan Hara Pupuk Anorganik
Nama_Pupuk N P K Harga
Berikut ini ditunjukkan rekomendasi pupuk per kg/ha/musim tanam untuk tanaman rempah antara lain jahe, temulawak, cabai merah, dan bawang merah pada Tabel 2 beserta kebutuhan N, P, dan K per kg/ha/musim tanam untuk tanaman jahe, temulawak, cabai merah, dan bawang merah pada Tabel 3.
Tabel 2. Data Interval Dosis Pupuk Tanaman
No Tanaman Nama Rekomendasi pupuk (kg/ha/musim tanam)
Urea SP 36 KCl ZA
Sumber: Diadaptasi dari Ruhnayat (2010), Rahardjo (2010), Alviana (2009), Sumarni (2012)
Tabel 3. Data Kebutuhan N, P, K Tanaman
Sumber: Diadaptasi dari Ruhnayat (2010), Rahardjo (2010), Alviana (2009), Sumarni (2012)
Data dari Tabel 2 dan Tabel 3 berasal dari penelitian yang dituliskan pada jurnal pertanian
terkait. Untuk tanaman jahe, penelitian
dilakukan di Kebun Percobaan Cicurug
Sukabumi, Jawa Barat. Untuk tanaman
temulawak, penelitian dilakukan di Kebun Percobaan Sukamulya Sukabumi, Jawa Barat.
Untuk tanaman cabai merah, penelitian
dilakukan di Danasworo Hydro-Garden, Ciapus
Bogor. Untuk tanaman bawang merah,
penelitian dilakukan di Kebun Percobaan Balai Penelitian Tanaman Sayuran Lembang.
2.3. Algoritme Genetika
Algoritme genetika (Genetic Algorithms,
GAs) adalah salah satu Evolutionary Algorithm
(EAs) yang terpopuler dan seringkali digunakan
pada penyelesaian masalah kompleks
(Mahmudy, 2013). Algoritme Genetika
merupakan Algoritme yang menggunakan mekanisme evolusi biologis pada pencarian
nilainya. Cara kerja di struktur GAs
menggunakan hukum genetika dengan
melakukan pemilihan individu secara alami, dimana seleksi alam terjadi ketika ada individu dengan daya tahan hidup tinggi akan bertahan hidup dan dapat membunuh individu yang memiliki daya tahan hidup rendah dan membuangnya (Goldberg, 1989). Dengan
adanya perkawinan silang (crossover) antara dua
bisa didapat juga akibat mutasi (mutation) gen dari individu.
Di dalam melakukan proses optimasi menggunakan Algoritme Genetika, terdapat parameter-parameter penting yang berperan dalam pengendalian kinerja dan perilaku dari Algoritme ini. Parameter penting tersebut adalah:
1. Ukuran populasi yang menunjukkan banyak kromosom dari populasi.
2. Probabilitas crossover biasa disingkat cr.
3. Probabilitas mutasi biasa disingkat mr.
4. Jumlah generasi atau dalam kata lain jumlah iterasi yang dilakukan selama proses Algoritme Genetika.
Dalam Algoritme Genetika, langkah awal yang harus dilakukan adalah membangkitkan populasi awal secara acak. Jenis representasi kromosom yang digunakan pada penelitian ini
adalah representasi real code. Metode crossover
yang digunakan adalah extend intermediate
crossover yang ditunjukkan dengan persamaan (1) dan persamaan (2) berikut.
offspring1 = P1 + a (P2 – P1) (1)
offspring2 = P2 + a (P1 – P2) (2) Dimana P1 dan P2 adalah dua parent yang
dipilih secara acak dan nilai a dibangkitkan
secara acak pada interval [-0,25; 1,5].
Metode mutasi yang digunakan adalah random mutation yang ditunjukkan dengan persamaan (3) berikut.
x’i = xi + r (Maxi - Mini) (3)
Dimana xi adalah nilai gen ke-i dan i
merupakan panjang kromosom, Maxi adalah
nilai batas atas interval gen ke-i, dan Mini adalah
nilai batas bawah interval gen ke-i. Nilai r
dibangkitkan secara acak pada interval [-0,1; 0,1].
Selanjutnya menghitung nilai penalty. Fungsi penalty ditunjukkan pada persamaan berikut (Fadilah, 2015).
(4)
(5)
(6)
Setelah didapatkan nilai penalty
masing-masing N, P, dan K, langkah selanjutnya adalah
menentukan nilai total penalty. Persamaan untuk
menentukan total penalty adalah sebagai berikut.
𝑝𝑒𝑛𝑎𝑙𝑡𝑦 = (𝑐 ∗ 𝛿𝑁) + (𝑐 ∗ δ 𝑃2𝑂5) + (𝑐 ∗ δ 𝐾2𝑂 ) (7)
Nilai c dalam kasus ini ditentukan sebesar
10.000 (Fadilah, 2015).
Langkah selanjutnya menghitung nilai
fitness dengan persamaan (8) berikut.
𝑓 =(ℎ+𝑎)1 (8)
Dimana a adalah bilangan kecil yang bervariasi sesuai dengan permasalahan yang ada
(dalam permasalahan ini adalah penalty), h
adalah sebuah fungsi yang diminimalkan (dalam
permasalahan ini adalah harga), dan f adalah
fungsi fitness.
Sedangkan untuk seleksi menggunakan metode elitism selection.
3. PERANCANGAN
Alir perancangan sistem untuk optimasi pemupukan pada pertanian rempah secara umum dapat dilihat pada Gambar 1.
Mulai
Jenis tanaman dan Pupuk yang digunakan,
Parameter Algoritme Genetika
Proses perhitungan optimasi pemupukan dengan Algoritme Genetika
Kadar pupuk optimal beserta harganya
Selesai
Gambar 1. Diagram Alir Perancangan Sistem
Pada Gambar 1 ditunjukkan bagaimana alir perancangan sistem untuk optimasi pemupukan pada pertanian rempah. Dimulai dengan memasukkan jenis tanaman yang ingin ditanam dan pupuk apa saja yang ingin digunakan beserta parameter Algoritme Genetika yang digunakan. Kemudian sistem akan melakukan proses
perhitungan optimasi pemupukan dengan
menggunakan Algoritme Genetika. Dari hasil perhitungan tersebut dihasilkan kadar pupuk optimal beserta harganya untuk pertanian rempah yang telah ditentukan tersebut.
Mulai
Tanaman dan Pupuk yang digunakan, Parameter Algoritme Genetika (ukuran populasi, crossover rate,
mutation rate, jumlah generasi)
Kromosom akhir yang optimal
Selesai
Crossover
Mutasi
Evaluasi
Hitung penalty
Hitung fitness
Seleksi Kromosom awal For ulangGen = 0 to
jumlah generasi -1
ulangGen == 0
ulang Gen
Ya
Tidak
Gambar 2. Diagram Alir Optimasi Algoritme Genetika
Pada Gambar 2 ditunjukkan bagaimana diagram alir proses optimasi Algoritme Genetika
yang langkah-langkahnya adalah sebagai
berikut:
1. Memasukkan tanaman dan pupuk yang
digunakan serta parameter Algoritme
Genetika, yaitu antara lain ukuran populasi,
crossoverrate (cr), mutation rate (mr), dan jumlah generasi.
2. Melakukan perulangan sebanyak jumlah generasi.
3. Jika perulangan (ulangGen) masih 0, maka melakukan representasi kromosom awal sebanyak ukuran populasi yang telah ditentukan.
4. Melakukan reproduksi crossover dan mutasi
sesuai cr dan mr yang telah ditentukan.
5. Melakukan penggabungan antara parent dan
child serta perhitungan harga dalam method evaluasi.
6. Menghitung nilai penalty tiap kromosom.
7. Menghitung nilai fitness tiap kromosom.
8. Melakukan proses seleksi untuk menentukan generasi selanjutnya.
9. Jika kondisi berhenti terpenuhi (mencapai jumlah generasi) maka proses selesai. Hasil akhir merupakan kromosom terbaik.
4. IMPLEMENTASI
Halaman optimasi pemupukan merupakan halaman utama ketika sistem dijalankan sekaligus halaman proses perhitungan optimasi
pemupukan pada tanaman rempah dan
menampilkan hasil optimasi tersebut. Pada halaman ini terdapat tempat masukkan untuk user yang dibagi menjadi tiga kategori yaitu Daftar Tanaman Rempah, Daftar Pupuk, dan Parameter Algoritme Genetika yang digunakan. Selain itu terdapat tombol Proses, Reset, dan Lihat Data serta tabel berupa tab untuk menampilkan hasil optimasi. Implementasi halaman optimasi pemupukan dapat dilihat pada Gambar 3.
Gambar 3. Halaman Optimasi Pemupukan
Gambar 4. Halaman Data
5. PENGUJIAN DAN ANALISIS
Pengujian dan analisis menjelaskan tentang pengujian dan analisis terhadap sistem optimasi pemupukan pada tanaman rempah dengan Algoritme Genetika yang telah dibuat.
5.1. Pengujian dan Analisis Ukuran Populasi
Data yang digunakan pada pengujian ini adalah data dengan masukan jenis tanaman jahe dan cabai merah yang ditanam dalam satu lahan, serta jenis pupuk yang dipilih adalah pupuk Urea, SP-36 dan pupuk KCL. Jumlah generasi yang digunakan untuk pengujian awal ukuran populasi adalah sebanyak 100 generasi, ukuran populasi yang diuji adalah kelipatan 10, dimulai
dari ukuran populasi 10 sampai 100, nilai cr
yang digunakan adalah 0,4 dan nilai mr yang
digunakan adalah 0,2. Pengujian setiap generasi dilakukan 10 kali percobaan. Pada setiap percobaan ke-i dibangkitkan bilangan random sebagai populasi awal yang merepresentasikan solusi kadar pupuk yang diwakili oleh nilai-nilai
gen dalam kromosom, sehingga proses
Algoritme Genetika akan menghasilkan nilai
fitness yang berbeda untuk setiap kali percobaan.
Dan nilai yang diambil adalah nilai fitness
terbaik untuk tiap percobaan. Indikator dalam
pengujian ini adalah nilai rata-rata fitness dari
setiap populasi. Sehingga, ukuran populasi
terbaik didapatkan dari nilai rata-rata fitness
terbaik. Digambarkan grafik hasil pengujian terhadap ukuran populasi yang akan ditunjukkan pada Gambar 5 berikut.
Gambar 5. Grafik Hasil Percobaan Ukuran Populasi
Berdasarkan Gambar 5, grafik
menunjukkan kecenderungan nilai rata-rata
fitness yang meningkat seiring dengan
meningkatnya ukuran populasi. Hal ini
menunjukkan bahwa ukuran populasi
mempengaruhi nilai fitness. Ukuran populasi
yang besar memungkinkan terjadinya variasi individu yang beragam. Sebaliknya, ukuran populasi yang sedikit mengakibatkan variasi
individu tidak beragam. Nilai rata-rata fitness
paling rendah terjadi pada ukuran populasi 10, kemudian grafik terus meningkat secara signifikan, namun pada ukuran populasi 60 tidak
terjadi peningkatan nilai rata-rata fitness secara
signifikan. Hal ini menunjukkan bahwa semakin besar ukuran populasi semakin luas juga ruang pencarian pada Algoritme Genetika membuat
semakin cepat mendekati nilai fitness yang
optimal, sehingga untuk ukuran populasi yang lebih besar lagi hanya sedikit perkembangan
nilai fitness yang lebih baik. Sedangkan ukuran
populasi yang terlalu kecil memungkinkan semakin kecilnya ruang pencarian yang dapat
dilakukan oleh proses crossover dan mutasi.
Berdasarkan Gambar 5 maka dapat disimpulkan bahwa percobaan ukuran populasi ini hampir mencapai konvergen pada saat ukuran populasi mencapai 60 dengan rata-rata selisih
nilai rata-rata fitness dari ukuran populasi 60
sampai 100 adalah 9,9107 x 10-11 dibanding
dengan rata-rata selisih nilai rata-rata fitness dari
populasi 10 sampai 60 adalah 1,0477 x 10-9 yang
mengalami peningkatan yang signifikan. Ukuran populasi terbaik dihasilkan dengan rata-rata nilai
fitness 1,8731 x 10-7 yaitu pada ukuran populasi sebesar 100.
5.2. Pengujian dan Analisis Jumlah Generasi
Indikator pengujian adalah nilai rata-rata
fitness dari setiap generasi. Data yang digunakan tetap sama dengan pengujian ukuran populasi sebelumnya. Sedangkan parameter Algoritme Genetika yang digunakan dalam pengujian terhadap jumlah generasi terbaik adalah
menggunakan ukuran populasi terbaik dari hasil pengujian ukuran populasi sebelumnya yaitu
sebesar 100, nilai cr adalah 0,4 dan nilai mr
adalah 0,2. Untuk pengujian jumlah generasi, masing-masing dilakukan sebanyak 10 kali dengan jumlah generasi kelipatan 100, dimulai dari jumlah generasi 100 sampai jumlah generasi 1000. Dari uji coba tersebut akan diperoleh jumlah generasi yang terbaik.
Gambar 6. Grafik Hasil Percobaan Jumlah Generasi
Berdasarkan Gambar 6 dapat ditunjukkan bahwa jumlah generasi yang meningkat akan
menaikkan nilai rata-rata fitness. Nilai rata-rata
fitness paling rendah terjadi pada jumlah generasi 100. Sedangkan pada jumlah generasi
200, 300, dan 400 nilai rata-rata fitness
meningkat secara signifikan. Hal ini
menunjukkan bahwa jumlah generasi yang besar akan mengakibatkan proses evolusi semakin sering dilakukan. Pada setiap generasi akan
dilakukan proses crossover dan mutasi, sehingga
semakin banyak jumlah generasi, maka proses
crossover dan mutasi akan semakin sering dilakukan yang menyebabkan variasi individu semakin beragam. Sedangkan pada jumlah generasi 500, 600, dan 700 tidak terjadi
peningkatan nilai rata-rata fitness secara
signifikan dikarenakan semakin besar jumlah generasi maka semakin banyak proses evolusi yang terjadi sehingga hasil yang didapatkan
sudah mendekati nilai fitness yang optimal,
sehingga untuk jumlah generasi yang lebih besar lagi tidak seberapa terlihat peningkatannya.
Berdasarkan Gambar 6 dapat disimpulkan bahwa pengujian jumlah generasi mencapai hampir konvergen pada jumlah generasi 700 sekaligus menjadi jumlah generasi terbaik
dengan rata-rata nilai fitness 1,8742 x 10-7. Pada
jumlah generasi selanjutnya, nilai rata-rata
fitness tidak jauh berbeda dari sebelumnya dan sedikit turun walaupun tipis sekali disebabkan faktor nilai random kromosom awal yang bisa mendapatkan hasil yang kurang baik dan didukung ruang pencarian yang tereksploitasi sebatas ukuran populasi yang sama.
5.3. Pengujian dan Analisis Kombinasi Cr dan Mr
Pengujian ini dilakukan untuk
mendapatkan nilai kombinasi cr dan mr terbaik.
Data yang digunakan dalam pengujian ini tetap sama dengan data yang digunakan dalam pengujian sebelumnya. Sedangkan parameter Algoritme Genetika yang digunakan adalah menggunakan ukuran populasi terbaik dari hasil pengujian ukuran populasi sebelumnya yaitu sebesar 100, dan jumlah generasi yang digunakan adalah jumlah generasi terbaik dari hasil pengujian sebelumnya yaitu sebesar 700.
Nilai cr dan mr yang diujikan adalah nilai-nilai
pada interval 0 sampai 1, dengan kombinasi sesuai dengan skenario perancangan pengujian
yang telah dilakukan. Setiap kombinasi cr dan
mr dilakukan percobaan sebanyak 10 kali.
Gambar 7. Grafik Hasil Percobaan Kombinasi Cr
dan Mr
Berdasarkan Gambar 7 ditunjukkan bahwa
kombinasi cr dan mr berpengaruh terhadap nilai
fitness yang dapat dilihat dari dengan
menggunakan mr yang semakin besar
menyebabkan peningkatan rata-rata nilai fitness
yang kemudian mencapai nilai terbaik pada
kombinasi cr 0,3 dan mr 0,7 dan mengalami
sedikit pernurunan diselanjutnya. Hal ini disebabkan oleh proses mutasi dapat melakukan
eksplorasi yang lebih luas daripada crossover
yang mengeksploitasi offspring selanjutnya berdasarkan 2 parent sebelumnya. Semakin
besar nilai mr, semakin banyak offspring yang
dihasilkan dari proses mutasi yang menyebabkan
meningkatnya rata-rata nilai fitness yang
didapatkan. Permasalahan yang ingin
diselesaikan juga mempengaruhi dalam
memperoleh nilai kombinasi cr dan mr yang
tepat (Mahmudy, 2014). Hal ini yang menyebabkan nilai terbaik dicapai pada
1,87E-07 1,872E-07 1,874E-07 1,876E-07
100 200 300 400 500 600 700 800 900
kombinasi cr 0,3 dan mr 0,7 dan mengalami
sedikit penurunan pada kombinasi cr 0,2 dan mr
0,8 serta kombinasi cr 0,1 dan mr 0,9. Nilai cr
atau mr yang terlalu rendah mengakibatkan
sebuah permasalahan sulit mendapatkan solusi terbaik karena Algoritme Genetika kurang efektif dalam melakukan pembelajaran dari generasi sebelumnya (Mahmudy, 2014). Hal ini
yang menyebabkan kombinasi cr 0 dan mr 1
serta kombinasi cr 1 dan mr 0 mempunyai nilai
rata-rata fitness yang rendah. Hal ini disebabkan
hanya digunakannya mutasi tanpa menggunakan
crossover, begitu pula sebaliknya.
Berdasarkan Gambar 7 dapat disimpulkan
bahwa kombinasi cr dan mr terbaik dihasilkan
dengan rata-rata nilai fitness 1,8743 x 10-7 yaitu
pada kombinasi cr 0,3 dan mr 0,7.
5.4. Analisis Global
Berdasarkan hasil pengujian yang
dilakukan pada sistem dengan menggunakan dua tanaman yaitu tanaman jahe dan cabai merah serta parameter Algoritme Genetika yang optimal yaitu dengan ukuran populasi sebesar 100, jumlah generasi sebanyak 700, kombinasi
cr 0,3 dan mr 0,7 didapatkan
kromosom-kromosom terbaik sebagai solusi untuk
menentukan kombinasi kadar pupuk untuk jenis tanaman tertentu yang dipilih. Dari banyak percobaan didapatkan hasil rekomendasi sistem terbaik yang ditunjukkan dalam Tabel 4.
Tabel 4. Kadar Pupuk Optimal Rekomendasi Sistem
Tanaman Jahe
Pupuk Urea SP-36 KCl
Kadar Pupuk (kg) 572.98 347.06 372.01
Kandungan Hara (kg) 262.77
(N) 123.94 (P) 223.21 (K)
Hasil keluaran sistem menunjukkan
optimasi kadar pupuk untuk tanaman jahe yaitu Urea sebesar 572,98 kg/ha, SP-36 sebesar 347,06 kg/ha, KCl sebesar 372,01 kg/ha dan untuk tanaman cabai merah yaitu Urea sebesar 561,93 kg/ha, SP-36 sebesar 303,36 kg/ha, KCl sebesar 313,86 kg/ha.
Dari tabel rekomendasi tersebut kemudian dihitung kadar pupuk yang dianjurkan. Kadar pupuk rekomendasi pakar ditunjukkan dalam
Tabel 5.
Tabel 5. Kadar Pupuk Optimal Rekomendasi Pakar
Tanaman Jahe
Pupuk Urea SP-36 KCl
Kadar Pupuk (kg) 573 350 374
Kandungan Hara (kg) 262.78
(N) 125 (P) 224.4 (K)
dibandingkan dengan menghitung selisih kadar pupuk rekomendasi pakar dengan kadar pupuk
rekomendasi sistem. Selisih tersebut
ditunjukkan pada Tabel 6.
Tabel 6. Selisih Perbandingan Kadar Pupuk
Tanaman Jahe dibutuhkan dari rekomendasi sistem adalah sebesar Rp 5.320.288,00. Harga ini lebih murah jika dibandingkan dengan total harga sesuai rekomendasi yang diberikan pakar yaitu sebesar Rp 5.332.612,00, dengan selisih sebesar Rp 12.324,00. Berdasarkan hasil pengujian tersebut,
maka rekomendasi kadar sistem dapat
6. KESIMPULAN
Berdasarkan hasil penelitian dan pengujian yang telah dilakukan mengenai penerapan Algoritme Genetika untuk menyelesaikan
permasalahan optimasi pemupukan pada
pertanian rempah, maka kesimpulan yang didapat adalah sebagai berikut:
1. Algoritme Genetika dapat diterapkan pada
permasalahan optimasi pemupukan pada pertanian rempah. Proses optimasi kadar
pupuk diawali dengan representasi
kromosom awal sebanyak ukuran populasi yang diinginkan. Masing-masing individu memiliki gen sebanyak jumlah pupuk yang
digunakan. Masing-masing gen
merepresentasikan kadar pupuk yang
dibangkitkan secara random pada interval atas dan bawah yang telah dianjurkan oleh
pakar. Representasi kromosom
menggunakan representasi real code. Yang
kemudian dilakukan proses crossover dan
mutasi sebagai proses reproduksi sehingga didapatkan sejumlah offspring yang akan diseleksi bersama dengan individu parent
berdasarkan nilai fitness-nya. Crossover
menggunakan metode extend intermediate
crossover, sedangkan mutasi menggunakan
metode random mutation. Seleksi
menggunakan metode elitsm selection dimana individu-individu dengan nilai
fitness terbaik yang akan diproses untuk generasi selanjutnya. Penggunaan elitsm
selection pada proses seleksi dapat
menjamin individu-individu terbaiklah yang akan terpilih untuk generasi selanjutnya. Hal ini ditunjukkan dengan grafik pengujian
parameter Algoritme Genetika yang
menunjukkan nilai fitness yang mengalami
kenaikan secara signifikan.
2. Parameter Algoritme Genetika yang tepat
untuk permasalahan optimasi pemupukan pada pertanian rempah ditentukan melalui hasil pengujian yaitu dengan menggunakan ukuran populasi sebesar 100, jumlah
generasi sebesar 700, nilai cr 0,3 dan mr 0,7.
3. Dari hasil pengujian tersebut diketahui
bahwa Algoritme Genetika dapat
merekomendasikan kadar pupuk yang memenuhi kebutuhan hara tanaman dengan harga yang lebih murah. Hasil pengujian terbaik menunjukkan bahwa Algoritme Genetika dapat memberikan solusi optimasi kadar pupuk untuk kasus tanaman jahe dan tanaman cabai merah yaitu untuk tanaman
jahe dengan Urea sebesar 572,98 kg/ha, SP-36 sebesar 347,06 kg/ha, KCl sebesar 372,01 kg/ha dan untuk tanaman cabai merah dengan Urea sebesar 516,93 kg/ha, SP-36 sebesar 303,36 kg/ha, KCl sebesar 313,86 kg/ha. Total harga yang dibutuhkan adalah sebesar Rp 5.320.288,00. Harga ini lebih murah jika dibandingkan dengan total harga sesuai rekomendasi yang diberikan pakar yaitu sebesar Rp 5.332.612,00, dengan selisih sebesar Rp 12.324,00. Berdasarkan hasil pengujian tersebut, maka rekomendasi kadar sistem dapat memenuhi kebutuhan hara tanaman dan menghemat biaya sebesar 0,23% per hektar tanah untuk penanaman 2 jenis tanaman dan penggunaan 3 jenis pupuk.
7. DAFTAR PUSTAKA
ALVIANA, V., F., SUSILA, A., D., 2009.
Optimasi Dosis Pemupukan pada
Budidaya Cabai (Capsicum annum L.) Menggunakan Irigasi Tetes dan Musa Polyethylene. J. Agron. Indonesia.
GEN, M. & CHENG, R. 2000. Genetic
Algorithms and Engineering
Optimization. John Wiley & Sons, Inc., New York.
FADILAH, A., N., CHOLISSODIN, I.,
MAHMUDY, W., F., 2015.
Implementasi Metode Analytical
Hierarchy Process (AHP) dan Algoritme Genetika untuk Rekomendasi dan
Optimasi Pemupukan Berimbang
Tanaman Hortikultura. DORO:
Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 5, no. 14. GOLDBERG, D., E., 1989. Genetic Algorithms
in Search, Optimization and Machine
Learning. Massachusetts:
Addison-Wesley Publishing Company.
MAHMUDY, W., F., 2013. Algoritme Evolusi. Malang: Program Teknologi Informasi dan Ilmu Komputer (PTIIK) Universitas Brawijaya.
PRIBADI, E., R., 2013. Status dan Prospek Peningkatan Produksi dan Ekspor Jahe Indonesia. Bogor: Balai Penelitian Tanaman Rempah dan Obat.
Obat dan Aromatik.
RIADI, S., P., 2011. Rempah-Rempah yang Berpotensi di Indonesia. Tersedia di: < https://www.academia.edu/11775811/R EMPAH_REMPAH_YANG_BERPOT ENSI_DI_INDONESIA_MAKALAH_ TPPHP_> [Diakses 1 Oktober 2015] RUHNAYAT, A., 2007. Penentuan kebutuhan
pokok unsur hara N, P, K untuk pertumbuhan tanaman panili. Balai Penelitian Tanaman Obat dan Aromatik.
RUHNAYAT, A., HARTATI, S., Y.,
LUKMAN, W., MARDIANA, 2010.
Pemupukan Berimbang untuk
Meningkatkan Produksi (30 Ton/Ha) dan Ketahanan Tanaman Jahe Terhadap Ralstonia Solanacearum (>30%). Balai Penelitian Tanaman Obat dan Aromatik. SOEMARNO, 2013. Pupuk dan Pemupukan Ramah Lingkungan. Malang: Fakultas
Pertanian Universitas Brawijaya.
Tersedia di: <http://goo.gl/aOB7Ux> [Diakses 1 Oktober 2015]
SULKANI, 2015. Mengembalikan kejayaan
rempah Indonesia. Tersedia di:
<http://ditjenbun.pertanian.go.id/tanreg
ar/berita-279-mengembalikan-kejayaan-rempah-indonesia.html> [Diakses 1 Oktober 2015]
