Fakultas Ilmu Komputer
Rancang Bangun Pot Cerdas Dengan Mengatur Suhu Ruangan, Kelembapan Tanah, dan Intensitas Cahaya Berbasis Arduino dengan
Metode Jaringan Saraf Tiruan Backpropagation
Indera Ulung Mahendra1, Hurriyatul Fitriyah2, Mochammad Hannats Hanafi Ichsan3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Indonesia adalah salah satu negara yang mayoritas penduduknya berprofesi sebagai petani. Seiring berjalannya waktu, lahan pertanian semakin berkurang. Hal ini mendorong orang-orang untuk melakukan kegiatan bercocok tanam didalam rumah yang sering disebut dengan urban farming. Salah satu komoditas yang sering ditanam adalah cabai. Proses pertumbuhan dari tanaman cabai sendiri memiliki beberapa faktor yang harus diperhatikan agar dapat tumbuh secara maksimal. Untuk mendukung kegiatan urban farming tersebut, maka dibuatlah sebuah kerangka pot cerdas yang dapat mengatur suhu di dalam kerangka, kelembapan tanah pada media tanam, dan juga intensitas cahaya di dalam kerangka pot cerdas. Seluruh fungsi tersebut didukung dengan menggunakan metode klasifikasi jaringan saraf tiruan backpropagation feed-forward. Sensor DHT11 digunakan untuk melakukan pembacaan suhu dengan tingkat rata-rata error pembacaannya sebesar 2,57% dibanding dengan thermometer digital. Sensor YL69 digunakan untuk melakukan pembacaan kelembapan tanah hasil pembacaan sensor kelembapan tanah memiliki akurasi yang cukup baik dibanding dengan pembacaan dari hygrometer. Sensor LDR digunagakn untuk melakukan pembacaan intensitas cahaya dengan tingkat rata-rata error sebesar 17,62% dibanding dengan luxmeter digital. Nilai pembacaan dari masing-masing sensor kemudian masuk ke dalam program klasifikasi, dimana program ini membutuhkan waktu selama 548 milidetik untuk melakukan klasifikasi setelah dilakukan 20 kali pengujian.
Kata kunci: urban farming , jaringan saraf tiruan, Backpropagation, sensor suhu, sensor LDR, sensor kelembaban tanah.
Abstract
Indonesia is one of the countries where the majority of the population work as farmers. Over time, agricultural land decreases. This encourages people to do farming activities in the home which is often called urban farming. One commodity that is often grown is chili. The growth process of the chili plant itself has several factors that must be considered in order to grow optimally. To support the urban farming activities, an intelligent pot frame was created that could regulate the temperature within the framework, soil moisture in the planting media, and also the intensity of the light in the smart pot frame. All of these functions are supported by using a backpropagation feed-forward neural network classification method. The DHT11 sensor is used to conduct temperature readings with an average reading error rate of 2.57% compared to digital thermometers. YL69 sensor is used to read the soil moisture results from the reading of the soil moisture sensor has a pretty good accuracy compared to the reading from the hygrometer. The LDR sensor is used to read the light intensity with an average error rate of 17.62% compared to digital luxmeter. The reading value of each sensor is then entered into the classification program, where the program takes 548 milliseconds to classify after 20 tests.
Keywords: urban farming , neural network, Backpropagation, temperature sensor, LDR sensor, soil humidity sensor.
1. PENDAHULUAN
Mayoritas penduduk di negara Indonesia berprofesi sebagai petani. Hal ini menjadikan Indonesia dikenal sebagai negara agraris. Tetapi berkurangnya lahan dan semakin pesat kemajuan teknologi mendorong orang-orang untuk melakukan kegiatan bercocok tanam di dalam rumah. Bercocok tanam di dalam rumah atau ruangan ini biasa disebut dengan urban farming. Dimana urban farming adalah sebuah konsep yang dicetuskan untuk menjaga pola hidup sehat dengan tetap mengkonsumsi sayuran dan buah-buahan yang berkualitas dengan memanfaatkan lahan di dalam rumah (Atika Krisnawati, 2016).
Urban farming memliki beberapa jenis yaitu vertikultur, rumah kaca, hidroponik, dan kitchen garden. Kitchen garden adalah konsep bercocok tanam di area dapur. Tanaman yang biasanya ditanam dengan konsep kitchen garden adalah tanaman berjenis sayuran.
Tumbuhnya sebuah tanaman juga dipengaruhi oleh beberapa faktor lainnya seperti suhu ruangan, kelembapan tanah, dan juga kondisi pencahayaan yang diterima oleh tanaman (Kanisius, 1992).
Kitchen garden merupakan konsep bercocok tanam perlu beberapa perhatian khusus. Disebut demikian karena kegiatan bercocok tanam ini dilakukan di area dapur. Oleh karena itu faktor yang berpengaruh pada konsep bercocok tanam kitchen garden ini adalah kondisi iklim di dalam ruangan yang meliputi suhu ruangan, kelembapan, dan juga intensitas cahaya yang diterima oleh tanaman. Salah satu tanaman yang sering ditanam dengan konsep kitchen garden ini adalah cabai. Cabai, adalah salah satu komoditas yang sering ditanam dan digunakan sebagai bumbu penyedap masakan di indonesia. Proses pertumbuhan tanaman cabai memerlukan beberapa faktor yang harus diperhatikan pada masa perawatannya.
Beberapa faktor yang perlu di perhatikan adalah kondisi kelembapan media tanamnya dimana hal ini dapat mempengaruhi jumlah zat hara yang ada di pada media tanam. Lalu suhu dari lingkungan sekitar lahan atau pot yang digunakan sebagai tempat penanaman harus di jaga pada kisaran 24-31 derajat celcius. selain itu tanaman cabai membutuhkan penyinaran selama 10 sampai dengan 12 jam dalam sehari
agar dapat tumbuh secara maksimal (Suryana, 2013).
Metode yang digunakan untuk melakukan klasifikasi data pada sistem ini adalah metode jaringan saraf tiruan. Metode ini biasa digunakan untuk membantu program dalam mengambil keputusan berdasarkan beberapa data yang telah diketahui sebelumnya. Salah satu jenis klasifikasi yang sering digunakan adalah jaringan saraf tiruan backpropagation feed-forward. backpropagation adalah jenis arsitektur jaringan saraf tiruan yang memerlukan pelatihan data dengan cara supervised learning. Artinya backpropagation harus dilatih terlebih dahulu menggunakan data latih yang telah diketahui hasilnya. Tingkat akurasi arsitektur ini akan lebih baik apabila menggunakan data latih dalam jumlah yang banyak dan variatif (Siang, 2009).
Berdasarkan dari latar belakang yang telah dijelaskan. Perlu sebuah sistem yang dapat membantu tanaman cabai agar tumbuh secara maksimal meskipun dengan menggunakan konsep bercocok tanam kitchen garden. Sistem ini bekerja dengan cara mengatur suhu di dalam kerangka pot dengan menggunakan kipas. Lalu terdapat pompa yang digunakan sebagai alat penyiram otomatis berdasarkan kelembapan pada media tanam. Selain itu, terdapat lampu yang akan membantu penyinaran pada tanaman berdasarkan dari intensitas cahaya yang ada di luar kerangka pot. Seluruh sistem tersebut menggunakan metode jaringan saraf tiruan backpropagation feed-forward sebagai metode klasifikasi data dari masing-masing sensor yang digunakan untuk mengambil keputusan yang perlu dilakukan oleh sistem.
Penelitian ini diharapkan dapat membantu masyarakat dalam bercocok tanam utamanya masyarakat yang bercocok tanam dengan konsep kitchen garden.
2. PERANCANGAN & IMPLEMENTASI
2.1 Gambaran Umum Sistem
Gambar 1 diagram blok sistem
Gambar 1 adalah gambaran dari bagaimana sistem ini bekerja. Lebih jelasnya, sistem akan bekerja dengan menggunakan 3 sensor yaitu sensor DHT11 sebagai pembaca suhu, sensor YL69 sebagai pembaca kelembapan tanah, dan sensor LDR sebagai pembaca intensitas cahaya.
Hasil pembacaan data oleh masing-masing sensor tersebut akan masuk ke mikrokontroler Arduino yang selanjutnya akan dilakukan klasifikasi menggunakan metode jaringan saraf tiruan. hasil dari klasifikasi data tersebut selanjutnya akan digunakan sebagai acuan untuk menyalakan aktuator yang berupa, kipas, pompa air, dan juga lampu high power LED.
2.2 Perancangan Perangkat keras
Rangkaian yang digunakan dalam pembuatan sistem ini dapat dilihat pada gambar 2. Berdasarkan gambar tersebut terdapat 7 komponen yang masing-masing tersambung dengan mikrokontroler arduino UNO. Beberapa komponen yang digunakan adalah sensor suhu, kelembapan tanah, dan sensor LDR. Lalu terdapat lampu, pompa, dan kipas yang berfungsi sebagai aktuator.
Gambar 2 rangkaian sistem
Gambar 3 dibawah ini. merupakan gambaran secara utuh dari sistem ini. komponen- komponen yang telah dijelaskan sebelumnya terpasang pada kerangka yang memiliki Panjang masing-masing sisinya adalah 30 cm
dengan lebar masing-masing sisinya 60 cm.
Kerangka tersebut dibuat menggunakan bahan akrilik transparan dengan tebal 1mm.
Gambar 3 gambar keseluruhan bentuk sistem
2.3 Perancangan perangkat lunak
Gambar 4 menjelaskan tentang alur dari program pada sistem ini. Proses awal dari program pada sistem ini adalah inisialisasi dari masing-masing pin sensor yang digunakan oleh sistem. Sensor-sensor yang telah aktif tersebut selanjutnya melakukan pembacaan data berdasarkan dari fungsi masing-masing sensor seperti sensor DHT11 akan melakukan pembacaan suhu ruangan, sensor YL69 akan melakukan pembacaan kelembapan tanah di dalam media tanam, dan sensor LDR akan melakukan pembacaan kondisi pencahayaan di dalam ruangan. Pembacaan sensor akan selalu berjalan hingga serial monitor menerima masukan ‘‘g”, dimana masukan tersebut akan menyimpan hasil pembacaan sensor ke dalam bentuk array yang selanjutnya akan dilakukan klasifikasi menggunakan metode jaringan saraf tiruan backpropagation feed-forward.
Gambar 4 diagram alir pengambilan data
Hasil pembacaan dari sensor yang berupa data dalam bentuk array akan digunakan sebagai data masukan untuk klasifikasi dengan menggunakan jaringan saraf tiruan backpropagation feed-forward. proses dari klasifikasi data tersebut dapat dilihat pada gambar 5. Berdasarkan gambar tersebut proses klasifikasi data dimulai dengan menentukan nilai learning rate dan epoch. Lalu menentukan nilai bobot dari masing-masing neuron yang akan digunakan untuk menghitung keluaran dari lapisan tersembunyi dan juga lapisan keluaran. Setelah hasil dari masing-masing lapisan diketahui lalu dilakukan propagasi maju untuk melakukan update nilai bobot dari masing-masing neuron.
Gambar 5 diagram alir pelatihan data
2.4 Implementasi Perangkat Keras dan Alat Gambaran dari seluruh sistem yang telah dijelaskan pada gambar 3 kemudian dilakukan perancangan dari sistem. Hasil dari implementasi gambar 3 tersebut dapat dilihat pada gambar 6. Berdasarkan gambar tersebut mikrokontroler telah tersambung dengan ketiga sensor dan juga komponen pendukung aktuatornya.
Gambar 6 gambar rangkaian
3. PENGUJIAN
Pengujian yang diujikan pada sistem ini adalah pengujian akurasi pembacaan masing- masing sensor dan juga pengujian kecepatan program untuk melakukan simulasi pelatihan data dan melakukan klasifikasi data..
3.1. Pengujian Sensor Suhu
Pengujian dilakukan untuk mengetahui akurasi hasil pembacaan sensor dengan cara melakukan perbandingan hasil pembacaan sensor dengan hasil pembacaan dari thermometer digital. berikut adalah prosedur pengujiannya :
1. Menghubungkan mikrokontroler dan sensor ke perangkat laptop untuk mengunggah program dari Arduino IDE.
2. Melakukan pengukuran suhu pada tempat dan cara yang sama antara sensor suhu dan thermometer.
3. Pengambilan data sensor suhu dan thermometer dilakukan secara bersamaan
Hasil dari pengujian tersebut dapat dilihat pada tabel 1 dibawah ini.
Tabel 1 Hasil Pengujian Sensor Suhu
DHT11 Thermometer Digital Error %
30 30 0
35 33 6,06
32 31 3,22
29 29 0
27 28 3,57
Rata-rata
2.57
Berdasarkan tabel 1 diatas nilai error pembacaan dari sensor suhu dan thermometer digital rata-rata sebesar 2,57%.
3.2. Pengujian Sensor Kelembaban tanah Pengujian dilakukan untuk mengetahui akurasi hasil pembacaan sensor dengan cara melakukan perbandingan hasil pembacaan sensor dengan hasil pembacaan dari hygrometer. Prosedur pengujiannya adalah sebagai berikut.
1. Menyambungkan mikrokontroler dan sensor kelembaban tanah pada perangkat laptop untuk mengunggah file program dari Arduino IDE.
2. Melakukan pengukuran dengan cara menancapkan probe dari sensor kelembaban tanah dan hygrometer pada media tanam ditempat yang sama.
3. Pengambilan data dari sensor kelembapan tanah dan hygrometer ini dilakukan secara bersamaan.
Setelah melakukan pengujian, maka
didapatkan hasil seperti pada tabel 2.
Berdasarkan dari hasil pengujian pada tabel tersebut dapat dikatakan bahwa tingkat akurasi pembacaan sensor kelembapan tanah cukup baik.
Tabel 2 Hasil Pengujian Sensor kelembaban tanah
YL-69 Hygrometer Sensor
Alat Ukur
565 388 317 658 643 537
3 4 2 6 6 8
Lembab Kering Kering Lembab Lembab Lembab
Kering Lembab
Kering Lembab Lembab Basah
3.3 Pengujian Sensor LDR
Pengujian dilakukan untuk mengetahui akurasi hasil pembacaan sensor dengan cara melakukan perbandingan hasil pembacaan sensor dengan hasil pembacaan luxmeter.
Prosedur pengujiannya adalah sebagai berikut : 1. Menghubungkan mikrokontroler dan
sensor ke perangkat laptop untuk mengunggah program dari Arduino IDE.
2. Melakukan pengukuran intensitas cahaya antara sensor dan luxmeter dengan cara yang sama dan tempat yang sama.
3. Pengukuran nilai dilakukan secara bersamaan
Berdasarkan dari pengujian tersebut maka di dapat hasil seperti pada tabel 3. Dari hasil tersebut maka dapat disimpulkan bahwa selisih pembacaan intensitas cahaya antara sensor dan alat cukup tinggi. Namun secara kinerja pembacaan dari sensor masih dalam tahap cukup baik.
Tabel 3 Hasil Pengujian Sensor LDR
LDR Luxmeter Error %
64 53 20,75
52 59 11,86
115 124 7,25
1 3 66.6
597 673 11,29
169 208 18.75
1621 1676 3,28
5603 5670 1,18
Rata-rata 17.62
3.4 Pengujian Jaringan Saraf Tiruan pada Matlab
Pengujian ini bertujuan untuk mengetahui berapa lama waktu yang diperlukan oleh program untuk melakukan pelatihan data berdasarkan data latih yang telah ditentukan..
Prosedur yang dilakukan untuk pengujian ini adalah.
1. Membuka perangkat lunak matlab pada laptop.
2. Membuka kode program dari jaringan saraf tiruan yang telah dibuat.
3. Pengujian dilakukan dengan mengubah kombinasi besaran learning rate dan jumlah epoch.
4. Menganalisa hasil dari keluaran program berdasarkan waktu yang diperlukan untuk melakukan pelatihan data.
Setelah dilakukan 9 pengujian dengan perbedaan learning rate dan epoch. Hasilnya dapat dilihat pada tabel 4. Berdasarkan tabel tersebut waktu yang diperlukan oleh program untuk melakukan pelatihan data adalah rata-rata 0,2 detik.
Tabel 4 Hasil Pengujian
Learning
rate epoch waktu
0,1 1000 0.3131809 0,1 10000 0.2479917 0,1 100000 0.2083824 0,01 1000 0.2019657 0,01 10000 0.4725556 0,01 100000 0.2105814 0,001 1000 0.2259415 0,001 10000 0.2339055 0,001 100000 0.2338448
3.5 Pengujian Jaringan Saraf Tiruan pada Arduino
Pengujian dilakukan untuk mengetahui waktu yang diperlukan oleh program untuk melakukan klasifikasi data berdasarkan dari masukan yang berbeda-beda. Prosedur yang dilakukan untuk pengujian ini adalah.
1. Menyambungkan mikrokontroler dan sensor kelembaban tanah pada perangkat laptop untuk mengunggah file program dari Arduino IDE.
2. Menjalankan program pada perangkat laptop
3. Pengujian dilakukan dengan cara melakukan pengukuran menggunakan sensor-sensor yang terpasang.
4. Menganalisis hasil keluaran program yang ditampilkan di serial monitor.
Setelah melakukan 20 kali pengujian dengan nilai masukan yang berbeda-beda. Hasilnya dapat dilihat pada tabel 5. Berdasarkan hasil pengujian pada tabel 5, Mikrokontroler membutuhkan waktu 548 milidetik untuk menjalankan program dan melakukan klasifikasi data.
Tabel 5 hasil pengujian
Pengujian waktu komputasi(ms)
Uji Program 1 546
Uji Program 2 548 Uji Program 3 548 Uji Program 4 548 Uji Program 5 547 Uji Program 6 549 Uji Program 7 547 Uji Program 8 549 Uji Program 9 549 Uji Program 10 549 Uji Program 11 549 Uji Program 12 549 Uji Program 13 548 Uji Program 14 549 Uji Program 15 547 Uji Program 16 548 Uji Program 17 549 Uji Program 18 548 Uji Program 19 549 Uji Program 20 549
rata-rata 548.25
4. KESIMPULAN
Berdasarkan beberapa pengujian yang telah dilakukan. maka dapat disimpulkan bahwa.
Tingkat akurasi pembacaan dari sensor suhu dapat dikatakan cukup baik. Hal ini dikarenakan perbedaan dari pembacaan suhu antara sensor dan thermometer digital tidak terpaut jauh.
Sensor kelembaban tanah juga terdapat beberapa perbedaan pembacaan nilai dengan hygrometer. namun dapat dikatakan masih
cukup baik karena selisih pembacaan antara sensor dan hygrometer tidak terlalu jauh.
Sensor LDR juga memiliki beberapa perbedaan pembacaan dengan luxmeter. Tetapi secara kinerja alat dapat dikatakan bahwa nilai pembacaan sensor LDR cukup baik karena selisih nilai pembacaan pada saat pengujian tidak terpaut jauh.
Pada pengujian kecepatan pelatihan data dari jaringan saraf tiruan pada Matlab. Dapat disimpulkan bahwa dengan menggunakan struktur jaringan saraf tiruan dengan model seperti pada sistem tersebut tidak terdapat perbedaan yang mencolok pada waktu yang dihasilkan pada saat melakukan pelatihan data.
Meskipun telah melakukan perubahan dari learning rate dan juga jumlah epoch pada kode program. Pengujian yang telah dilakukan dengan adalah sebanyak 9 kali.
Pada pengujian kecepatan pengolahan data menggunakan jaringan saraf tiruan pada arduino. Dapat disimpulkan bahwa kecepatan pengolahan data berdasarkan pembacaan nilai sensor sangat baik. Hal ini dikarenakan waktu dalam melakukan pengolahan data tersebut hanya selama 0,548 detik. Catatan waktu tersebut didapat dengan melakukan pengujian sebanyak 20 kali.
5. DAFTAR PUSTAKA
