OPTIMISASI NILAI KONDUKTIVITAS LISTRIK LARUTAN
NUTRISI PADA SISTEM HIDROPONIK TANAMAN TOMAT
CHUSNUL ARIF
SEKOLAH PASCA SARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2008
PERNYATAAN
Dengan ini saya menyatakan bahwa tesis Optimisasi Nilai Konduktivitas Listrik Larutan Nutrisi pada Sistem Hidroponik Tanaman Tomat adalah karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun 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 tesis ini.
Bogor, Januari 2008
Chusnul Arif F151040021
CHUSNUL ARIF. Optimization of EC values of Nutrient Solution on Hydroponics System for Tomato Fruits. Supervised by HERRY SUHARDIYANTO and BUDI INDRA SETIAWAN.
In order to produce tomato fruits with high quality, it is important to consider customer requirement. Total soluble solids (TSS) of tomato fruits is one of indicators to show the quality. The higher TSS, the better quality of tomato fruits. TSS consists of sucrose, fructose, and glucose, which are sugar component. The previous studies showed that increasing concentration of nutrient solution could improve tomato fruit quality by increasing the number of TSS. Unfortunely, this treatment is accompanied by yield loss through reduction in fruit weight and diameter. The concentration of nutrient solution commonly represented by Electrical Conductivity (EC) value.
However, it is important to determine the optimal EC value to gain tomato fruit with high TSS value and fruit weight. To optimize EC value, it is important to identify the relationship between differences EC value treatments with TSS value and fruit weight. It is difficult to explain the relationship in mathematical model due to the complexity of the physical and physiological processes involved. Artificial Neural Network (ANN) is suitable for identification this relationship. ANN has the ability to identify unknown dynamic plant system. Furthermore, Genetic Algorithms (GA) is powerful in the optimization process of EC value. GA is one combinatorial optimization technique. This technique dealing with a complex objective function, with a multi-point search procedure, by simulating the biological evolutionary process based on crossover and mutation in genetics.
The objectives of this research were; a) to identify the effect of different EC values and planting densities treatments on TSS value and fruit fresh weight, b) to determine the correlation between the different EC values and planting densities with TSS value and fruit fresh weight, c) to determine the optimal EC values on each plant growth.
The experiment was conducted in November 2006 to April 2007 in a hydroponics system inside a greenhouse located in Agricultural and Forestry Research Center, University of Tsukuba, Japan. Tomato plants (Lycopersicum esculentum, Mill.) cultivar ‘Money Maker’ were used in this research. Steps of reseach were; a) designing the treatments for tomato plants; b) cultivating tomato plants; c) identifying the correlation between the differences EC values and planting densities with TSS value and fruit weight by using ANN; d) optimizing the EC value by using GA.
Nutrient Film Technique (NFT) system was used in which the nutrient solution is circulated by pump. It is known that in the cultivation of tomato plants, the plants focused on development of root, stem and leaf in vegetative growth. Therefore, optimization of EC value of nutrient solution was conducted only in generative growth. The generative growth were divided into three stages; (1) flowering, (2) fruiting, (3) harvesting.
The result of EC treatments from 1,4–10,2 mS/cm showed that the higher EC value, the higher TSS value and the smaller weight and diameter tomato fruit. The average values of TSS value were 6,0% and 8,3% in the low and high EC value, respectively. While, the average values of fruit fresh weight and diameter were 68,1 g, 5,05 cm and 43,4 g, 4,22 cm in the low and high EC, respectively.
To identify TSS value and fruit fresh weight, three models of ANN with different number of node hidden layer and error analysis were developed. The result showed that the highest number of node-hidden layer (7 nodes), the smallest error between actual and predicted data. The identification process of TSS value, the number of Standard Error Prediction (SEP) were 0,08 and 0,12 in the training and validation process of ANN respectively. Even as in the identification process of fruit fresh weight, the number of Average Percentage Deviation (APD) were 4% and 3% for the training and validation process, respectively. Therefore, ANN model can be used to predict TSS value and fruit fresh weight.
The optimization process using GA resulted the optimal EC values are 1,4 mS/cm, 10,2 mS/cm and 9,7 mS/cm in the flowering stage, the fruiting stage and the harvesting stage, respectively. Under these condition, The NFT system will produce tomato fruits with TSS value of 7,9% and fruit fresh weight of 51,33 g. Keywords: optimization, hydroponics system, computer program, artificial
neural network, genetic algorithm
CHUSNUL ARIF. Optimisasi Nilai Kondukvitas Listrik Larutan Nutrisi pada Sistem Hidroponik Tanaman Tomat. Dibimbing oleh HERRY SUHARDIYANTO dan BUDI INDRA SETIAWAN.
Keinginan konsumen terhadap kualitas buah buah tomat perlu diperhatikan dalam proses produksinya. Buah tomat berkualitas tinggi salah satunya dicirikan dengan nilai Total Padatan Terlarut (TPT) yang tinggi. Total padatan terlarut (total soluble solids) dalam buah tomat terdiri dari sukrosa, fruktosa dan glukosa yang merupakan komponen dari gula.Beberapa penelitian terdahulu menunjukkan bahwa semakin tinggi konsentrasi larutan nutrisi akan menghasilkan buah tomat dengan total padatan terlarut semakin tinggi pula. Akan tetapi, perlakuan tersebut akan menurunkan berat dan diameter buah tomat yang berakibat penurunan total produksi (yield loss). Konsentrasi larutan nutrisi tersebut direpresentasikan dengan nilai Konduktivitas Listrik atau Daya Hantar Listrik (DHL).
Untuk itu, diperlukan penelitian dalam menentukan nilai DHL larutan nutrisi yang optimal dalam menghasilkan nilai TPT buah tomat yang tinggi sekaligus mempertahankan berat buah tomat. Untuk menentukan nilai DHL larutan nutrisi yang optimal ini, diperlukan pengetahuan tentang pemberian konsentrasi larutan nutrisi terhadap kualitas tomat yang dihasilkan. Hubungan ini merupakan hubungan yang sangat kompleks dan sangat sulit dimodelkan secara matematis. Disini, Jaringan Syaraf Tiruan (JST) digunakan untuk mengindentifikasi hubungan tersebut. JST mempunyai kemampuan untuk mengidentifikasi sistem tanaman dinamik kompleks yang tidak diketahui. Selanjutnya, penentuan nilai DHL larutan nutrisi yang optimal dilakukan dengan Algoritma Genetika (AG) yang bertujuan memaksimalkan nilai TPT dan berat buah tomat. AG merupakan metode pencarian solusi melalui algoritma berdasarkan mekanisme seleksi dan genetika secara natural. AG bekerja dengan prosedur pencarian multi-point dengan simulasi melalui proses evolusi biologi berdasarkan penyilangan dan mutasi dalam genetika.
Tujuan dari penelitian ini adalah; a) mengidentifikasi pengaruh perlakuan konsentrasi larutan nutrisi, jarak tanam dan cahaya buatan terhadap nilai TPT dan berat buah tomat, b) menentukan hubungan antara nilai DHL larutan nutrisi yang berbeda, jarak tanam dan cahaya buatan terhadap TPT dan berat buah tomat, c) menentukan nilai DHL larutan nutrisi yang optimal pada setiap fase pertumbuhan
Penelitian ini dilaksanakan pada bulan November 2006 – April 2007 di greenhouse Pusat Teknologi Pertanian dan Kehutanan, University of Tsukuba, Jepang. Tahapan penelitian yang dilaksanakan adalah perancangan perlakuan terhadap tanaman tomat, budidaya tanaman tomat, tabulasi hubungan antara perlakuan yang diberikan dengan nilai TPT dan berat buah tomat dengan JST dan optimisasi nilai DHL larutan nutrisi untuk menghasilkan nilai TPT dan berat buah tomat yang maksimal dengan AG.
Sistem hidroponik yang digunakan adalah Nutrient Film Technique (NFT) dimana larutan nutrisi dialirkan secara sirkulasi dengan menggunakan pompa. Tahap pertumbuhan tanaman dibagi menjadi dua, yaitu fase vegetatif dan fase reproduktif. Pada fase vegetatif, tanaman fokus dalam pembentukan batang, akar dan daun sehingga pada fase ini nilai DHL larutan nutrisi yang digunakan sama. Sedangkan pada fase generatif tanaman fokus pada pembentukan bunga dan buah, sehingga nilai DHL larutan nutrisi diberikan berbeda untuk mengetahui respon
buah tomat yang akan dihasilkan. Fase generatif ini dibagi menjadi tiga fase, yaitu: fase pembungaan, fase pembuahan dan fase pemanenan. Sehingga optimisasi nilai DHL larutan nutrisi akan dilakukan pada masing–masing fase tersebut.
Hasil perlakuan nilai DHL larutan nutrisi yang berbeda pada selang 1,4-10,2 mS/cm menunjukkan bahwa semakin tinggi nilai DHL larutan nutrisi akan menghasilkan buah tomat dengan nilai TPT yang semakin tinggi, tetapi akan menurunkan berat dan diameter buah. Pada nilai DHL larutan nutrisi tinggi dihasilkan nilai TPT rata–rata 8,3% dengan berat tomat 43,4 g dan diamater tomat sebesar 4,22 cm. Sedangkan pada nilai DHL larutan nutrisi yang rendah dihasilkan nilai TPT, berat dan diameter buah tomat rata–rata masing - masing sebesar 6,0%, 68,1 g dan 5,05 cm.
Untuk mengindentifikasi nilai TPT dan berat buah tomat, dikembangkan 3 model JST dengan jumlah noda hidden layer yang berbeda dan beberapa analisis nilai error. Hasilnya menunjukkan bahwa model dengan jumlah noda hidden layer terbanyak (7 noda) memberikan nilai error terkecil. Adapun analisis error dengan persamaan Standard Error of Prediction (SEP) memberikan nilai yang terkecil pada pendugaan nilai TPT buah tomat sebesar 0,08 dan 0,12 pada proses pembelajaran dan validasi. Sedangkan pada pendugaan berat buah tomat dihasilkan nilai Average Percentage Deviation (APD) terkecil baik pada proses pembelajaran dan validasi masing–masing sebesar 4% dan 3%. Dengan hasil tersebut menggambarkan bahwa model JST yang dikembangkan dapat digunakan untuk menduga nilai TPT dan berat buah tomat.
Hasil optimisasi menunjukkan bahwa nilai DHL larutan nutrisi pada fase pembungaan memiliki kecenderungan yang berbeda dari fase pembuahan dan pemanenan. Nilai DHL larutan nutrisi pada fase pembungaan cenderung semakin kecil, sedangkan pada fase pembuahan dan pemanenan semakin besar. Namur masing – masing nlai DHL laruan nutrisi tersebut telah konvergen pada suatu nilai tertentu. Nilai DHL larutan nutrisi yang optimum pada fase pembungaan sebesar 1,4 mS/cm, sedangkan pada fase pembuahan dan pemanenan masing–masing sebesar 10,2 mS/cm dan 9,7 mS/cm. Dengan nilai tersebut diprediksikan akan menghasilkan nilai total padatan terlarut rata-rata sebesar 7,9% dan berat rata–ata buah sebesar 51,33 g.
Kata kunci: optimisasi, larutan nutrisi, sistem hidroponik, komputer program, jaringan syaraf tiruan, algoritma genetika
© Hak cipta milik IPB, tahun 2008
Hak cipta dilindungi
Dilarang mengutip dan memperbanyak tanpa seizin tertulis dari Institut Pertanian Bogor, sebagian atau seluruhnya dalam Bentuk apa pun, baik cetak, fotokopi, mikrofilm, dan sebagainya
OPTIMISASI NILAI KONDUKTIVITAS LISTRIK LARUTAN
NUTRISI PADA SISTEM HIDROPONIK TANAMAN TOMAT
CHUSNUL ARIF
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada
Departemen Ilmu Keteknikan Pertanian
SEKOLAH PASCA SARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2008
Judul Tesis : Optimisasi Nilai Konduktivitas Listrik Larutan Nutrisi pada Sistem Hidroponik Tanaman Tomat
Nama : Chusnul Arif NIM : F151040021
Disetujui Komisi Pembimbing
Dr. Ir. H. Herry Suhardiyanto, MSc Ketua
Prof. Dr. Ir. Budi Indra Setiawan, M.Agr Anggota
Diketahui Ketua Program Studi
Ilmu Keteknikan Pertanian
Dekan Sekolah Pascasarjana
Prof. Dr. Ir. Armansyah H. Tambunan, M.Agr Prof. Dr. Ir. Khairil Anwar Notodiputro, MSc.
PRAKATA
Alhamdulillah, penulis panjatkan puji dan syukur ke hadirat Allah SWT yang telah memberikan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan penelitian dengan judul “Optimisasi Nilai Konduktivitas Listrik Larutan Nutrisi pada Sistem Hidroponik Tanaman Tomat”.
Penulis mengucapkan penghargaan dan rasa terima kasih kepada:
1. Dr. Ir. Herry Suhardiyanto, M.Sc sebagai ketua komisi pembimbing yang telah memberikan dukungan dan bimbingan dalam studi ini. Beliau juga yang memberikan kesempatan dan dukungan kepada penulis untuk melanjutkan studi S2 ini melalui beasiswa BPPS. Selain itu, beliau juga telah dan terus memberikan bimbingan dan motivasi untuk terus menekuni bidang ini. Bimbingan yang diberikan tidak hanya untuk masalah studi tetapi juga masalah lain dalam peningkatan softskill penulis.
2. Prof. Dr. Ir. Budi Indra Setiawan sebagai anggota komisi pembimbing yang telah memberikan dukungan dan bimbingan dalam studi ini. Selain itu, beliau juga terus memberikan motivasi dan ilmunya untuk terus berkarya di perguruan tinggi. Ketekunan dalam mengerjakan sesuatu menjadi teladan tersendiri bagi penulis.
3. Yudi Chadirin, S.TP, M.Agr selaku dosen penguji luar yang telah memberikan masukan yang berarti dalam tesis ini.
4. Istri dan anak tercinta, serta keempat orang tua dan kerabat-kerabat penulis atas doa dan dukungan dalam studi ini.
5. Rekan-rekan di wisma wageningen, Sdr Ahmad Mulyatullah, Sdri Hilda Agustina, Bapak Gardjito, Sdr Rudiyanto, Sdr Berti, dan teman-teman seperjuangan lainnya.
6. Pihak-pihak lain yang tidak bisa disebutkan satu persatu atas bantuannya dalam menyelesaikan studi ini.
Akhir kata semoga karya ini memberikan manfaat dan mendapatkan ridho Allah SWT.
Bogor, Januari 2008 Chusnul Arif
RIWAYAT HIDUP
Penulis dilahirkan di Bojonegoro pada tanggal 6 Desember 1980 sebagai anak terakhir dari pasangan H. Masjhudi dan Hj. Siti Zaenab. Pendidikan S1 ditempuh di Departemen Teknik Pertanian Fakultas Teknologi Pertanian IPB, lulus pada tahun 2003. Pada tahun 2004, penulis diterima di Program Studi Ilmu Keteknikan Pertanian pada program Pascasarjana IPB untuk program S2 dan lulus pada tahun 2007. Selama menempuh studi S2 ini, penulis mendapatkan beasiswa BPPS dari DIKTI selama 2 tahun dan mengikuti program exchange research student selama 1 tahun di University of Tsukuba, Jepang melalui beasiswa JASSO.
Penulis diterima kerja sebagai dosen tetap di Departemen Teknik Pertanian IPB pada tahun 2004 sewaktu mengikuti studi S2 ini. Bidang minat yang ditekuni adalah teknologi greenhouse dan hidroponik. Penulis juga menjadi anggota pada organisasi profesi ilmiah PERTETA (Perhimpunan Teknik Pertanian Indonesia).
Beberapa makalah yang pernah ditulis dan telah dipubilkasikan baik di jurnal nasional maupun proceeding :
a. Chusnul Arif, Budi I Setiawan, Radite P.A Setiawan, “ Error analysis in the Measurement of Evapotranspiration, in Agricultural Engineering Journal, Indonesian Society of Agricultural Engineering, Indonesia, Vol 19. No 3 : December, 2005.
b. Chusnul Arif, Herry Suhardiyanto, Suroso, “Penerapan Jaringan Syaraf Tiruan dan Algoritma Genetika Untuk Optimisasi Pemberian Air dan Unsur Hara Pada Pertumbuhan Tanaman dalam Rumah Kaca”, The 7th Seminar on Intelligent Technology and Its Applications, May 2nd, 2006, Surabaya, Indonesia : II-I-15 – 20.
DAFTAR ISI
Halaman
DAFTAR ISI ... xi
DAFTAR GAMBAR ... xii
DAFTAR TABEL ... xiii
DAFTAR LAMPIRAN ... xiv
I. PENDAHULUAN ... 1
Latar Belakang ... 1
Tujuan ... 2
Manfaat Penelitian ... 3
II. TINJAUAN PUSTAKA ... 4
Sistem Hidroponik ... 4
Tanaman Tomat ... 6
Teknik Identifikasi dengan Jaringan Syaraf Tiruan (JST) ... 7
Teknik Optimisasi dengan Algoritma Genetika (AG) ... 10
III.METODOLOGI ... 13
Tempat dan Waktu Penelitian ... 13
Alat dan Bahan ... 13
Tahapan Penelitian ... 14
IV.HASIL DAN PEMBAHASAN ... 24
Pengaruh Nilai DHL Larutan Nutrisi terhadap Buah Tomat ... 24
Pengaruh Jarak Tanam terhadap buah Tomat yang dihasilkan ... 26
Identifikasi nilai Total Padatan Terlarut buah Tomat ... 27
Identifikasi berat buah Tomat ... 32
Optimisasi Nilai DHL Larutan Nutrisi ... 35
V. KESIMPULAN DAN SARAN ... 41
Kesimpulan ... 41
Saran ... 41
DAFTAR PUSTAKA ... 42
DAFTAR GAMBAR
Halaman
1. Skema sistem NFT untuk budidaya tanaman ... 5
2. Struktur JST Backpropagation. ... 7
3. Greenhouse tempat penelitian ... 13
4. Layout sistem NFT yang digunakan ... 14
5. Model JST yang dikembangkan ... 18
6. Prosedur optimisasi menggunakan Algoritma Genetika ... 21
7. Tahapan penelitian ... 23
8. Pengaruh nilai DHL larutan nutrisi terhadap nilai TPT buah tomat. ... 24
9. Pengaruh nilai DHL larutan nutrisi terhadap berat dan diameter buah tomat yang dihasilkan ... 25
10.Nilai error masing–masing model pada setiap pengulangan; A: model 1; B: model 2; C: model 3 ... 29
11.Hasil validasi masing–masing model dengan berbagai fungsi error; A: model 1; B: model 2; C: model 3 ... 31
12.Hasil validasi masing–masing model dengan berbagai fungsi error A: model 1; B: model 2; C: model 3 ... 33
13.Ilustrasi proses penyilangan pada Algoritma Genetika ... 37
14.Fitness hasil optimisasi dengan peluang crossover (Pc) : 0,6 dan Pm:0,05 ... 38
15.Nilai DHL larutan nutrisi pada masing–masing fase reproduktif ... 39
16.Nilai total padatan terlarut rata–rata buah tomat hasil prediksi dengan nilai DHL larutan nutrisi hasil optimisasi... 39
17.Nilai berat rata – rata buah tomat hasil prediksi dengan nilai DHL larutan nutrisi hasil optimisasi ... 40
DAFTAR TABEL
Halaman
1. Nilai TPT, berat dan diameter rata-rata buah tomat ... 26
2. Nilai error proses pembelajaran JST pada pengulangan ke-1000 ... 30
3. Nilai error proses pembelajaran JST pada pengulangan ke-1000 ... 32
DAFTAR LAMPIRAN
Halaman
1. Data hasil pengukuran untuk proses identifikasi ... 44
2. Data proses pembelajaran model JST ... 48
3. Data validasi model JST ... 50
4. Tampilan program identifikasi model JST dengan bahasa Delphi 6.0 ... 51
5. Tampilan program optimisasi AG dengan bahasa Dephi 6.0 ... 52
6. Nilai pembobot hasil proses identifikasi ... 53
7. Data hasil proses pembelajaran model JST ... 54
I. PENDAHULUAN
1.1Latar Belakang
Tanaman tomat (Lycopersicum esculentum Mill) merupakan tanaman yang memiliki nilai ekonomis tinggi. Untuk memproduksi tanaman tomat dengan kualitas yang tinggi, diperlukan sistem budidaya yang tepat. Budidaya dengan sistem hidroponik merupakan cara yang tepat untuk memproduksi tomat dengan kualitas tinggi. Selain itu, perlu dipertimbangkan keinginan konsumen akan kualitas buah tomat. Kadar gula merupakan salah satu faktor terpenting dalam menentukan kualitas buah tomat dan kepuasan konsumen (Malundo et.al., 1995). Buah tomat kualitas tinggi salah satunya dicirikan dengan nilai total padatan terlarut yang tinggi (Saito et.al., 2006). Total padatan terlarut (total soluble solids) dalam buah tomat terdiri dari sukrosa, fruktosa dan glukosa yang merupakan komponen dari gula.
Beberapa penelitian telah dikembangkan untuk memproduksi buah tomat dengan total padatan terlarut tinggi (Ehret dan Ho, 1986; Adams dan Ho, 1989; Adams, 1991; Auerswald et.al., 1999; Cuartero dan Munoz, 1999; Saito et.al., 2006). Hasil penelitian tersebut menunjukkan bahwa semakin tinggi konsentrasi larutan nutrisi akan menghasilkan buah tomat dengan total padatan terlarut semakin tinggi pula. Akan tetapi, perlakuan tersebut akan menurunkan berat dan diameter buah tomat yang berakibat penurunan total produksi (yield loss) (Li et.al., (2001). Konsentrasi larutan nutrisi tersebut direpresentasikan dengan nilai Konduktivitas Listrik atau Daya Hantar Listrik (DHL).
Selain itu, nilai DHL larutan nutrisi yang terlalu tinggi akan mengakibatkan tanaman tumbuh lambat dan biaya produksi yang tinggi dalam proses budidaya. Sebaliknya, konsentrasi larutan nutrisi yang terlalu rendah akan menyebabkan produktivitas tanaman menurun. (Whipker dan Cavins, 2000). Untuk itu, diperlukan penelitian dalam menentukan nilai DHL larutan nutrisi yang optimal dalam menghasilkan total padatan terlarut buah tomat yang tinggi sekaligus mempertahankan berat buah tomat.
Dalam pemilihan metode optimisasi, perlu dipertimbangkan fungsi tujuan yang dikembangkan. Untuk fungsi tujuan linear yang sederhana maka cukup
dengan metode linear programming, sedangkan untuk fungsi tujuan yang kompleks dan non-linear dapat digunakan metode analitik maupun numerik.
Adapun untuk kasus optimisasi ini, perlu dikembangkan pengetahuan tentang pemberian konsentrasi larutan nutrisi terhadap kualitas tomat yang dihasilkan. Hubungan ini merupakan hubungan yang sangat kompleks dan sangat sulit dimodelkan secara matematis baik linear maupun non-liniear. Kecerdasan Buatan merupakan teknologi yang tepat dalam aplikasi sistem yang kompleks, termasuk hubungan antara lingkungan-tanaman dalam sistem pertanian (Hashimoto, 1997). Metode ini telah digunakan untuk optimisasi dalam produksi tanaman tomat secara hidroponik (Morimoto dan Hashimoto, 2000). Konsep metode ini adalah menjadikan faktor lingkungan sebagai input dan respon tanaman sebagai output dari sistem. Konsep ini lebih dikenal dengan Speaking Plant Approach (SPA).
Kecerdasan buatan yang dimaksud adalah Jaringan Syaraf Tiruan (JST) dan Algoritma Genetika (AG). JST merupakan metode untuk proses identifikasi secara black-box berdasarkan data pengukuran. Dengan JST ini tidak diperlukan pengembangan fungsi matematik. JST ini mempunyai kemampuan untuk mengidentifikasi sistem tanaman dinamik kompleks yang tidak diketahui (unknown a complex dynamic system) (Purwar, et.al., 2007). Selain itu, JST mampu untuk mempelajari data pengukuran dan kemudian mengeneralisir (Nugroho, 2003).
Algoritma Genetika (AG) merupakan metode optimisasi yang tepat digabungkan dengan metode JST untuk indentifikasi. JST ini bekerja dengan cara pencarian solusi pada selang tertentu melalui algoritma berdasarkan mekanisme seleksi dan genetika secara natural (Goldberg, 1989). AG dalam menyelesaikan fungsi objektif yang kompleks dengan prosedur pencarian multi-point dengan simulasi proses evolusi biologi berdasarkan penyilangan dan mutasi dalam genetika.
1.2Tujuan Penelitian
Tujuan umum dari penelitian ini adalah melakukan optimisasi untuk menentukan nilai DHL larutan nutrisi pada sistem hidroponik tanaman tomat. Adapun tujuan khususnya adalah:
1. Mengidentifikasi pengaruh perlakuan konsentrasi larutan nutrisi, jarak tanam dan cahaya buatan terhadap total padatan terlarut buah tomat dan berat buah tomat.
2. Menentukan hubungan antara nilai DHL larutan nutrisi yang berbeda, jarak tanam dan cahaya buatan terhadap total padatan terlarut buah tomat dan berat buah tomat.
3. Menentukan nilai DHL larutan nutrisi yang optimal pada setiap fase pertumbuhan.
1.3Manfaat Penelitian
Manfaat dari penelitian ini antara lain:
1. Diperoleh cara yang tepat dalam menentukan nilai DHL larutan nutrisi dalam sistem hidroponik untuk maksimisasi total padatan terlarut dan berat buah tomat.
2. Diperoleh metode baru dalam meningkatkan kualitas buah tomat melalui sistem hidroponik.
3. Sebagai langkah awal dalam pengembangan sistem kontrol otomatis nilai DHL larutan nutrisi pada sistem hidroponik.
II. TINJAUAN PUSTAKA
2.1 Sistem Hidroponik
Hidroponik dalam pengertian paling sederhana adalah penumbuhan tanaman tanpa menggunakan tanah sebagai media tanamnya. Hidroponik mulai dilirik dan berkembang sejak tahun 1925 setelah didapati bahwa sistem ini mempunyai potensi untuk digunakan oleh industri tanaman karena dapat mengatasi masalah keterbatasan lahan, kesuburan tanah serta serangan hama dan penyakit. Sistem ini dikembangkan lebih lanjut oleh Dr. W.F Gericke pada tahun 1936 yang berhasil menumbuhkan tanaman tomat dalam kolam berisi air dan nutrient di laboratoriumnya (Prihmantoro dan Yovita, 2000).
Beberapa kelebihan sistem hidroponik dibanding dengan media tanah adalah kebersihan lebih mudah terjaga, tidak memerlukan pengelolaan tanah, penggunaan pupuk dan air lebih efisien, tidak tergantung musim, tingkat produktivitas dan kualitas cukup tinggi dan seragam, tanaman dapat dikontrol dengan baik, dapat diusahakan di tempat yang tidak terlalu luas ataupun dipergunakan sebagai bisnis dengan luasan yang cukup, dapat mengurangi jumlah tenaga kerja, kenyamanan kerja dapat ditingkatkan secara ergonomis, dan diferensiasi produk dapat dilakukan (Suhardiyanto, 2002).
Pada prinsipnya sistem hidroponik dibagi menjadi dua kelompok yaitu sistem yang menggunakan media substrat dan sistem yang menggunakan media air. Jenis hidroponik yang menggunakan media substrat dicirikan dengan media tanamnya yang berupa bahan padat berpori maupun tidak berpori dengan wadah yang tidak gampang lapuk terkena air seperti ember, pot, polybag, dan lain – lain. Media yang digunakan dapat berupa pasir, kerikil, perlit, zeolit, sabut kelapa, spon, batu apung dan sebagainya (Prihmantoro dan Yovita, 2000).
Nutrient Film Technique (NFT) merupakan salah satu tipe spesial dalam hidroponik yang dikembangkan pertama kali oleh Dr. A.J Cooper di Glasshouse Crops Research Institute, Littlehampton, Inggris pada akhir tahun 1960-an dan berkembang pada awal 1970-an secara komersial. Konsep dasar NFT ini adalah budidaya tanaman dengan akar tanaman tumbuh pada lapisan nutrisi yang dangkal dan tersirkulasi sehingga tanaman dapat memperoleh
cukup air, nutrisi dan oksigen. Tanaman tumbuh dalam lapisan polyethylene dengan akar tanaman terendam dalam air yang berisi larutan nutrisi yang disirkulasikan secara terus menerus dengan pompa. Daerah perakaran dalam larutan nutrisi dapat berkembang dan tumbuh dalam larutan nutrisi yang dangkal sehingga bagian atas akar tanaman berada di permukaan antara larutan nutrisi dan styrofoam. Dengan adanya bagian akar dalam udara ini memungkinkan oksigen masih bisa terpenuhi dan tercukupi untuk pertumbuhan secara normal.
Beberapa keuntungan pemakaian NFT antara lain: dapat memudahkan pengendalian daerah perakaran tanaman, kebutuhan air dapat terpenuhi dengan baik dan mudah, keseragaman nutrisi dan tingkat konsentrasi larutan nutrisi yang dibutuhkan oleh tanaman dapat disesuaikan dengan umur dan jenis tanaman, tanaman dapat diusahakan beberapa kali dengan periode tanam yang pendek, sangat baik untuk pelaksanaan penelitian dan eksperimen dengan variabel yang dapat terkontrol dan memungkinkan untuk meningkatkan produktivitas tanaman dengan high planting density. Namun NFT mempunyai beberapa kelemahan seperti investasi dan biaya perawatan yang mahal, sangat tergantung terhadap energi listrik dan penyakit yang menjangkiti tanaman akan dengan cepat menular ke tanaman lain (Graves, 1983).
Gambar 1 Skema sistem NFT untuk budidaya tanaman.
Jarak tanam 10 dan 25 cm Cahaya buatan
Pompa
Dalam sistem NFT ini, penentuan nilai DHL larutan nutrisi merupakan faktor terpenting dalam menentukan keberhasilan budidaya. Beberapa penelitian telah menunjukkan bahwa pemberian nilai DHL larutan nutrisi yang tinggi dapat meningkatkan kualitas hasil produksi khususnya buah tomat, tetapi perlakuan ini juga dapat mengakibatkan yield loss (Saito et.al., 2006). Sehingga optimisasi nilai DHL larutan nutrisi sangat diperlukan dalam sistem hidroponik.
2.2Tanaman Tomat
Tomat (Solanum lycopersicum syn. Lycopersicum esculentum) adalah tumbuhan dari keluarga Solanaceae, tumbuhan asli Amerika Tengah dan Selatan, dari Meksiko sampai Peru. Tomat merupakan tumbuhan siklus hidup singkat, dapat tumbuh setinggi 1 sampai 3 meter. Tomat merupakan keluarga dekat dari kentang (Wikipedia Indonesia, 2007).
Buah tomat saat ini merupakan salah satu komoditas hortikultura yang bernilai ekonomi tinggi dan masih memerlukan penanganan serius, terutama dalam hal peningkatan hasilnya dan kualitas buahnya. Apabila dilihat dari rata-rata produksinya, ternyata tomat di Indonesia masih rendah, yaitu 6,3 ton/ha jika dibandingkan dengan negara-negara Taiwan, Saudi Arabia dan India yang berturut-turut 21 ton/ha, 13,4 ton/ha dan 9,5 ton/ha (Kartapradja dan Djuariah, 1992). Rendahnya produksi tomat di Indonesia kemungkinan disebabkan varietas yang ditanam tidak cocok, kultur teknis yang kurang baik atau pemberantasan hama dan penyakit yang kurang efisien.
Syarat tumbuh tanaman tomat antara lain: dapat tumbuh didataran rendah dan tinggi, waktu tanam yang baik 2 bulan sebelum musim hujan berakhir (awal musim kemarau), tanah gembur, kaya humus dan subur, drainase baik dan tidak menggenang, PH sekitar 5-6, curah hujan optimal 100-220 mm/hujan, suhu udara optimum 10o-20o C (malam hari), 20o-30o C (siang hari) (anonim, 2002).
2.3Teknik Identifikasi dengan Jaringan Syaraf Tiruan (JST)
Jaringan Syaraf Tiruan (JST) merupakan penjabaran fungsi otak manusia (biologycal neuron) dalam bentuk fungsi matematika yang akan menjalankan proses perhitungan secara paralel (Lippman, 1998). Menurut Kusumadewi (2003), JST merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut.
JST pada dasarnya tersusun dari beberapa lapisan noda, yaitu input layer (lapisan masukan), hidden layer (lapisan tersembunyi) dan output layer (lapisan keluaran). Noda atau unit yang terhubung dari input layer ke hidden layer atau dari layer satu ke layer yang lain dihubungkan dengan sinapsis yang direpresentasikan dengan nilai pembobot yang diperoleh pada proses pembelajaran.
Salah satu metode pembelajaran JST adalah backpropagation. Algoritma backpropagation menggunakan error output untuk mengubah nilai pembobotnya dalam arah mundur (backward). Untuk mendapatkan error output, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu (Kusumadewi, 2003).
Gambar 2 Struktur JST Backpropagation.
Algoritma pelatihan backpropagation menurut Fu (1994) adalah sebagai berikut:
Xi
Xn
Vij Zij Yk Wjk
1. Inisialisasi pembobot (weight)
Mula-mula pembobot dipilih secara acak, kemudian setiap sinyal input diberikan ke dalam noda pada input layer, lalu sistem akan mengirim sinyal ke noda pada hidden layer.
2. Perhitungan nilai aktivasi
Setiap noda pada hidden layer dihitung nilai net input-nya dengan cara menjumlahkan seluruh hasil perkalian antara noda input (Xi) dengan pembobotnya (Vij), sebagaimana dalam persamaan berikut:
∑
= = n i XiVij Zij 1 (1) Jika setiap noda pada lapisan ini telah menerima nilai net input, langkahselanjutnya adalah memasukkan nilai net input pada setiap noda ke dalam fungsi aktivasi (fungsi sigmoid) berikut:
) ( exp 1 1 ) (Zij Zij f −σ + = (2)
dengan σ : konstanta fungsi sigmoid.
Zj = f(Zij) (3) ∑ + = − ( ) exp 1 1 ZjWjk k Y σ (4)
3. Perbaikan nilai pembobot
Nilai output dari setiap noda pada output layer hasil perhitungan pada jaringan dibandingkan dengan nilai target yang diberikan dengan persamaan jumlah kuadrat galat, seperti dalam persamaan:
∑
− = in k k k Y T E ( )2 2 1 (5) dengan Tk = nilai target yang diberikan dalam pembelajaran JSTYk = output dari hasil perhitungan pada jaringan
Pada setiap lapisan dilakukan perubahan pembobot dengan menggunakan aturan delta rule. Perubahan pembobot dari hidden layer ke output layer sesuai dengan persamaan:
ΔWjk = αδk Zj (6)
ΔWjk = perubahan nilai pembobot Wij α = laju pembelajaran
δk = galat output ke k Zj = fungsi sigmoid
Perubahan pembobot dari hidden layer ke input layer sesuai dengan persamaan:
ΔVij = αδj Xi (7) Sehingga nilai perbaikan pembobot dapat dibuat dalam persamaan berikut:
Wjk (baru) = Wjk (lama) + ΔWjk (8) Vij (baru) = Vij (lama) + ΔVij (9) Nilai laju pembelajaran harus dipilih antara 0–0,9. laju pembelajaran menentukan kecepatan pelatihan sampai sitem mencapai keadaan optimal, jika nilainya besar akan membuat jaringan melompati nilai minimum lokalnya dan akan berosilasi sehingga tidak mencapai konvergensi. Sebaliknya jika nilainya kecil menyebabkan jaringan terjebak dalam minimum lokal dan memerlukan waktu yang lama selama proses training. Untuk menghindari keadaan tersebut ditambahkan suatu konstanta momentum antara 0–0,9 pada sistem tersebut, dengan demikian laju pelatihan dapat ditingkatkan sehingga osilasi pada sistem dapat diminimumkan. Perubahan nilai pembobot setelah dilakukan penambahan konstanta momentum sesuai dengan persamaan berikut:
ΔWjk (baru) = αδk Zj + βΔWjk (lama) (10) ΔVij (baru) = αδj Xi+ βΔVij (lama) (11) dengan β adalah konstanta momentum.
4. Pengulangan
Keseluruhan proses diatas dilakukan pada setiap contoh dan sekian pengulangan sampai sistem mencapai keadaan optimum. Pengulangan tersebut mencakup pemberian contoh pasangan input dan output, perhitungan nilai aktivasi dan perubahan nilai pembobot (weight).
Setelah JST terlatih memecahkan suatu masalah, kemudian harus dilakukan validasi yang merupakan proses pengujian kinerja jaringan terhadap contoh yang belum diberikan selama proses pelatihan. Proses validasi
dilakukan dengan memasukkan suatu set contoh input-output yang hampir sama dengan contoh set input-output yang diberikan selama proses pembelajaran.
JST merupakan metode identifikasi yang tepat diaplikasikan untuk sistem yang kompleks seperti sistem dinamik hubungan antara lingkungan dan tanaman. Di bidang teknologi greenhouse, JST telah dikembangkan antara lain untuk memprediksi radiasi matahari (Coelho et.al., 2002), untuk optimisasi pemberian air dan unsur hara pada pertumbuhan tanaman dalam rumah kaca (Arif, et.al., 2006) dan model pertumbuhan tanaman (Tamrin, et.al., 2005). 2.4Teknik Optimisasi dengan Algoritma Genetika (AG)
Algoritma Genetika (AG) adalah suatu teknik pencarian dan optimisasi stokastik (melibatkan probabilitas) dengan cara kerja meniru proses evolusi dan perubahan genetik pada struktur kromosom mahluk hidup (Goldberg, 1989; Holland 1975; Winston, 1992; Glover 1989; 1990; Kirkpatrick, 1982; Kirkpatrick dan Ryan, 1991). Salah satu kelebihan AG adalah relatif sederhana karena mampu untuk belajar dan beradaptasi, yaitu hanya memerlukan informasi tentang struktur kromosom (individu) dan bentuk fungsi fitness dari permasalahan yang dihadapi kemudian mencari sendiri solusi terbaik untuk permasalahan yang dihadapi (Yandra dan Hermawan, 2000). Goldberg (1989) menyebutkan empat perbedaan AG dengan teknik pencarian dan optimasi konvensional, yaitu:
1. AG bekerja pada sekumpulan calon solusi yang telah dikodekan bukan pada solusi itu sendiri.
2. AG melakukan pencarian nilai optimum pada sekumpulan calon solusi secara paralel (bersifat parallel serach atau population-based search). 3. AG secara langsung memanfaatkan fungsi tujuan atau fungsi fitness,
bukan fungsi turunan.
4. AG menggunakan aturan transisi kemungkinan (probabilistik), bukan aturan pasti (deterministik).
Operator-operator AG sederhana yang terdiri dari proses seleksi, dan reproduksi melalui proses crossover dan mutasi memungkinkan hasil yang
baik pada masalah sederhana. Proses seleksi adalah proses pemilihan beberapa kromosom untuk dijadikan kromosom induk bagi generasi berikutnya. Proses seleksi menggambarkan aspek yang sangat penting dalam AG, yaitu memperoleh kromosom-kromosom dengan tingkat kelayakan tinggi. Kromosom-kromosom ini memiliki kesempatan yang lebih besar untuk dipilih dan diproduksi di dalam populasi generasi berikutnya. Besarnya ukuran slot adalah sama antara rasio nilai fitness (kelayakan) suatu kromosom dengan total nilai fitness semua kromosom (Goldberg, 1989).
Reproduksi adalah suatu proses pembentukan individu baru melalui proses crossover dan mutasi. Crossover (penyilangan) adalah penyilangan antara individu-individu yang terpilih menjadi individu yang baru. Penyilangan ini bekerja pada sepasang kromosom induk untuk menghasilkan dua kromosom anak dengan menukarkan beberapa gen yang dimiliki masing-masing kromosom induk. Tingkat penyilangan atau peluang penyilangan adalah rasio antara jumlah kromosom yang diharapkan mengalami penyilangan dalam setiap generasi dengan jumlah kromosom total dalam populasi. Tingkat penyilangan yang tinggi menyebabkan semakin besarnya kemungkinan AG mengekplorasi ruang pencarian sekaligus mempercepat ditemukannya solusi optimum. Penentuan peluang penyilangan yang tepat sangat tergantung pada permasalahan yang dihadapi.
Beberapa metode penyilangan yang dapat dilakukan antara lain metode PMX (partially mapped crossover), metode OX (order crossover) dan metode modifikasi. Metode modifikasi merupakan modifikasi dari metode crossover yang umum, yaitu bahwa jika diketahui satu batas crossover maka anak (offspring) yang dihasilkan bagian kiri berisi penggal gen dari induknya sendiri (parent) sampai batas crossover, sedangkan bagian kanan tidak dapat semata-mata mengambil penggal bagian kanan dari induknya yang lain, tetapi mengambil gen dari induk yang lain tersebut secara berurutan yang tidak sama dengan penggal gen yang sudah ada pada offspring.
Proses mutasi merupakan proses bergantinya gen atau kromosom induk secara acak berdasarkan peluang mutasi. Proses ini juga sangat penting dalam
menentukan keragaman individu yang didapatkan sehingga dapat terhindar dari maksimum atau minimum lokal.
Di bidang teknologi greenhouse, metode AG makin banyak digunakan sebagaimana dikemukakan oleh Ursem et.al., (2002). Beberapa contoh aplikasi AG untuk optimisasi antara lain; optimisasi penjadwalan air irigasi (Nixon et.al., 2001), optimisasi tata guna lahan (Matthews, 2001), penjadwalan pemasokan larutan nutrisi pada sistem aeroponik tanaman kangkung (Zulaedah, 2005), perencanaan golongan pemberian air (Soehadi et.al., 2006).
III. METODOLOGI
3.1Tempat dan Waktu Penelitian
Penelitian ini dilaksanakan pada bulan November 2006 - April 2007 di greenhouse Pusat Teknologi Pertanian dan Kehutanan, University of Tsukuba, Jepang. Greenhouse yang digunakan menggunakan konstruksi kaca di lengkapi alat pemanas otomatis.
Gambar 3 Greenhouse tempat penelitian. 3.2Alat dan Bahan
1) Alat Penelitian
Alat – alat yang digunakan dalam penelitian ini adalah:
a. Alat pengukur nilai DHL larutan nutrisi dengan satuan mS/cm.
b. A hand refractometer (N-20E, Atago Co., Ltd., Tokyo, Japan) untuk mengukur total padatan terlarut buah tomat dengan satuan % brix. c. Light meter untuk mengukur intensitas cahaya buatan yang diberikan
dengan satuan µmol.
d. Timbangan digital untuk mengukur berat buah tomat dengan satuan g. e. Jangka sorong untuk mengukur diameter buah tomat dengan satuan
cm.
2) Bahan Penelitian
a. Tanaman tomat (Lycopersicum esculentum Mill) kultivar ”Money Maker”
b. Rockwool cubes 125 cm3 (125 cm3, Nittobo Co., Ltd., Japan). c. Tray semai untuk penyemaian.
d. Larutan nutrisi yang digunakan adalah Otsuka-B nutrient solution. Larutan ini mengandung NH4+, 20; NO33-, 210; PO43-, 93; K+, 377; Ca2+, 219; Mg2+, 80; Mn2+, 1.0; B-, 1.0; Fe3+, 2.9; Cu2+, 0.02; Zn2+, 0.04; and Mo+, 0.02 ppm.
3.3Tahapan Penelitian
1) Desain perlakuan dalam sistem hidroponik
Sistem hidroponik yang digunakan adalah Nutrient Film Tehnique (NFT) dimana larutan nutrisi dialirkan secara sirkulasi dengan menggunakan pompa seperti terlihat pada Gambar 4. Ada 2 sistem NFT yang digunakan untuk 2 nilai DHL larutan nutrisi yang berbeda.
Gambar 4 Layout sistem NFT yang digunakan.
Tangki
Larutan Nutrisi Lampu
Adapun detail perlakuan terhadap tanaman adalah sebagai berikut:
a. Tahap pertumbuhan tanaman dibagi menjadi dua, yaitu fase vegetatif dan fase generatif. Pada fase vegetatif, pada HST (Hari Setelah Tanam) ke-1 sampai HST ke-22, tanaman fokus dalam pembentukan batang, akar dan daun sehingga pada fase ini nilai DHL larutan nutrisi yang digunakan sama sebesar 1,2 mS/cm.
b. Pada fase generatif yang terjadi pada HST ke-23 sampai ke-121, tanaman fokus pada pembentukan bunga dan buah, sehingga nilai DHL larutan nutrisi diberikan berbeda untuk mengetahui respon buah tomat yang akan dihasilkan.
c. Untuk mempermudah pelaksanaan, fase generatif ini dibagi menjadi tiga fase yaitu fase pembungaan (HST ke-23 sampai ke-46), fase pembuahan (HST 47 sampai 96) dan fase pemanenan (HST ke-97 sampai ke-121) sehingga pada masing – masing fase tersebut nilai DHL larutan nutrisi diberikan berbeda dan optimisasi akan dilakukan terhadap masing – masing fase tersebut.
d. Nilai DHL larutan nutrisi pada masing – masing fase tersebut terdiri dari dua nilai yang berbeda, yaitu nilai DHL larutan nutrisi rendah dan tinggi. Nilai DHL larutan nutrisi rendah dan tinggi ini berdasarkan penelitian sebelumnya oleh Saito et.al., 2006. Adapun nilai DHL larutan nutrisi rendah berkisar antara 1,2-2,4 mS/cm dan nilai DHL larutan nutrisi tinggi berkisar antara 8,0-10,2 mS/cm.
e. Cara pembuatan DHL larutan nutrisi yang rendah dan tinggi hampir sama. Sebelumnya larutan nutrisi Otsuka-B nutrient solution dibuat menjadi larutan pekat dan di simpan dalam tangki tersendiri. Untuk membuat DHL larutan nutrisi rendah dan tinggi, air murni yang akan ditambahkan larutan nutrisi pekat diukur nilai DHL-nya, kemudian ditambahkan larutan nutrisi pekat sampai dengan nilai DHL larutan nutrisi yang dikehendaki. Untuk pembuatan nilai DHL larutan nutrisi yang tinggi ditambahkan larutan pekat ± 5000 ml sampai nilai DHL larutan nutrisi berkisar 8 mS/cm. Sedangkan untuk nilai DHL larutan
nutrisi rendah ditambahkan larutan pekat ± 1200 ml sampai nilai DHL larutan nutrisi berkisar 2 mS/cm.
f. Setiap hari nilai DHL larutan nutrisi tersebut di monitor secara manual, setelah seminggu kemudian, untuk nilai DHL larutan nutrisi rendah ditambahkan larutan nutrisi pekat sedangkan nilai DHL larutan nutrisi tinggi selain ditambahkan larutan nutrisi pekat juga ditambahkan NaCl sampai nilai DHL larutan nutrisi yang dikehendaki.
g. Jarak tanam yang tanam yang digunakan adalah jarak tanam 10 cm (jarak tanam rendah) dan 25 cm (jarak tanam tinggi).
h. Pada masing-masing sistem NFT dipasang cahaya buatan pada sisi ujung NFT. Cahaya buatan ini dinyalakan mulai jam 23.00 sampai jam 07.00 mulai tanaman berumur 23 HST sampai pemanenan selesai (121 HST). Dengan cahaya buatan ini, tanaman akan memperoleh cahaya yang berbeda tergantung jarak dengan sumber cahaya tersebut.
i. Jumlah tanaman tomat yang digunakan sebanyak 48 tanaman setiap sistem NFT, sehingga total tanaman adalah 96 tanaman. Adapun rinciannya adalah 64 tanaman dengan jarak tanam 10 cm dan 32 tanaman dengan jarak tanam 25 cm. Tetapi pada proses budidaya, satu tanaman dengan jarak 10 cm mengalami kegagalan tanam.
2) Budidaya tanaman tomat dengan sistem hidroponik Tahapan budidaya tanaman tomat terdiri dari:
a. Penaburan benih (sowing) yang dilakukan pada tanggal 7 November 2006
b. Pindah tanam (transplanting) ke dalam rockwool cubes yang telah disiapkan pada tanggal 15 November 2006
c. Pindah tanam ke dalam greenhouse pada tanggal 21 Desember 2006. d. Pembungaan pertama (anthesis) terjadi pada tanggal 12 Januari 2007
(23 HST).
e. Pada penelitian ini, setiap tanaman hanya dimungkinkan memiliki satu tangkai buah. Jumlah buah pada setiap tangkai bervariasi, dengan kisaran 7-14 buah/tangkai. Sedangkan tangkai kedua dan selanjutnya dilakukan pemotongan. Hal ini disebabkan jarak tanam yang
digunakan relatif lebih pendek dari biasanya dan untuk mempermudah pengontrolan terhadap buah.
f. Pemanenan mulai dilakukan pada tanggal 27 Maret 2007 (97 HST) secara bertahap. Buah tomat yang dipanen kemudian dilakukan analisis. Proses pemanenan ini berlangsung selama 25 hari sampai tanggal 20 April 2007 (121 HST).
3) Analisis Buah Tomat hasil budidaya
Buah tomat yang telah dipanen diukur berat, diameter dan total padatan terlarut untuk masing-masing tanaman. Buah dipanen secara bertahap secara visual dengan melihat warna buah. Apabila buah telah berwarna merah kekuning-kuningan maka buah siap dipanen. Buah yang telah dipanen dikelompokkan berdasarkan nomor tanaman dan perlakuan yang diberikan.
Setelah itu, dilakukan analisis terhadap pengaruh perlakuan nilai DHL larutan nutrisi dan jarak tanam terhadap jumlah total padatan terlarut, berat dan diameter buah tomat yang dihasilkan.
4) Pengembangan Model Jaringan Syaraf Tiruan (JST)
Model JST ini digunakan sebagai model black-box non-linear. Pembelajaran yang digunakan adalah backpropagation dengan multiplayer networks. Pembejaran ini merupakan pembelajaran yang paling populer (Nugroho, 2003). Metode pembelajaran ini terdiri dari dua prosedur, yaitu a) feed-forward dan b) back propagation weight training. Sedangkan fungsi aktivasi yang digunakan adalah fungsi sigmoid (Persamaan 2). Fungsi ini mempunyai sejarah yang panjang dalam aplikasi JST (Kros, et al., 2006).
Model yang dikembangkan terdiri dari 3 layer, yaitu input layer, hidden layer dan output layer. Input layer yang digunakan terdiri dari 5 noda, yaitu intensitas cahaya yang diterima masing-masing tanaman (µmol), jarak tanam (cm), DHL1 (nilai DHL larutan nutrisi pada fase pembungaan (mS/cm)), DHL2 (nilai DHL larutan nutrisi pada fase pembuahan (mS/cm)) dan DHL3 (nilai DHL larutan nutrisi pada fase pemanenan (mS/cm)). Sedangkan output layer terdiri dari dua noda yaitu
total padatan terlarut rata–rata (%) buah tomat dan berat rata-rata (g) buah tomat. Detail model JST yang dikembangkan dapat dilihat pada Gambar 5.
Gambar 5 Model JST yang dikembangkan.
Pada proses pembelajaran digunakan 5 fungsi error yang berbeda, yaitu: Standard Error of Prediction (SEP), koefisien determinasi (R2), Average Percentage Deviation (APD), Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE). Persamaan fungsi error tersebut diberikan sebagai fungsi berikut:
∑
=−
−
=
n in
Yp
Ya
SEP
1 21
)
(
(12)⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
−
−
−
=
∑
∑
= = n i n iYa
Yp
Ya
Yp
R
1 2 2 1 2)
(
)
(
1
(13) Berat (g) Jarak tanam (cm) Intensitas cahaya (µmol) Total Padatan Terlarut (%) DHL1 (mS/cm) DHL2 (mS/cm) DHL3 (mS/cm)Input layer Hidden layer Output layer
.
.
.
.
∑
=⎟
⎠
⎞
⎜
⎝
⎛
−
=
n iYa
Yp
Ya
n
APD
1 2100
(14)∑
=−
=
n iYa
Yp
n
MAE
11
(15)(
)
∑
=−
=
n iYa
Yp
n
RMSE
1 21
(16) Dimana Ya adalah nilai aktual dari pengukuran, Yp adalah nilai prediksioleh JST, n adalah jumlah data dan Ya adalah nilai rata-rata aktual pengukuran.
5) Pengembangan Model Algoritma Genetika (AG)
Model AG yang dikembangkan bertujuan untuk mencari nilai DHL larutan nutrisi yang optimum pada fase pembungaan, pembuahan dan pemanenan dengan tujuan maksimisasi total padatan terlarut (%) dan berat buah tomat.
Sebelum mengembangkan model AG, ada beberapa hal yang perlu diperhatikan dalam proses optimisasi dengan AG ini, yaitu:
1. Pendefinisian individu dalam populasi.
Sebelum melakukan optimisasi, sebuah individu dalam populasi harus didefinisikan. Dalam kasus ini, ada 3 parameter yang akan dioptimisasi sehingga dalam satu individu ini mengandung 3 parameter. Individu ini akan dikodekan dalam 6 bit binary string seperti contoh berikut ini: Individu = DHL1, DHL2, DHL3
100100, 001001, 001100. 2. Pendefinisian fungsi fitness
Fungsi fitness merupakan indikator dalam menentukan kualitas individu yang akan dihasilkan. Seluruh individu dalam populasi akan di evaluasi kualitas dan performansinya. Solusi optimum pada proses ini adalah individu dengan nilai fitness tertinggi. Dalam kasus ini, tujuan dari optimisasi adalah maksimisasi fungsi tujuan maka fungsi fitness yang diberikan juga sama dengan fungsi tujuan tersebut.
3. Operator Algoritma Genetika (AG)
Operator AG yang dimaksud adalah penyilangan dan mutasi. Penyilangan antara dua individu induk akan dilakukan dengan satu titik pemotongan pada tiap-tiap parameter. Sedangkan mutasi akan dilakukan dengan beberapa macam peluang mutasi dengan tujuan untuk meningkatkan keragaman individu dalam populasi dan untuk menghindari optimum lokal.
Sedangkan prosedur AG melalui tahapan sebagai berikut: 1. Inisialisasi individu awal secara acak.
2. Penyilangan (crossover) berdasarkan peluang penyilangan yang diinginkan
3. Mutasi berdasarkan peluang mutasi yang diinginkan 4. Perhitungan Fungsi Fitness
5. Seleksi berdasarkan peluang seleksi 6. Elitism (pengurutan)
7. Pengulangan (iterasi) pada tahap kedua sampai kondisi konvergen tercapai.
Gambar 6 Prosedur optimisasi menggunakan Algoritma Genetika. individu Parameter 3 Parameter 2 Parameter 1 1 1 0 0 1 0 1 1 0 0 1 0 1 1 0 0 1 0 1 1 0 0 1 0 1 1 0 0 1 0 1 1 0 0 1 0 POPULASI AWAL Fungsi Fitness Parameter 3 Parameter 2 Parameter 1 0 1 0 1 1 0 1 1 0 1 1 0 1 1 0 0 0 0 1 1 0 1 1 0 1 1 0 1 1 0 1 1 1 0 1 0 SELEKSI Baik Buruk 0 1 0 CROSSOVER 0 0 0 0 1 1 0 1 1 Titik Potong Induk 0 1 0 0 1 1 0 1 1 0 0 0 Anak 0 1 1 MUTASI 0 0 0 Induk Anak 0 1 1 0 1 0 CUKUP ? OPTIMUM YA PENGURUTAN
6) Optimisasi nilai DHL larutan nutrisi
Fungsi tujuan dari model AG ini adalah maksimisasi total padatan terlarut rata-rata (%) dan berat rata-rata (g) buah tomat yang dihasilkan. Untuk kemudahan dalam formulasi persamaan matematika, maka fungsi tujuan yang dikembangkan merupakan penjumlahan nilai total padatan terlarut rata–rata dan berat rata–rata buah tomat. Kendala penjumlahan tersebut adalah satuan yang berbeda, sehingga untuk memberikan bobot yang sama kedua paramater digunakan sistem normalisasi dengan nilai antara 0,2 dan 0,8. Persamaan fungsi tujuan tersebut diberikan pada persamaan 16 berikut ini:
⎟⎟
⎠
⎞
⎜⎜
⎝
⎛
+
=
∑∑
∑∑
= = = = n j m i ij n j m i ijm
B
m
TPT
m
DHL
DHL
DHL
F
1 1 1 1 3 2 11
)
,
,
(
(16)Fungsi tujuan: maksimisasi F(DHL1, DHL2, DHL3)
Fungsi batas: 1.4 ≤ DHL1≤ 9.6; 2.2 ≤ DHL2≤ 10.2; 2.1≤ DHL3≤ 9.7; Dimana:
F(DHL1, DHL2, DHL3) : fungsi dari konsentrasi larutan nutrisi; TPTij : nilai total padatan terlarut (% brix) buah tomat
Bij: berat buah tomat (g)
m : 48, jumlah tanaman pada masing-masing perlakuan n : 2, jumlah perlakuan
DHL1 : nilai DHL larutan nutrisi pada fase pembungaan (mS/cm); DHL2 : nilai DHL larutan nutrisi pada fase pembuahan (mS/cm); DHL3 : nilai DHL larutan nutrisi pada fase pemanenan (mS/cm);
Gambar 7 Tahapan penelitian. Mulai
Rancangan perlakuan pada budidaya tanaman tomat yang meliputi:
a. Persiapan pemberian nilai DHL larutan nutrisi
b. Pengaturan jarak tanam c. Pemberian cahaya buatan
Proses budidaya tanaman tomat yang meliputi:
a.Penaburan benih b.Pindah tanam c.Perawatan tanaman d.Pemanenan
Analisis buah tomat hasil pemanenan yang meliputi:
a)Pengurukuran nilai total padatan terlarut
b)Diameter buah c)Berat buah
Pengembangan model JST dan AG
Optimisasi nilai DHL larutan nutrisi
IV. HASIL DAN PEMBAHASAN
Pengaruh Nilai DHL Larutan Nutrisi terhadap Buah Tomat
Parameter yang diamati sebagai penilaian pengaruh nilai DHL larutan nutrisi terhadap buah tomat meliputi nilai Total Padatan Terlarut (TPT) (%), berat (g) dan diameter buah (cm). Nilai TPT sebagai indikator kualitas buah tomat sedangkan bobot dan diameter buah sebagai indikator total produksi buah tomat. Semakin tinggi nilai TPT maka semakin bagus kualitasnya, dan semakin berat dan besar diameter buah maka semakin besar pula total produksi yang dicapai.
Pengaruh nilai DHL larutan nutrisi pada nilai TPT dapat dilihat pada Gambar 8. Pada gambar tersebut cukup jelas menunjukkan bahwa semakin tinggi nilai DHL larutan nutrisi akan menghasilkan buah tomat dengan nilai TPT yang semakin tinggi pula. Hal ini berarti semakin tinggi konsentrasi larutan nutrisi maka akan dihasilkan buah tomat dengan nilai TPT yang semakin tinggi. 0 2 4 6 8 10 12 DHL DHL1 DHL2 DHL3 TPT (%) t (hari) DHL ( m S /c m ) DHL tinggi DHL rendah 8,3% 6,0% 1 22 46 96 121
Gambar 8 Pengaruh nilai DHL larutan nutrisi terhadap nilai TPT buah tomat.
Peningkatan nilai TPT dalam buah tomat pada konsentrasi larutan nutrisi tinggi dapat disebabkan terhambatnya penyerapan air (water uptake) oleh akar sehingga menurunkan jumlah masuknya air (water influx) ke dalam buah
tomat. Alasan ini didukung oleh penelitian yang dilakukan oleh Sanchez, et.al., (2005) yang menjelaskan bahwa jumlah penyerapan air oleh tanaman menurun dengan meningkatnya konsentrasi larutan nutrisi. Dengan menurunnya jumlah air yang masuk kedalam buah tomat akan mengakibatkan terjadinya akumulasi padatan terlarut didalam buah tomat yang menyebabkan meningkatnya nilai TPT dalam buah tomat. Menurut Adams (1991), peningkatan nilai TPT ini akan meningkatkan rasa yang dapat meningkatkan mutu dan kualitas buah tomat.
Pengaruh nilai DHL larutan nutrisi terhadap berat dan diameter buah tomat dapat dilihat pada Gambar 9. Pada gambar tersebut menunjukkan bahwa semakin tinggi nilai DHL larutan nutrisi maka berat dan diameter buah tomat akan semakin kecil.
0 2 4 6 8 10 12 DHL DHL1 DHL2 DHL3 Berat (x10 g) Diameter (cm) t (hari) DH L ( m S/ c m ) DHL tinggi DHL rendah 1 22 46 96 121 4,34 (x 10 g) 6,81 (x 10 g) 4,22 cm 5,05 cm
Gambar 9 Pengaruh nilai DHL larutan nutrisi terhadap berat dan diameter buah tomat yang dihasilkan.
Menurut Li, et.al., (2001), penurunan berat dan diameter buah ini karena penurunan aliran air (water transport) didalam buah yang disebabkan oleh tingginya nilai DHL larutan nutrisi. Saito et.al., (2006) dan Cuartero dan Munoz (1999) yang menyebutkan bahwa penurunan ukuran buah karena tingginya nilai DHL larutan nutrisi disebabkan oleh terhambatnya
pengembangan sel di dalam buah tomat karena aliran air didalam buah tomat berkurang.
Hasil penelitian ini memperkuat penelitian–penelitian sebelumnya (Ehret dan Ho, 1986; Adams dan Ho, 1989; Adams, 1991; Cuartero dan Munoz, 1999; Sanchez, et.al., 2005; Saito et.al., 2006) tentang pengaruh nilai DHL larutan nutrisi yang tinggi. Semakin tinggi nilai DHL larutan nutrisi maka akan dihasilkan buah tomat dengan nilai TPT yang semakin tinggi tetapi akan menurunkan berat dan diameter buah tomat yang berakibat penurunan total produksi (yield loss).
Pengaruh Jarak Tanam terhadap buah Tomat yang dihasilkan
Parameter yang digunakan sebagai penilaian pengaruh jarak tanam terhadap buah tomat yang dihasilkan adalah sama, yaitu nilai TPT, berat dan diameter buah. Nilai TPT, berat dan diameter rata–rata buah pada jarak tanam yang berbeda dapat dilihat pada Tabel 1.
Tabel 1 Nilai TPT, berat dan diameter rata-rata buah tomat No Perlakuan nilai DHL larutan nutrisi Jarak Tanam (cm) Nilai TPT (%) Berat (g) Diameter (cm) 1 Tinggi 10 8,4a 39,43e 4,10 2 Tinggi 25 8,1b 51,26f 4,45 3 Rendah 10 6,0c 65,63g 4,99 4 Rendah 25 6,0d 73,85h 5,22 a,b,c,d Standard Deviation (SD) masing – masing sebesar 0,35, 0,27 , 0,25 , 0,31 dan Standard Error
(SE) sebesar 0,06 , 0,07 , 0,04 , 0,08
e,f,g,h SD masing-masing sebesar 9,39, 7,49 , 11,64, 12,98 dan SE sebesar 1,61, 1,87, 2,03, 3,24 Pada Tabel 1 diatas memperlihatkan bahwa pada nilai DHL larutan nutrisi yang tinggi dan jarak tanam 10 cm menghasilkan nilai TPT rata-rata yang lebih tinggi daripada pada jarak tanam 25 cm, tetapi menghasilkan berat dan diameter rata-rata buah tomat yang lebih rendah. Peningkatan nilai TPT rata-rata mencapai 4%, sedangkan peningkatan berat dan diameter rata-rata mencapai 8% dan 23%.
Pada nilai DHL larutan nutrisi yang rendah, nilai TPT rata-rata adalah hampir sama baik pada jarak tanam 10 cm maupun 25 cm, tetapi berat dan
diameter rata-rata pada jarak tanam 10 cm lebih rendah daripada jarak 25 cm. Penurunan berat dan diameter rata-rata buah tomat mencapai 5% dan 11%.
Dengan semakin kecil jarak tanam dengan luas area yang sama maka jumlah tanaman akan semakin besar. Menurut Cuartero dan Munoz (1999), nilai DHL larutan yang tinggi akan menyebabkan water deficit pada daerah perakaran. Hal ini kemungkinan akan berakibat penyerapan air oleh akar akan berkurang sehingga mempengaruhi juga aliran air dalam buah. Dengan berkurangnya penyerapan air oleh akar akan berakibat naiknya nilai TPT dan juga menurunkan berat dan diameter buah. Penurunan berat dan diameter buah dengan jarak tanam rendah ini tidak otomatis akan menurunkan total produksi buah, karena dengan jarak tanam rendah maka jumlah buah yang diperoleh juga semakin besar.
Identifikasi nilai Total Padatan Terlarut buah Tomat
Data yang didapatkan dibagai menjadi 2 set data, yaitu data pembelajaran dan data validasi. Data pembelajaran digunakan dalam proses pembelajaran JST, sedangkan data validasi digunaan untuk uji performansi model JST. Pemisahan data ini biasa disebut “cross-validation” (Morimoto dan Hashimoto, 2000). Total data pembelajaran sebanyak 65% data total sedangkan data validasi sebanyak 35%. Pada proses pembelajaran dan validasi seluruh variabel di normalisasi dengan nilai antara 1 dan 0 menggunakan nilai maksimum dan minimum pada masing-masing variabel.
Proses identifikasi nilai Total Padatan Terlarut (TPT) ini dilakukan sebagai langkah awal untuk mengetahui hubungan antara nilai DHL larutan nutrisi, jarak tanam dan intensitas cahaya sebagai parameter input dengan nilai TPT buah tomat sebagai parameter output. Pada proses ini sebanyak 95 set data digunakan untuk identifikasi (Lamp. 1). Total data ini kemudian dibagi menjadi dua, yaitu 64 set data untuk proses pembelajaran model (Lamp. 2) dan 31 set data untuk proses validasi model (Lamp. 3).
4.3.1 Proses Pembelajaran Model
Pada proses ini digunakan tiga model JST dengan jumlah noda hidden layer berbeda dengan tujuan mencari model dengan nilai error yang terkecil. Model 1 digunakan jumlah noda hidden layer 3 (lebih kecil dari jumlah noda input layer), model 2 dengan jumlah noda hidden layer 5 (sama dengan jumlah noda input layer) dan model 3 dengan jumlah noda hidden layer 7 (lebih besar jumlah noda input layer). Jumlah pengulangan yang digunakan adalah 1000 dengan konstanta laju pembelajaran 0,6 dan konstanta momentum 0,6 untuk semua model.
Hasil pembelajaran terhadap 64 set data menghasilkan nilai error pada setiap iterasi seperti terlihat pada Gambar 10. Pada gambar terlihat bahwa model 3 dengan jumlah hidden layer terbanyak menghasilkan nilai error yang konvergen tercepat dibandingkan dengan model yang lain. Hal ini berarti jumlah noda hidden layer akan mempengaruhi kinerja proses pembelajaran JST. Semakin besar jumlah noda hidden layer akan menghasilkan error yang cepat konvergen, tetapi juga akan menyebabkan proses pembelajaran semakin lama.
Nilai error masing–masing model pada proses pembelajaran setelah pengulangan ke-1000 disajikan pada Tabel 2. Pada tabel dapat dilihat bahwa model 3 memiliki nilai error paling kecil untuk nilai SEP, APD, MAE dan RMSE, sedangkan nilai R2 terbesar. Hal ini berarti model 3 dengan jumlah noda hidden layer terbanyak merupakan model yang terbaik.
0.00 0.40 0.80 1.20 1.60 2.00 0 200 400 600 800 1000 Pengulangan Ni la i E rr o r
SEP APD MAE R2 RMSE
A 0.00 0.40 0.80 1.20 1.60 2.00 0 200 400 600 800 1000 Pengulangan Ni la i E rr o r B 0.00 0.40 0.80 1.20 1.60 2.00 0 200 400 600 800 1000 Pengulangan N ilai E rr o r C
Gambar 10 Nilai error masing – masing model pada setiap pengulangan; A: model 1; B: model 2; C: model 3.
Tabel 2 Nilai error proses pembelajaran JST pada pengulangan ke-1000
No Model SEP R2 APD (%) MAE RMSE 1 Model 1 0,09 0,93 0,56 0,25 0,31 2 Model 2 0,08 0,95 0,48 0,21 0,28 3 Model 3 0,08 0,95 0,48 0,21 0,28 Nilai SEP untuk semua model berkisar antara 0,07–0,09 yang berarti bahwa akurasi proses pembelajaran dalam menduga nilai target (nilai TPT) memiliki tingkat error berkisar 0,07 - 0,09. Nilai R2 lebih dari 0,93 yang mengindikasikan 93% lebih nilai target dapat diterangkan secara liniear dengan nilai pendugaan. Nilai APD mencapai 0,5% - 0,4% lebih yang berarti bahwa nilai penyimpangan rata – rata nilai pendugaan terhadap nilai target mencapai 0,5% lebih. Nilai MAE mencapai 0,2 menerangkan bahwa rata – rata selisih antara nilai pendugaan dan nilai target mencapai 0,2 secara absolut, sedangkan nilai RMSE mencapai 0,3 menerangkan bahwa rata-rata selisih antara nilai pendugaan dan nilai target mencapai 0,3.
Dari pengertian beberapa nilai error tersebut menunjukkan bahwa analisis error dengan persamaan SEP mengindikasikan nilai error yang terkecil, sehingga persamaan ini sangat tepat digunakan untuk menentukan nilai error proses pembelajaran.
4.3.2 Proses Validasi Model
Proses validasi model dilakukan terhadap 31 set data yang berbeda dengan set data pada proses pembelajaran. Hasil validasi masing – masing model dapat dilihat pada Gambar 11.
Sebagaimana disajikan pada Gambar 11, hasil validasi dengan berbagai error untuk masing – masing model memperlihatkan perbedaan hasil yang tidak terlalu signifikan antara model 2 dan model 3. Hal ini semakin menguatkan bahwa jumlah noda hidden layer yang semakin banyak akan menghasilkan model yang lebih akurat.
5 6 7 8 9 10 5 6 7 8 9 10
Total padatan terlarut hasil pengukuran (%)
Tota l pa da ta n te rl a rut ha s il p re d ik s i (%) R2 = 0.9017 y = x SEP = 0.1446 APD = 0.9906 MAE = 0.3292 RMSE = 0.3740 A 5 6 7 8 9 10 5 6 7 8 9 10
Total padatan terlarut hasil pengukuran (%)
Tota l pa da ta n te rl a rut ha s il pr e d ik s i ( % ) R2 = 0.9191 y = x SEP = 0.1196 APD = 0.8707 MAE = 0.2914 RMSE = 0.3665 B 5 6 7 8 9 10 5 6 7 8 9 10
Total padatan terlarut hasil pengukuran (%)
Tota l pa da ta n te rl a rut ha s il pr e d ik s i (%) R2 = 0.9185 y = x SEP = 0.1208 APD = 0.8796 MAE = 0.2915 RMSE = 0.3420 C
Gambar 11 Hasil validasi masing – masing model dengan berbagai fungsi error; A: model 1; B: model 2; C: model 3.
Nilai SEP hasil validasi semua model mencapai nilai 0,11 – 0,14 yang mengindikasikan akurasi yang cukup tinggi dalam menduga nilai target yang belum pernah dipelajari. Tingkat akurasi model yang cukup tinggi juga dapat dilihat dari nilai R2 yang lebih besar 0,90, APD kurang dari 1%, MAE berkisar 0,3 dan RMSE berkisar antara 0,34 - 0,37. Sehingga semua model dapat digunakan untuk menduga nilai TPT buah tomat.
Identifikasi berat buah Tomat
Proses identifikasi berat buah tomat merupakan satu kesatuan model dengan identifikasi nilai TPT buah tomat. Proses yang dilakukan dalam identifikasi ini juga terdiri dari proses pembelajaran dan proses validasi. Adapun hasil dari kedua proses tersebut dijelaskan pada Butir 4.4.1 dan 4.4.2 berikut ini.
Proses Pembelajaran Model
Adapun hasil dari proses pembelajaran model untuk menduga berat buah tomat pada pengulangan ke-1000 dapat di lihat pada Tabel 3 berikut ini;
Tabel 3 Nilai error proses pembelajaran JST pada pengulangan ke-1000 No Model SEP R2 APD (%) MAE RMSE 1 Model 1 137,60 0,55 3,78 9,00 11,64 2 Model 2 126,72 0,59 3,53 8,51 11,17 3 Model 3 125,39 0,59 3,45 8,56 11,11 Hasil proses pembelajaran dengan jumlah pengulangan yang sama menunjukkan hasil yang sangat berbeda dengan proses pembelajaran untuk menduga nilai TPT buah tomat seperti terlihat pada Tabel 3 di atas. Hasil ini menunjukkan nilai yang lebih buruk untuk semua model. Secara umum, meskipun menunjukkan hasil yang kurang bagus, model 3 menunjukkan hasil yang terbaik daripada kedua model yang lain. Sehingga jumlah noda hidden layer mempengaruhi kinerja proses pembelajaran.
Analisis dengan persamaan APD menunjukkan nilai yang paling rendah dari analisis error yang lain. Sehingga persamaan APD ini paling tepat digunakan untuk menunjukkan kinerja proses pembelajaran. Nilai APD
berkisar antara 3,4–3,7 yang mengindikasikan bahwa nilai penyimpangan rata – rata nilai pendugaan berat buah tomat terhadap nilai pengukuran berat buah tomat berkisar antara 3,4–3,7%.
Proses Validasi Model
Adapun hasil validasi dengan 31 set data disajikan pada Gambar 12 berikut ini; 30 40 50 60 70 80 90 100 30 40 50 60 70 80 90 100
Berat buah hasil pengukuran (%)
B er at b u ah h asi l p red iksi ( % ) R2 = 0.5468 y = x SEP = 127.259 APD = 3.5782 MAE =9.2103 RMSE = 11.0974 A 30 40 50 60 70 80 90 100 30 40 50 60 70 80 90 100
Berat buah hasil pengukuran (%)
B e ra t bua h ha s il pr e di k s i (%) R2 = 0.5811 y = x SEP = 117.383 APD = 3.3492 MAE =8.7592 RMSE = 10.6582 B 30 40 50 60 70 80 90 100 30 40 50 60 70 80 90 100
Berat buah hasil pengukuran (%)
B e ra t bua h h a s il pr e d ik s i ( % ) R2 = 0.6266 y = x SEP = 101.67 APD = 3.0429 MAE =8.0928 RMSE = 9.9191 C - Gambar 12 Hasil validasi model untuk menduga berat buah tomat.
Hasil validasi juga menunjukkan hasil yang tidak terlalu berbeda dengan hasil proses pembelajaran. Model 3 dengan jumlah noda hidden layer terbanyak menunjukkan nilai validitas yang tertinggi dibandingkan model lainnya.
Analisis error dengan persamaan APD juga menunjukkan nilai yang terendah dari analisis error yang lain. Sehingga persamaan APD ini paling tepat digunakan untuk menunjukkan kinerja proses validasi. Nilai APD model 3 sebesar 3,04% yang mengindikasikan bahwa nilai penyimpangan rata–rata nilai pendugaan berat buah tomat terhadap nilai pengukuran berat buah tomat berkisar antara 3,04%. Nilai ini lebih rendah daripada nilai pada proses pembelajaran, sehingga bisa disimpulkan bahwa model 3 telah menunjukkan hasil yang terbaik.
Dalam proses optimisasi dengan Algoritma Genetika (AG) akan dipilih satu model untuk mempersingkat dan mempermudah proses optimisasi. Dari ketiga model yang dikembangkan, model 3 memiliki tingkat akurasi lebih baik dari kedua model yang lain, sehingga model 3 ini akan dipilih untuk digunakan dalam proses optimisasi.
Hasil dari pengembangan model JST ini adalah nilai pembobot (weight) yang menghubungkan antara input layer dengan hidden layer dan hidden layer dengan output layer. Model 3 dengan 5 noda pada input layer, 7 noda hidden layer dan 2 noda output layer akan menghasilkan total pembobot sebesar 49 nilai. Nilai ini merupakan konstanta yang akan digunakan untuk menduga nilai TPT buah tomat dan berat buah tomat dengan 5 parameter yang diketahui. Nilai-nilai konstanta tersebut dapat dilihat pada Tabel 4.
Tabel 4 Nilai pembobot pada Model 3 No Vij Nilai Pembobot No Vij Nilai Pembobot No Wjk Nilai Pembobot 1 V11 0.488656 19 V35 1.222950 36 W11 -0.222330 2 V12 0.741507 20 V36 0.347950 37 W12 -0.576350 3 V13 0.114122 21 V37 0.399787 38 W21 -1.262810 4 V14 -0.135880 22 V41 0.817681 39 W22 0.789754 5 V15 0.489122 23 V42 0.614566 40 W31 0.425727 6 V16 0.128106 24 V43 0.864566 41 W32 -1.351130 7 V17 1.081303 25 V44 0.364566 42 W41 0.696795 8 V21 -0.167320 26 V45 0.330209 43 W42 0.191253 9 V22 -0.417320 27 V46 0.649079 44 W51 0.872257 10 V23 -0.042320 28 V47 -0.764760 45 W52 -0.271520 11 V24 0.945933 29 V51 -1.014760 46 W61 -0.121530 12 V25 -0.357330 30 V52 -0.264760 47 W62 -0.16861 13 V26 0.316281 31 V53 0.312458 48 W71 0.891251 14 V27 -0.558720 32 V54 -0.168390 49 W72 -0.91720 15 V31 -0.683720 33 V55 0.699143 16 V32 0.294084 34 V56 1.074143 17 V33 0.854477 35 V57 0.699143 18 V34 0.347950
Optimisasi Nilai DHL Larutan Nutrisi Proses optimisasi Algoritma Genetika (AG)
Tahapan proses optimisasi nilai DHL larutan nutrisi pada masing-masing fase adalah sebagai berikut:
a) Tahap pertama dalam optimisasi AG adalah inisialisasi. Pada tahap ini dibangkitkan 10 bilangan acak untuk masing–masing nilai DHL larutan nutrisi pada selang yang telah ditentukan. 10 bilangan acak ini disebut satu populasi yang terdiri 10 individu. Populasi ke-1 ini disebut juga generasi ke-1.
