DESAIN DAN PEMODELAN SISTEM KONTROL ADAPTIF LINGKUNGAN-BIOLOGIK DALAM RUMAH TANAMAN TAMRIN

DESAIN DAN PEMODELAN SISTEM KONTROL ADAPTIF LINGKUNGAN-BIOLOGIK DALAM RUMAH TANAMAN

TAMRIN

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2005

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

Bogor, Oktober 2005

Tamrin NIM 995173

ABSTRAK TAMRIN. Desain dan Pemodelan Sistem Kontrol Adaptif Lingkungan-biologik dalam Rumah Tanaman. Dibimbing oleh KUDANG BORO SEMINAR, HERRY SUHARDIYANTO, dan SOEDODO HARDJOAMIDJOJO. Ada kecenderungan pengusaha di bidang agro bisnis, terutama di bidang hortikultura, lebih memilih memproduksi komoditas yang spesifik, yaitu yang membutuhkan teknologi dan perlakuan khusus dimana tidak semua orang bisa memproduksinya. Untuk memenuhi kebutuhan itu, perlu teknologi yang dapat melakukan identifikasi antara masukan yang dibutuhkan dengan keluaran yang diinginkan dan mewujudkan hasil identifikasi tersebut, dengan kata lain teknologi yang dapat digunakan untuk kegiatan praktis dan sekaligus riset (fleksibel). Sehubungan hal di atas, dirancang sistem kontrol adaptif lingkunganbiologik untuk rumah tanaman dalam bentuk perangkat lunak yang juga memadukannya dengan fasilitas pilihan modus kontrol. Identifikasi lingkunganbiologik disini didasarkan pada pemahaman model yang menggambarkan hubungan antara faktor lingkungan optimal dengan produk maksimum tanaman yang dipane n, baik didasarkan pada kualitas, atau kuantitas, atau selera, atau kombinasi diantaranya, tergantung kondisi produk yang diinginkan. Produk tanaman yang dipanen dapat berupa hasil generatif maupun vegetatif. Penelitian, mencakup desain sistem kontrol adaptif lingkungan-biologik, membangun perangkat lunak dan model lingkungan-biologik (pindah panas), eksperimen dan pengamatan di lapangan (data volume nutrisi yang diberikan, out flow, citra kanopi, diameter batang, suhu udara, kelembaban relatif udara, dan iradiasi matahari), pengolahan data mencakup model tanaman dengan jaringan syaraf tiruan, optimasi lingkungan-biologik dengan algoritma genetika, model lingkungan-biologik dengan pindah panas, optimasi parameter kontrol fazi dan PID dengan algoritma genetika, dan simulasi sistem kontrol adaptif lingkunganbiologik berdasarkan acuan lingkungan optimal dengan menggunakan parameter optimal untuk modus kontrol fazi dan PID. Prototipe perangkat lunak sistem kontrol adaptif lingkungan-biologik yang dibangun telah dilengkapi dengan fasilitas real time sehingga memungkinkan digunakan untuk kebutuha n akuisisidata dan kontrol dengan fasilitas pilihan modus kontrol fa zi, PID, P, PI, dan PD. Selain hal itu, juga telah dilengkapi dengan fasilitas sistem pengolah citra, sistem penentuan acuan optimal, dan sistem penentuan parameter kontrol optimal. Model tanaman untuk memprediksi pertumbuhan tanaman timun mini (rasio kanopi-diameter) pada fase vegetatif dan out flow adalah berdasarkan larutan nutrisi yang diberikan dan lingkunganbiologik (suhu, kelembaban, dan iradiasi) telah memadai atau baik. Adapun nilainilai EI dan APD pada hasil pembelajaran untuk rasio kanopi-diameter adalah 95% dan 1,3%; untuk out flow adalah 99% dan 4,9%, sedangkan pada hasil validasi untuk rasio kanopi-diameter adalah 93% dan 0,62%; untuk out flow adalah 96% dan 0,43%. Model lingkungan-biologik yang dibangun cukup memadai untuk kasus rumah tanaman yang cukup luas dengan penyekat kasa. Adapun Nilai EI dan APD untuk suhu dan kelembaban berturut-turut adalah 88% dan 0,49%, sedangkan untuk kelembaban adalah 77% dan 0,29%. Performansi sistem kontrol modus fazi dan PID dalam rumah tanaman yang sangat sensitif terhadap perubahan iradiasi matahari adalah baik.

ABSTRACT TAMRIN. The Design and Modelling of Biological- Environment Adaptive Control System in Agriculturalhouse. Supervised by KUDANG BORO SEMINAR, HERRY SUHARDIYANTO, and SOEDODO HARDJOAMIDJOJO. The design of biological-environment adaptive control system in agriculturalhouse was aimed to produce the specific characterictics of crop. The technology that was applied could identify the required input and the expected output. The control system facilitated the alternatives control modes. The identification of biological-environment was based on the understanding of model that described the relation between optimal environment factors and the maximum crop productions. The expected specific characteristics depends on the quality and quantity, or the preferences of consumers, or the combination between those factors. The harvested crop might be the generative yield such as fruits, or vegetative yields (stem, leaves, or roots). The research included (1) the design of biological-environment control system, (2) the establishment of the software system and biological-environment model using the approach of heat and mass transfer, (3) experiments and observation in the field (data of the added nutrient volume, the amount of out flow, the image of canopy, stem diameter, air temperature, relative air humidity, and solar irradiation), and (4) data processing (plant model using artificial neural network, optimizing biological-environment using genetic algorithm, biologicalenvironment model using heat and mass transfer, optimizing the parameters of fuzzy and PID control, using genetic algorithm, and the simulation of biologicalenvironment control system based on the set point (optimal environment) and optimal parameter of fuzzy and PID control. The prototype of the biological-environment adaptive control system in agriculturalhouse software was facilitated with the real time condition. Therefore, it was able to be applied for the requirement of acquisition data and control with the alternatives fuzzy control mode, PID, P, PI, and PD. In addition, the system was facilitated with the image processing system, the determination of optimal environment (set point), and optimal parameter of control. The plant model used in the research was baby cucumber. The results showed that the plant model gave the satisfactory results which indicated by the values of EI (95%) and APD (1.3%) in the training of the canopy -diameter ratio, 99% and 4.9%, respectively in the training of the out flow. The validation of canopy and diameter ratio gave the results of EI (93%) and APD (0.62%), whereas the validation of out flow were 96% and 0.43%, respectively. The biological-environment of the plant house which was facilitated with an adequate area and ventilated booth showed satisfactory result. This was indicated by the EI and APD values for the temperature of 88% and 0.49%, respectively, and for the humidity was 77% and 0.29%, respectively. The performance of fuzzy and PID control system in the greenhouse which was very sensitive towards the changes of the solar irradiation was satisfactory.

© Hak cipta milik Tamrin, tahun 2005 Hak cipta dilindungi Dilarang mengutip dan memperbanyak tanpa izin tertulis dari Institut Pertanian Bogor, sebagian atau seluruhnya dalam bentuk apa pun, baik cetak, fotokopi, mikrofilm, dan sebagainya

DESAIN DAN PEMODELAN SISTEM KONTROL ADAPTIF LINGKUNGAN-BIOLOGIK DALAM RUMAH TANAMAN

TAMRIN

Disertasi sebagai salah satu syarat untuk memperoleh gelar Doktor pada Program Studi Ilmu Keteknikan Pertanian

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2005

Judul Disertasi: Desain dan Pemodelan Sistem Kontrol Adaptif Lingkungan-biologik dalam Rumah Tanaman Nama : Tamrin NIM : 995173

Disetujui Komisi Pembimbing

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

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

Dr. Ir. Herry Suhardiyanto, M.Sc. Anggota

Diketahui

Ketua Program Studi Ilmu Keteknikan Pertanian

Prof. Dr. Ir. Budi Indra Setiawan, M.Agr.

Tanggal Ujian: 29 September 2005

Dekan Sekolah Pascasarjana

Prof. Dr. Ir. Syafrida Manuwoto, M.Sc.

Tanggal Lulus:

PRAKATA Bismillaahirrohmaanirrohiim. Penyusunan disertasi yang berjudul Desain Sistem Kontrol Adaptif Lingkungan-biologik dalam Rumah Tanaman ini, mencakup tahapan: desain sistem, membangun perangkat lunak dan model, pengumpulan dan pengolahan data, serta penulisan. Kegiatan tersebut dilaksanakan di Laboratorium Ergotron Departemen Teknik Pertanian FATETA IPB dan di PT Saung Mirwan Bogor, dari April 2002 sampai Agustus 2005. Penulis menyadari dalam setiap tahapan di atas telah melibatkan banyak pihak. Dengan segala keikhlasan, penulis ucapkan terima kasih kepada Bapak Dr. Ir. H. Kudang Boro Seminar, M.Sc.; Bapak Dr. Ir. H. Herry Suhardiyanto, M.Sc; dan Bapak Prof. Dr. Ir. H. Soedodo Hardjoamidjojo, M.Sc., selaku pembimbing. Disamping itu, penghargaan yang tulus penulis sampaikan kepada semua pihak yang telah sangat membantu baik dalam bentuk diskusi maupun dalam bentuk lainnya. Ungkapan terima kasih disampaikan juga kepada Ayahanda (alm); Ibunda; saudara-saudara ku; ananda: Ayeshah Augusta Rosdah, Elisha Rosalyn Rosdah dan Muhammad Rajarief Latief; serta istriku: Ir. Filli Pratama, M.Sc.(Hons), PhD, atas segala do’a dan kasih sayang kalian. Semoga karya ini bermanfaat, Aamiin. Bogor, Oktober 2005 Tamrin

RIWAYAT HIDUP Penulis dilahirkan di Palembang pada tanggal 18 September 1963 sebagai anak ke-6 dari pasangan Ayahanda A. Latief Saleh (alm) dan Ibunda Rosdah Marzuki. Pendidikan sarjana ditemp uh di Program Studi Teknik Pertanian FP Universitas Sriwijaya dan lulus pada tahun 1988. Pendidikan pascasarjana, magister dan doktoral, ditempuh di Departemen Teknik Pertanian FATETA Institut Pertanian Bogor dan lulus berturut-turut pada tahun 1997 dan tahun 2005. Penulis bekerja sebagai staf pengajar di Program Studi Teknik Pertanian FP Universitas Sriwijaya sejak tahun 1990 sampai sekarang. Adapun karya ilmiah berupa jurnal/paten/prosiding selama mengikuti pendidikan program doktoral adalah: 1) Tamrin, Seminar KB, Suhardiyanto H, Hardjoamidjojo S. 2005. Model jaringan syaraf tiruan untuk pertumbuhan tanaman ketimun mini (Cucumis sativus L. Var. Marla) pada fase vegetatif. Jurnal Keteknikan Pertanian 19(1):1-10 2) Tamrin, penemu; Universitas Sriwijaya. 5 Nov 2003. Sistem pengontrolan cahaya matahari di rumah kaca dengan sirip-sirip plastik serat (fiber glass). P00200300560. 3) Tamrin. 2003. A study on the plant growth under the controlled micro climate. Proceedings of The Seminar International on: The Organic Farm and Suistainable Agriculture in The Tropics and Sub Tropics:Science, Tecnology; Palembang, 8-9 Sept 2003. 2: 328-332. 4) Tamrin. 2002. Jaringan neural buatan dan contoh aplikasi pada penentuan model pendugaan kadar air volumetrik dan konduktivitas tanah. Prosiding Seminar Nasional-Agri Bisnis dan Agri Industri; Palembang, 11-12 Juli 2002. hlm A081-A0815. 5) Tamrin, Hermantoro, Setiawan B I. 2000. Simulasi metode numerik beda hingga untuk menduga penyebaran kadar air volumetrik dan potensial air. Buletin Keteknikan Pertanian 6(4): 37-62. 6) Tamrin, Dedie T. 2000. Rancang bangun sistem kontrol cahaya di rumah kaca. Media Publikasi Ilmu Pertanian Eugenia 6(4): 11-17. 7) Tamrin. 2000. Karakteristik kontrol biner, PID, dan logika fuzzy pada beberapa aplikasi. Prosiding Seminar Nasional-Teknik Pertanian 2: 156163.

DAFTAR ISI Halaman DAFTAR TABEL ...........................................................................................

x

DAFTAR GAMBAR ......................................................................................

xi

DAFTAR LAMPIRAN ...................................................................................

xv

PENDAHULUAN ........................................................................................... Latar Belakang ....................................................................................... Tujuan Penelitian .................................................................................... Manfaat Penelitian ..................................................................................

1 1 8 8

TINJAUAN PUSTAKA .................................................................................. Tanaman, Lingkungan, dan Rumah Tanaman ..................................... Jaringan Syaraf Tiruan (JST) ................................................................. Algoritma Genetika (AG) ....................................................................... Sistem Kontrol Umpan Balik .................................................................

9 9 12 17 20

PENDEKATAN SISTEM KONTROL ADAPTIF LINGKUNGAN-BIOLOGIK ......................................................................... Konsep Sistem Kontrol Adaptif Lingkungan-biologik .......................... Struktur Sistem Kontrol Adaptif Lingkungan-biologik ......................... Komponen Struktur Sistem Kontrol Adaptif Lingkungan-biologik ..............................................................................

24 24 27 30

METODE PENELITIAN ................................................................................ Tempat dan Waktu ................................................................................. Bahan dan Alat ....................................................................................... Prosedur Kerja ........................................................................................

48 48 48 48

HASIL DAN PEMBAHASAN ....................................................................... Perangkat Lunak ..................................................................................... Penentuan Acuan Optimal Lingkungan ................................................. Evapotranspirasi Tanaman ..................................................................... Model Lingk ungan-biologik .................................................................. Penentuan Parameter Optimal dan Performansi Kontrol Fazi dan PID ..................................................

67 67 82 97 99 104

KESIMPULAN DAN SARAN .......................................................................

126

DAFTAR PUSTAKA .....................................................................................

128

LAMPIRAN ....................................................................................................

133

ix

DAFTAR TABEL Halaman 1 Matriks aturan kontrol fazi ...........................................................................

41

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

49

3 Perlakuan berdasarkan pendekatan teoritis dan pola ....................................

54

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

106

5 Parameter optimal kontrol fazi dan PID .......................................................

106

6 Suhu dan kelembaban untuk fase vegetatif ketimun mini ............................

117

x

DAFTAR GAMBAR Halaman 1 Buah ketimun mini .......................................................................................

6

2 Buah tomat beef ............................................................................................

6

3 Bunga hias ....................................................................................................

7

4 Rumah tanaman ............................................................................................

7

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

13

6 Tahapan algoritma genetika .........................................................................

20

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

26

8 Struktur sistem identifikasi acuan optimal ...................................................

28

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

29

10 Struktur sistem kontrol real time ................................................................

30

11 Struktur model tanaman .............................................................................

30

12 Struktur model lingkungan .........................................................................

31

13 Arsitektur JST respon dinamik ...................................................................

32

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

35

15 Struktur komponen kontrol fazi .................................................................

38

16 Fungsi keanggotaan error (e) .....................................................................

39

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

39

18 Fungsi keanggotaan keluaran (u) ...............................................................

40

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

40

20 Struktur komponen kontrol PID .................................................................

42

21 Pendekatan numerik Euler untuk pemecahan integral ...............................

42

22 Pendekatan numerik Euler untuk pemecahan diferensial ..........................

42

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

46

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

47

25 Diagram alir prosedur kerja ........................................................................

50

26 Skema pendekatan perlakuan teoritis .........................................................

56

27 Perlakuan efektif di lapangan .....................................................................

57

28 Skema tata letak perlakuan tanaman di rumah tanaman ............................

58

xi

Halaman 29 Tata letak perlakuan tanaman di lapangan .................................................

61

30 Tangki larutan nutrisi .................................................................................

61

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

66

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

66

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

69

34 Tampilan menu utama ................................................................................

70

35 Tampilan untuk real time ...........................................................................

72

36 Tampilan time set up ..................................................................................

72

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

73

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

73

39 Tampilan untuk pengolahan citra ...............................................................

77

40 Tampilan operator JST ...............................................................................

78

41 Tampilan operator algoritma genetika .......................................................

78

42 Tampilan untuk menentukan parameter optimal kontrol ...........................

79

43 Tampilan simulasi ......................................................................................

81

44 Citra sebelum dan setelah diproses ............................................................

83

45 Pengukuran perubahan larutan nutrisi yang diberikan ...............................

84

46 Pengukuran perubahan iklim mikro ...........................................................

84

47 Pengukuran perubahan rasio kanopi-diameter ...........................................

85

48 Pengukuran perubahan out flow .................................................................

85

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

49

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

87

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

87

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

87

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

88

54 Fluktuasi harian nilai out flow aktual dan hasil prediksi pada proses pembelajaran .............................................

88

xii

Halaman 55 Fluktuasi harian nilai rasio kanopi-diameter aktual dan hasil prediksi pada proses validasi ......................................................

88

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

89

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

89

58 Bobot model komputasi JST respon dinamik ............................................

92

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

92

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

92

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

94

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

95

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

95

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

95

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

96

66 Hasil simulasi model JST dengan masukan hasil penelusuran kurva pers 33 skenario (Pc=0,6; Pm=0,01) .............................

96

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

96

68 Hasil simulasi model JST dengan masukan hasil penelusuran kurva pers 33 skenario (Pc=0,6; Pm=0,1) ...............................

97

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

99

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

101

71 Perbandingan suhu aktual dengan hasil prediksi ........................................

102

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

102

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

103

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

108

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

109

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

110

77 Kurva performansi kontrol PID pada suhu dan kelembaban dengan parameter hasil kurva evolusi optimum global ..............................

111

xiii

Halaman 78 Kurva performansi kontrol fazi pada suhu dan kelembaban dengan parameter hasil kurva evolusi optimum lokal ................................

112

79 Kurva performansi kontrol PID pada suhu dan kelembaban dengan parameter hasil kurva evolusi optimum lokal ................................

113

80 Kurva transien kontrol fazi dengan gangguan pada suhu dan kelembaban .........................................................................

118

81 Kurva transien kontrol PID dengan gangguan pada suhu dan kelembaban .........................................................................

119

82 Kurva Performansi kontrol fazi pada suhu dan kelembaban dengan tiga acuan ke atas ...........................................................................

120

83 Kurva Performansi kontrol fazi pada suhu dan kelembaban dengan tiga acuan ke bawah .......................................................................

121

84 Kurva Performansi kontrol PID pada suhu dan kelembaban dengan tiga acuan ke atas ...........................................................................

122

85 Kurva Performansi kontrol PID pada suhu dan kelembaban dengan tiga acuan ke bawah .......................................................................

123

86 Performansi sistem kontrol fazi untuk suhu dan kelembaban dengan 15 hari acuan optimal ....................................................................

124

87 Performansi sistem kontrol PID untuk suhu dan kelembaban dengan 15 hari acuan optimal ....................................................................

125

xiv

DAFTAR LAMPIRAN Halaman 1 Potongan memanjang greenhouse tipe single span ......................................

134

2 Potongan melintang greenhouse tipe single span ........................................

135

3 Pemecahan persamaan-persamaan pendugaan suhu dan kelembaban di dalam greenhouse tipe single span ...............................

136

4 Tata nama simbol berdasarkan bab ..............................................................

140

xv

PENDAHULUAN Latar Belakang Hubungan lingkungan dengan tanaman sangat kompleks, karena jumlah kombinasi faktor lingkungan dengan jenis tanaman, dan interaksi secara kontinyu antara semua faktor lingkungan pada semua tingkatan adalah tak terhingga. Dikemukakan ole h Seminar (2000) bahwa kesulitan dalam masalah produksi tanaman baik secara kuantitas maupun kualitas didasarkan pada kenyataan bahwa tanaman adalah agen sistem kehidupan (bio system) yang bersifat kompleks dan dinamik. Hal ini dicirikan dengan sifat-sifat tidak linieritas, pewarisan genetik, peka waktu, dan pengendalian aktivitas fotosintesis yang menjadi perilaku kunci agen sistem bio. Di Indonesia khususnya, ada kecenderungan pengusaha di bidang agro bisnis, terutama di bidang hortikultura, lebih memilih memproduksi komoditas yang spesifik, yaitu yang membutuhkan teknologi dan perlakuan khusus dimana tidak semua orang bisa memproduksinya. Komoditas ini biasanya dikonsumsi oleh kalangan menengah ke atas.

Adapun komoditas tersebut, seperti yang

diproduksi di Greenhouse Saung Mirwan adalah ketimun mini (Gambar 1), tomat beef (Gambar 2), tomat cherri, paprika, bunga hias (Gambar 3), dan lainlain. Lingkungan berperanan penting untuk pertumbuhan dan perkembangan tanaman dengan kualitas prima. Karakteristik gen tertentu suatu tanaman atau kondisi produk yang diinginkan tidak akan muncul seperti yang diharapkan bila tidak didukung oleh penyediaan kondisi lingkungan yang sesuai. Secara fisik, faktor lingkungan yang mempengaruhi tanaman dalam rumah tanaman dapat diklasifikasikan menjadi 2 bagian (Esmay dan Dixon 1986), yaitu faktor lingkungan udara sekitar (di bagian atas tanaman) dan faktor lingkungan pada media tumbuh tanaman (di bagian bawah tanaman).

Faktor lingkungan

udara sekitar meliputi suhu, cahaya, kelembaban, dan CO2 , sedangkan faktor lingkungan di media tumbuh, meliputi suhu tanah, kadar air tanah, pH, nutrisi, konduktivitas listrik, evaporasi dan lainlain (tergantung sistem budidaya). Apabila dapat menciptakan keadaan lingkungan yang sesuai dengan kebutuhan tanaman maka dapat diperoleh beberapa keuntungan, antara lain adalah

2

produksi yang sesuai dengan yang diinginkan, penghematan energi dan ramah lingkungan. Selain itu, bila tersedia sistem kontrol adaptif juga memungkinkan untuk dikembangkan lebih lanjut dengan cara memanipulasi lingkungan yang diinginkan dengan menggunakan sistem kontrol adaptif sehingga dapat menghasilkan produk yang berkualitas dan dengan nilai tambah yang lebih tinggi. Namun demikian, sebelum dilakukan upaya pengontrolan secara optimal terhadap kondisi lingkungan tersebut, perlu ditentukan atau diketahui terlebih dahulu kondisi lingkungan yang optimum dalam memproduksi bagian tanaman (biologik) yang diinginkan, sehingga upaya pengontrolan mencapai tujuan.

Misalnya,

pemberian air yang ekstrim pada kondisi-kondisi tertentu pada tanaman sayuran mungkin dapat menentukan tingkat kerenyahan sayuran, sehingga berimplikasi pada peningkatan kualitas sayuran tersebut dan pada gilirannya sayuran lokal yang budidayanya relatif lebih mudah dapat ditingkatkan daya saingnya dengan sayuran impor. Pada umumnya upaya untuk mengendalikan atau mengontrol tanaman menggunakan rumah tanaman (Gambar 4).

Adapun yang dimaksud dengan

rumah tanaman di sini adalah bangunan atau struktur yang difungsikan untuk produksi tanaman, misalnya greenhouse, plastichouse, rumah bayang, dan lainlain. Salah satu metode meminimalkan pengaruh lingkungan terhadap tanaman adalah menggunakan teknologi greenhouse.

Di dalam greenhouse, faktor

lingkungan lebih mungkin dikendalikan untuk mendapatkan kondisi pertumbuhan yang lebih baik.

Salah satu alasan penggunaan rumah tanaman adalah

memungkinkannya pengendalian dan modifikasi di dalam rumah tanaman. Modifikasi lingkungan dalam rumah tanaman untuk pertumbuhan tanaman dengan tujuan untuk menghasilkan produksi tanaman yang bermutu telah banyak dilakukan oleh peneliti terdahulu (Boulard et al. 2005, Kostov et al. 2002, Lefas dan Santamouris 1984, Nielsen dan Madsen 2005, Schmidt 2005, Straten 2005, Young dan Lees 2005). Penelitian-penelitian mengenai pengendalian lingkungan di dalam rumah tanaman sudah banyak dilakukan di antaranya pengendalian terhadap cahaya, pH, kelembaban, nutrisi dan sebagainya.

Ferentinos dan Albright (2005)

mengoptimasi desain untuk sistem pencahayaan dengan menggunakan algoritma

3

genetika dalam rumah tanaman.

Korner dan Cha lla (2003) melakukan

pendendalian kelembaban untuk pertumbuhan optimal tanaman Chrysanthemum dalam rumah tanaman. Pengendalian suhu udara didalam rumah tanaman juga dilakukan oleh Nishina et al. (2005) dengan menggunakan sistem identifikasi dan menganalisa aplikasi dari sistem identifikasi tersebut.

Nilsson dan Nybrant

(2005) mengembangkan algoritma berbasis komputer untuk mengendalikan pembungaan tanaman.

Adapun tujuannya agar dapat diperoleh waktu

pembungaan pada saat yang diinginkan.

Pengendalian lingkungan rumah

tanaman juga dilakukan dengan menggunakan pengukuran secara on-line terhadap suhu dan transpirasi daun (Schmidt 2005). Pengendalian lingkungan dalam rumah tanama n banyak dilakukan terhadap tanaman hortikultura memiliki nilai ekonomis tinggi di antaranya selada seperti yang dilakukan oleh Loslovich dan Seginer (2005) yang mengendalikan konsentrasi nutrisi nitrat yang dibutuhkan oleh selada. Koning (2005) melakukan optimasi pertumbuhan tanaman tomat dengan mengendalikan suhu udara dalam rumah kaca. Bila kondisi lingkungan (iklim) tersedia secara konstan untuk pertumbuhan tanaman maka greenhouse tidak diperlukan. Kenyataannya, hanya sedikit tempat atau daerah yang iklimnya mendukung lingkungan untuk pertumbuhan tanaman. Tidak jarang kondisi iklim daerah tertentu, misal temperatur, terlalu tinggi pada satu musim dan terlalu dingin pada musim yang lain. Kondisi iklim di daerah tersebut tidak cocok untuk memproduksi tanaman jenis tertentu sehingga greenhouse masih diperlukan guna mengontrol atau memodifikasi iklim untuk menyediakan kondisi lingkungan yang lebih sesuai untuk tanaman tersebut. Di Indonesia telah dicoba cukup banyak pengontrolan berbasis komputer terhadap parameter lingkungan tanaman, antara lain pengontrolan suhu, cahaya, dan kelembaban (Seminar et al. 1998), pengontrolan nutrisi pada budidaya hidroponik (Suhardiyanto et al. 2001), dan pengontrolan suhu pada budidaya jamur (Setiawan 2001). Perangkat lunak yang dikembangkan masih terbatas pada penggunaan modus kontrol tertentu dan belum tersedia fasilitas identifikasi lingkungan dengan tanaman (produk tanaman atau biologik). Pengontrolan masih

4

terbatas pada acuan (setpoint) lingkungan yang ditentukan dari kebiasaan setempat atau literatur. Identifikasi lingkungan-biologik disini didasarkan pada pemahaman model yang menggambarkan hubungan antara faktor lingkungan dengan produk tanaman yang akan dipanen.

Produk tanaman yang dipanen tidak selalu berupa hasil

generatif, dapat juga berupa hasil vegetatif yang dilihat dari jumlahnya atau mutunya, atau kedua-duanya. Pemahaman berdasarkan respon produk tanaman yang diinginkan dalam situasi demikian inilah diistilahkan dengan lingkunganbiologik. Menurut beberapa pakar, paling tidak sampai tahun 1995, secara prinsip masih sangat sulit untuk mengembangkan sensor yang dapat digunakan untuk mengevaluasi performansi tanaman secara langsung (real time).

Namun

demikian, hal ini terus berkembang dan telah ada upaya untuk mengidentifikasi sistem kontrol lingkungan-biologik, yaitu melalui sistem pengontrolan berbasis respon tanaman (speaking plant approach) yang dikembangkan diantaranya oleh Berckmans (1998); Morimoto dan Hashimoto (1998); dan Subrata et al. (2001). Namun demikian, sistem kontrol lingkungan-biologik masih jarang dalam bentuk perangkat lunak (software) yang juga memadukannya dengan fasilitas pilihan modus kontrol, terutama di Indonesia.

Karena itu masih perlu

dikembangkan suatu sistem yang bersifat fleksibel, yaitu menyediakan mekanisme untuk pemilihan modus kontrol dan identifikasi (model) tanaman dan lingkungan secara terintegrasi. Sistem kontrol adaptif lingkungan-biologik (SKALB) dalam rumah tanaman ini didesain dengan kebutuhan sensor keluaran pada properti produk yang diinginkan tidak perlu secara langsung. Maksudnya pada waktu pengontrolan (real time) pendeteksian keluaran (produk) tidak diperlukan lagi.

Karena

pendeteksian properti produk tidak diperlukan dalam operasi real time kontrol, maka data keluaran dapat dikumpulkan baik secara destruktif maupun tidak destruktif. Dengan kata lain bagian produk yang diinginkan dapat dianalisa atau diukur dengan cara dirusak atau dengan tidak dirusak. Hal ini memungkinkan untuk memilih properti produk apa yang menjadi target, dan keluwesan ini menjadikan SKALB lebih aplikabel.

5

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

Bila dikembangkan di Indonesia,

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

Hal ini

disebabkan kecepatan komputer dan sistem sensor juga belum memadai untuk mendukung proses yang demikian. Sehubungan dengan hal di atas maka SKALB didesain secara off-line untuk menentukan lingkungan optimal dan parameter kontrol optimal dengan tidak menutup kemungkinan untuk operasi on-line, yang tentunya perlu penyesuaian seperlunya bila memang perangkat keras yang mendukungnya tersedia. Aplikasi kontrol secara real time dilakukan setelah penentuan acuan optimal dan parameter optimal kontrol.

Acuan dalam pengontrolan, selain dapat

ditentukan melalui fasilitas yang disediakan, juga dapat didasarkan dari literatur atau pengalaman setempat, sesuai dengan kebutuhan. Fasilitas SKALB dapat digunakan untuk mengontrol kebutuhan penggunaan sarana produksi agar tidak berlebihan, yang pada gilirannya bila tidak dikontrol akan berakibat pada kerugian ekonomi atau lingkungan. Selain itu, juga dapat digunakan untuk manipulasi lingkungan-biologik dalam upaya untuk mendapatkan produk dengan kuantitas, kualitas dan selera sesuai kebutuhan. Dengan fasilitas seperti disebutkan di atas, maka teknologi SKALB yang dikembangkan ini dapat digunakan untuk mendukung usaha agribisnis yang lebih memilih memproduksi komoditas yang spesifik, yaitu yang membutuhkan teknologi dan perlakuan khusus dimana tidak semua orang bisa memproduksinya. Dengan kata lain, teknologi SKALB ini sangat menjanjikan untuk agro bisnis yang berbasis kepada paradigma produksi prospektif.

6

Gambar 1 Buah ketimun mini

Gambar 2 Buah tomat beef

7

Gambar 3 Bunga hias

Gambar 4 Rumah tanaman

8

Tujuan Penelitian Adapun tujuan dalam penelitian ini adalah: 1) mendesain sistem kontrol lingkungan-biologik (acuan optimal dan parameter optimal kontrol) berbasis komputer untuk produksi tanaman pada rumah tanaman dalam bentuk perangkat lunak (software prototype) yang juga memadukannnya dengan fasilitas pilihan modus kontrol, 2) mengimplementasikan perangkat lunak yang dibangun (sebagai salah satu contoh aplikasi), yaitu memprediksi lingkungan optimal (acuan) guna mendapatkan produksi maksimum melalui pendugaan rasio luas kanopi-diameter batang tanaman maksimum dan volume larutan nutrisi yang hilang (out flow) minimum, 3) membangun model lingkungan-biologik dalam rumah tanaman, dalam hal ini suhu dan kelembaban, 4) menentukan parameter optimal kontrol modus fazi, dan PID sekaligus melakukan simulasi pada model lingkunganbiologik yang didapat, dan 5) melakukan simulasi kontrol dengan menggunakan parameter optimal masingmasing modus kontrol pada lingkungan optimal yang dihasilkan.

Manfaat Penelitian Manfaat yang diharapkan dari hasil penelitian ini adalah: 1) memberikan alternatif perangkat lunak untuk kontrol lingkungan-biologik bagi industri tanaman dalam memproduksi komoditas hortikultura yang spesifik melalui penyediaan fasilitas identifikasi dan optimasi, 2) memfasilitasi tersedianya pilihan modus kontrol dalam bentuk perangkat lunak yang siap digunakan untuk berbagai kebutuhan, dan 3) menyediakan informasi hasil implementasi dan simulasi perangkat lunak sistem kontrol optimal lingkungan-biologik dalam rumah tanaman sebagai bahan pertimbangan pemanfaatan dan pengembangan lebih lanjut.

TINJAUAN PUSTAKA

Tanaman, Lingkungan, dan Rumah Tanaman Faktor lingkungan berperanan sangat penting untuk pertumbuhan dan perkembangan tanaman dengan kualitas prima. Karakteristik gen tertentu suatu tanaman tidak akan muncul seperti yang diharapkan bila tidak didukung oleh penyediaan kondisi lingkungan yang sesuai. Parameter suhu dan cahaya mempengaruhi banyak reaksi kimia pada tanaman, seperti proses fotosintesa dan respirasi. Tanaman yang ditanam pada malam hari dengan suhu tinggi akan tumbuh lebih lambat dibandingkan bila tanaman tersebut ditanam dengan suhu rendah. Hal ini disebabkan karbohidrat yang terbentuk pada proses fotosintesa lebih banyak digunakan untuk respirasi dari pada untuk pembentukan sel (Esmay dan Dixon 1986). Salah satu upaya untuk mengendalikan lingkungan untuk kepentingan tanaman digunakan rumah kaca.

Menurut Bot (1993), rumah kaca adalah

bangunan yang dirancang dengan struktur tertutup tembus cahaya (material transparan) dalam upaya memanipulasi lingkungan untuk produksi tana man. Energi matahari yang datang berupa gelombang pendek ditransmisikan (dilalukan) melalui material transparan, ada yang terserap oleh tanah dan ada yang terserap oleh tanaman.

Energi yang diemisikan (dipantulkan) kembali berupa

radiasi gelombang panjang yang tidak dapat dilepas ke udara luar.

Hal ini

kontribusinya sekitar 20% dari total energi didalam rumah kaca, (Takakura 1991). Faktor utama yang menjadikan rumah kaca menjadi panas adalah udara yang terhambat (stagnan) di dalam rumah kaca dan sedikitnya ventilasi. Rumah tanaman berfungsi untuk memodifikasi lingkungan luar. Hal ini bertujuan untuk pengontrolan lingkungan yang diperlukan tanaman pada kondisi tertentu.

Modifikasi lingkungan dan pengontrolan dimungkinkan melalui

manipulasi pertukaran udara. Perbedaan antara cuaca di dalam rumah kaca dan cuaca di luar rumah kaca disebabkan dua hal (Bot 1993).

Pertama adalah

terjebaknya udara. Udara di dalam rumah kaca terhalang oleh struktur, sehingga pertukaran udara di rumah kaca dengan udara sekitar (di luar) sangat sedikit

10

dibandingkan udara bebas di luar. Selain itu kecepatan udara di dalam rumah kaca kecil dibandingkan kecepatan udara di luar. Berkurangnya pertukaran udara (ventilasi) mempengaruhi langsung keseimbangan energi, dan massa udara rumah kaca. Kecepatan udara rendah di dalam mempengaruhi pertukaran energi, uap air, dan CO2 antara udara rumah kaca dengan benda didalam rumah kaca (tanaman, permukaan tanah, struktur rumah kaca dan sistem pendinginan). Kedua adalah mekanisme radiasi. Radiasi gelombang pendek yang datang langsung dari matahari yang terbias oleh langit dan awan berkurang karena intersepsi cahaya oleh komponen opak dan transparan rumah kaca, sedangkan pertukaran radiasi gelombang panjang di luar dan didalam rumah kaca berubah karena sifat-sifat radiatif material penutup. Gelas yang sebagian transparan untuk radiasi gelombang pendek yang datang dan opak untuk radiasi gelombang panjang yang diemisikan dari dalam, sehingga energi terjebak. Efeknya selain penting untuk menjelaskan peningkatan temperatur di dalam rumah kaca juga diperlukan untuk menjelaskan iklim rumah kaca karena secara langsung mempengaruhi semua keseimbangan energi dan temperatur di dalam rumah kaca. Penutup rumah kaca dengan koefisien transmisivitas tinggi akan menghasilkan suhu yang lebih tinggi dari pada yang diharapkan karena solar gain. Menurut Esmay dan Dixon (1986), solar gain mengikuti persamaan,

Qs = TI s A f

(1)

dimana Qs adalah Solar gain (watt), T adalah koefisien transmisivitas penutup terhadap radiasi matahari, I s adalah Intensitas solar radiasi terhadap bidang horizontal (watt/m2 ), dan A f adalah luas lantai rumah kaca (m2 ). Aliran energi panas yang mengalir ke dalam dan ke luar rumah kaca dapat melalui beberapa cara. Laju aliran yang paling besar adalah konduksi melalui penutup dan material permukaan rumah kaca yang lain. Menurut Esmay dan Dixon (1986), di dalam rumah kaca yang dibangun secara baik, kehilangan karena konduktivitas mungkin lebih dari 90% dari total kehilangn panas. Kehilangan panas karena konduksi dapat digunakan persamaan standar untuk keadaan mantap berikut (Esmay dan Dixon 1986),

11 Qc = UA( t i − to )

(2)

dimana: Qc adalah kehilangan panas karena konduksi (watt), U adalah koefisien transmisi panas secara keseluruhan (w/m2 K), A adalah luas permukaan rumah kaca (m2 ), ti adalah temperatur dalam (o C), dan to adalah temperatur luar (o C). Kehilangan panas yang terbesar kedua adalah melalui pertukaran udara di dalam dan diluar (panas sensibel dan panas laten). Panas sensibel bergerak karena perbedaan suhu udara yang datang dan yang keluar.

Panas laten berpindah

sebagai uap air evaporasi dan transpirasi. Menurut Esmay dan Dixon (1986), panas sensibel dapat dihitung dengan persamaan berikut, Qsa = WCp( t i − t o )

(3)

dimana: Qsa adalah kehilangan panas sensibel (watt), W adalah aliran massa udara (kj/detik), Cp adalah panas spesifik dari udara kering (kj/kg.K), ti adalah suhu udara luar (o C), dan to adalah suhu udara dalam (o C). Salah satu metode untuk menciptakan lingkungan tumbuh tanaman yang terkontrol adalah dengan menggunakan teknologi rumah kaca (Bot 1993). Di dalam rumah kaca, faktor lingkungan dapat lebih mudah dikendalikan untuk mendapatkan kondisi pertumbuhan yang baik. Pertumbuhan tanaman adalah kemajuan tanaman melalui tingkatan hidupnya yang mungkin diukur dengan karakteristik vegetatif dan reproduktif, seperti jumlah daun pada tanaman. Laju pertumbuhan tanaman sangat sensitif dengan temperatur dan kadang-kadang dengan panjang hari, tetapi biasanya tidak sensitif terhadap cahaya, CO2 dan faktor lain seperti air dan stres nutrisi kecuali kondisi faktor tersebut dalam keadaan buruk (Jones 1991).

12

Jaringan Syaraf Tiruan (JST) Secara struktur JST teridri dari simpul-simpul yang terhubung oleh pembobot. Simpul-simpul masukan menerima nilai dari variabel- variabel bebas dan dihubungkan melalui satu set pembobot ke satu atau lebih simpul tersembunyi.

Simpul- simpul tersembunyi meniru terhubung melalui satu set

pembobot terhadap simpul-simpul keluaran yang menghasilkan nilainilai perkiraan dari variabel- variabel terikat dari sistem jaringan.

Melalui paket

pembelajaran, nilainilai pembobot jaringan dimodifikasi sedemikian rupa yang menggunakan suatu algoritma tertentu, misalnya Penjalaran balik. Metode penjalaran balik telah terbukti sukses dalam proses training JST multi lapisan. Jaringan tidak hanya diberi bantuan bagaimana mengerjakan tugas. informasi tentang error juga dikontrol melalui sistem dan digunakan untuk menjustifikasi hubungan antara lapisan- lapisan sehingga performa nsi jaringan meningkat. Penjalaran balik adalah suatu algoritma yang umumnya digunakan untuk membelajarkan JST. Bobot jaringan dimodifikasi dengan cara meminimumkan jumlah kuadrat error yang dihitung terhadap semua simpul-simpul keluaran. Algoritma penjalaran balik adalah suatu bentuk penurunan gradien: jaringan menurun bila terdefinisi dalam cakupan bobot jaringan.

Gradien

Probabilitas

bahwa nilai tersebut akan merupakan minimum local akan menurun dengan makin meningkatnnya besar bobot. Simpul, dalam konteks jaringan syaraf buatan, adalah suatu model syaraf yang disederhanakan. Simpul-simpul menerima sejumlah sinyal masukan, dan membangk itkan satu sinyal keluaran. Sinyal keluaran dapat merupakan fungsi tidak linier, seperti fungsi sigmoid atau fungsi tangen hiperbola, dari penjumlahan masukan.

13

x1 v ji

H1 y1

x2

w kj

I1 z1

x3

I2 z2

x4

zm Im xn-1

yh

Output layer

Hh xn

Hidden layer Input layer

Gambar 5 Struktur jaringan syaraf tiruan dengan banyak lapisan

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

h simpul dan lapisan keluaran mempunyai m simpul. Dimana xi adalah vektor masukan,

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

lapisan tersembunyi, i =1,2,3…n dan j =1,2,3… h ; wkj adalah pembobot antara lapisan tersembunyi dengan lapisan keluaran, k =1,2,3… m ; xp adalah data masukan training, p =1,2,3… p ; y pj adalah keluaran pada lapisan tersembunyi unit ke- j dengan masukan xp ,, z pk adalah keluaran pada lapisan keluaran unit ke- k ; t pk adalah target keluaran; dan f adalah fungsi aktivasi. Algoritma aturan belajar penjalaran balik menurut Patterson (1996) adalah sebagai berikut: pembobot awal pada JST diberi nilai secara acak. Perhitungan nilai aktivasi feedforward dimulai dengan menjumlahkan hasil perkalian masukan xi dengan pembobot vji dan menghasilkan Hj yang merupakan nilai masukan ke

14

fungsi aktivasi lapisan tersembunyi.

Kemudian keluaran yj pada lapisan

tersembunyi unit j merupakan hasil fungsi aktivasi f dengan masukan Hj. Hal ini telah diformulasikan dalam persamaan 4 dan 5. H j = ∑ v ji xi i

(4)

y j = f (H j )

(5)

Nilai keluaran pada lapisan tersembunyi kemudian dikalikan dengan pembobot wkj dan menghasilkan nilai Ik yang merupakan nilai masukan fungsi aktivasi lapisan keluaran.

Nilai masukan zk pada lapisan keluaran dihitung dengan

menggunakan fungsi aktivasi f dengan masukan Ik . Hal ini telah diformulasikan dalam persamaan 6 dan 7. I k = ∑ wkj y j j

(6)

z k = f (I k )

(7)

Secara ringkas zk dapat ditulis dalam persamaan berikut:

  z k = f (I k ) = f  ∑ wkj y j  =  j 

  f  ∑ wkj f (H j ) =  j 

   f  ∑ wkj f  ∑ v ji x i    i   j

(8)

dengan fungsi aktivasi berupa fungsi sigmoid sebagai mana berikut ini: f (x ) =

1 1 + e − βx

(9)

turunan pertama fungsi sigmoid tersebut adalah sebagai berikut,

f ' (x) = β dimana

β

e−βx

(1 + e )

−β x 2

= β f ( x )(1 − f ( x )) (10)

adalah gain atau slope fungsi sigmoid. Selanjutnya pelatihan pada JST

(pembobotan) dilakukan dengan menimumkan total error untuk semua data melalui koreksi pembobot.

Rata-rata total error merupakan merupakan error

keluaran untuk semua pasang data training yang dapat ditulis sebagai berikut, Etot =

1 p p ∑E p p =1

(11)

Pada pembelajaran dengan prosedur koreksi pembobot (delta rule),nilai koreksi pembobot sebanding dengan pengurangan error relative terhadap

15

perubahan pembobot yang disebut Gradient Descent Method. Koreksi pembobot dapat ditulis sebagai persamaan berikut: ∆W (s + 1) = −η∂E p / ∂W (s )

(12)

dimana ? adalah laju pembelajaran (konstanta yang nilainya 0< ? <1). Persamaan di atas dapat ditulis lebih lengkap untuk setiap pembobot adalah sebai berikut:,

[

∂E p / ∂W = ∂E p / ∂v11, ∂E p / ∂v12 ,...., ∂E p / ∂w11,....., ∂E p / ∂whm

]

(13)

Berdasarkan persamaan 8 dan 10 maka perubahan total error sistem dapat ditulis sebagai berikut ∂Etot 1 p ∂E p = ∑ ∂W p p=1 ∂W

(14)

dimana E adalah sebagai berikut: E=

(

1 m p p t k − zk ∑ 2 k =1

)

2

(15)

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

−η

∂E = ∆wkj = ηδ k y j = η (t k − t z ) f ' (I k ) y j ∂wkj

(16)

dimana δ k = (t k − t z ) f ' ( I k )

(17)

dan pengkoreksi pembobot antara lapisan tersembunyi dengan lapisan masukan adalah sebagai berikut,

−η

∂E = ∆v ji = ηδ j xi = ηx i f ' (H j )∑ δ k wkj ∂v ji k

(18)

dimana, δ j = f ' (H j )∑ δ k wkj k

(19)

Untuk mempercepat konvergen, ditambahkan inersia atau momentum, yaitu dengan menambahkan pengkoreksi pembobot sebelumnya ke pengkoreksi

16

pembobot sekarang.

Sehingga pengkoreksi pembobot antara lapisan keluaran

dengan lapisan tersembunyi berturut-turut ditulis seperti berikut ini,

∆wkj (t + 1) = −η ∆v ji (t + 1) = −η

∂E + α∆wkj (t ) ∂wkj

(20)

∂E + α∆v ji (t ) ∂v ji

(21)

dimana a adalah momentum (konstanta 0
wkjnew = wkjold + ∆wkj (t + 1)

(22)

dan pembobot antara lapisan tersembunyi dengan lapisan masukan dilakukan dengan persamaan berikut,

( ) v new = v old ji ji + ∆v ji t + 1

(23)

Keseluruhan proses ini dilakukan pada setiap contoh dan setiap iterasi. Proses pemberian contoh atau pasangan masukan dan keluaran, perhitungan nilai aktifasi dan pembelajaran dengan mengkoreksi pembobot dilakukan terus menerus sampai didapatkan nilai pembobot dengan nilai total error sistem mencapai minimum global. Laju pembelajaran (learning rate).

Penentuan laju pembelajaran akan

sangat menentukan kecepatan pelatihan sampai JST mencapai keadaan optimal. Nilai laju pembelajaran dipilih 0< ? <1. Penentuan laju pembelajaran merupakan yang penting karena laju pembelajaran yang besar akan membuat JST melewati minimum lokal akan tetapi sistem akan berisolasi sehingga tidak mencapai konvergensi. Sebaliknya jika nilainya terlalu kecil menyebabkab sistem terjebak pada pada minimum lokal dan memerlukan waktu yang lama untuk proses pelatihan. Sehingga tujuan pelatihan algoritma back propogation untuk memperkecil error hingga mencapai minimum global tidak tercapai.

Untuk

menghindari hal tersebut maka suatu konstanta momentum yang nilainya 0< ? <1 perlu ditambahkan kedalam sistem. Dengan cara tersebut laju pembelajaran bisa dipilih dengan nilai cukup besar dan osilasi sistem dapat diminimalkan.

17

Penghentian Pelatihan Pelatihan JST dengan back propagation dilakukan terus menerus sehingga nilai error minimum global tercapai. Penghentian berdasarkan gradien adalah pelatihan dihentikan bila harga error telah mencapai nilai nilai sangat kecil. Akan tetapi gradien yang bernilai kecil tidak selalu berati bahwa JST berada dekat titik minimum, karena semua titik minimum, titik maksimum dan titik belok stasioner mempunyai nilai gradien sama dengan nol. Sehingga kelemahan metode ini adalah terletak pada penghentian pada titik yang mungkin keliru. Penghentian

berdasarkan

jumlah

kuadrat

error

adalah

dengan

menghentikan pelatihan jika kesalahan telah mencapai nilai dibawah ambang yang telah ditentukan.

Metode ini membutuhkan pengetahuan mengenai nilai

minimum tersebut. Penghentian berdasarkan jumlah iterasi, yaitu proses pelatihan dihentikan bila jumlah iterasi telah dilakukan dengan suatu kepercayaan bahwa jumlah iterasi tertentu akan mencapai minimum global. Validasi silang, suatu metode yang dalam pelatihannya menggunakan suatu set data lain untuk menguji proses pelatihan. Pelatihan dihentikan jika kinerja generalisasi tidak lagi membaik. Metode ini dilakukan dengan membagi pasangan pelatihan menjadi dua kelompok yaitu: himpunan pelatihan dan himpunan validasi.

Algoritma Genetika (AG) Salah satu teknik optimasi yang makin banyak digunakan akhir-akhir ini adalah algoritma genetika (Gambar 6).

Penggunaannya dalam kontrol

greenhouse, diantaranya dikemukakan oleh Ursem et al. (2002).

Algoritma

genetika menggunakan analog fenomena natural, yaitu adaptasi evolusi biologis, dimana individu- individu terbaik dalam suatu populasi akan mengalami persilangan-persilangan dan mutasi- mutasi dimana yang lebih baik dapat bertahan, sedangkan yang lemah akan punah. Populasi

terdiri

dari

individu- individu

yang

masingmasing

mempresentasikan penyelesaian yang mungkin untuk suatu permasalahan.

18

Masing- masing individu, yang dalam hal ini dipersamakan dengan kromosom, mempunyai nilai fitness yang bersesuaian dengan kelayakan solusi permasalahan. Beberapa individu dalam populasi dengan nilai fitness lebih baik berpeluang untuk beriterasi (reproduksi). Dalam prosesnya akan terjadi rekombinasi (cross over) dan mutasi.

Setelah mengalami seleksi akan menghasilkan individu-

individu baru yang diharapkan merupakan sekumpulan solusi yang paling mungkin, yang pada gilirannya iterasi dihentikan dan dipilih satu solusi yang paling mungkin. Salah satu kelebihan algoritma genetika adalah relatif sederhana karena kemampuannya untuk belajar dan beradaptasi, yaitu hanya memerlukan informasi tentang struktur kromosom (individu) dan bentuk fungsi fitness dari permasalahan yang dihadapi kemudian akan mencari sendiri solusi terbaik untuk permasalahan yang dihadapi (Yandra dan Hermawan 2000). Algoritma genetika menggunakan analogi langsung dari sifat natural. Algoritma ini menggunakan populasi dari individu- individu yang masingmasing mewakili penyelesaian yang mungkin untuk problem yang diberikan.

Masing-

masing individu mempunyai nilai fungsi fitness sesuai dengan kelayakan pada penyelesaian problem. Individu yang sangat fit memperoleh kesempatan untuk rekmobinasi dengan individu- individu dalam populasi. Proses ini menghasilkan individu- individu baru sebagai keturunannya yang memiliki sifat induknya. Individu yang nilai fungsi fitness lemah tidak akan dipilih untuk reproduksi sehingga spesiesnya akan punah. Selain cross over antar individu, pada evolusi alam juga dikenal mutasi. Yaitu perubahan pada individu yang tidak dipengaruhui oleh individu yang lain. Setelah mengalami cross over jumlah individu bertambah dalam populasi. Untuk menghasilkan generasi berikutnya hanya dipilih individu yang mempunyai nilai fitness yang terbaik.

Agar jumlah populasi sama dengan populasi generasi

sebelumnya maka individu dengan nilai fitness rendah dibuang. Proses ini diulang sampai generasi yang diinginkan atau nilai fungsi fitness yang tinggi untuk penyelesaian permasalahan. Algoritma genetika (AG) mempunyai karakteristik yang berbeda dengan prosedure pencarian atau teknik optimasi lainnya. Berikut ini adalah karakteristik

19

GA sehingga membedakan dengan teknik optimasi lainnya:

1) AG bekerja

dengan pengkodean dari himpunan solusi permasalahan berdasarkan parameter yang telah ditetapkan, dan bukan parameter itu sendiri, 2) AG melakukan pencarian pada sebuah populasi dari sejumlah individu- individu yang merupakan solusi permasalahan, bukan dari hanya sebuah individu, 3) AG menggunakan informasi fungsi objektif (fitness), sebagai cara untuk mengevaluasi individu yang mempunyai solusi yang terbaik, bukan turunan dari suatu fungsi, dan 4) AG menggunakan

aturan-aturan

transisi

probabilistik,

bukan

aturan-aturan

deterministik. Variabel-variabel yang digunakan pada algoritma genetika adalah sebagai berikut: 1) Fungsi fitness, yang dimiliki oleh masingmasing individu untuk menentukan tingkat kesesuaian individu tersebut dengan kreteria yang ingin dicapai. Fitness ini yang akan dimaksimalkan dengan penerapan algoritma genetika, 2) Populasi jumlah individu yang dilibatkan dalam setiap generasi, 3) Peluang (probabilitas) terjadi rekombinasi pada suatu generasi, 4) Peluang terjadi mutasi pada setiap transfer bit, dan 5) Jumlah generasi yang akan dibentuk yang menentukan lama dari penerapan algoritma genetika. Representasi atau pengkodean merupakan bagian terpenting dari AG. Setiap individu diwakili oleh sebuah kromosom yang tersusun beberapa gen. Setiap parameter dipresentasikan oleh gen. Gen-gen tersebut berbentuk nilai dalam tipe string. String tersebut biasanya dalam bentuk biner, desimal, alfabet ataupun kode lain yang dapat digunakan untuk mempresentasikan suatu parameter yang akan dicari. Jika menggunakan biner maka nilai biner tersebut dijadikan desimal dan dinormalisasi kedalam nilai minimum dan maksimum setiap parameter.

20

Populasi awal

Fungsi fitness Pengurutan dan seleksi

Rekombinasi Mutasi Tidak

Fungsi fitness Seleksi

Generasi > target generasi Ya Selesai

Gambar 6 Tahapan algoritma genetika

Sistem Kontrol Umpan Balik Menurut terminologi, kontrol umpan balik (feedback control) adalah algoritma kontrol atau sistem dimana keluaran kontrol dihitung berdasarkan hasil keluaran variabel proses. Kontrol adaptif adalah kontrol yang parameternya dapat disesuaikan menurut kondisi ril dan mekanisme untuk menyesuaikan parameter tersebut tersedia.

Kontrol optimal adalah kontrol yang mengkombinasikan

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

21

yang berubah menurut waktu atau dengan kata lain mendapatkan performansi kontrol yang dapat meminimalkan fungsi biaya. Sistem kontrol adaptif lingkungan-biologik (SKALB) adalah sistem perangkat lunak yang menyediakan fasilitas kontrol yang acuannya atau set point (lingkungan optimal) dapat disesuaikan menurut kondisi produk tanaman yang diinginkan, dapat berbasis kuantitas, kualitas, maupun selera dan menyediakan fasilitas pilihan modus kontrol agar variabel proses besarnya sama dengan acuan atau dengan kata lain agar error hasil respon sistem kontrol kecil dan stabil disemua daerah operasi. Disini terdapat dua pemecahan optimasi, yaitu lingkungan optimal untuk dijadikan acuan dan parameter optimal kontrol untuk mendapat performansi yang diinginkan. Dari penjelasan di atas, terdapat perbedaan antara SKALB dengan kontrol adaptif.

Istilah adaptif pada SKALB dikaitkan dengan penyesuaian acuan

terhadap produk yang diinginkan sedangkan pada kontrol adaptif dikaitkan dengan penyesuaian parameter kontrol terhadap upaya untuk mempertahankan agar acuan sama dengan variabel proses (self tuning controller). Demikian juga antara SKALB dengan kontrol optimal. Istilah optimal pada SKALB berkenaan dengan dua hal. Pertama, berhubungan dengan pengoptimalan lingkungan yang akan dijadikan sebagai acuan adalam pengontrolan. Kedua, pengoptimalan parameter kontrol untuk mendapatkan performansi respon kontrol yang dikaitkan dengan error minimum. Sedangkan pada kontrol optimal dihubungkan dengan performansi respon kontrol yang menghasilkan fungsi biaya yang minimum. Namun demikian, disamping terdapat perbedaan, antara SKALB dengan kontrol adaptif juga terdapat persamaan, yaitu sama-sama merupakan kontrol umpan balik.

Demikian juga antara SKALB dengan kontrol optimal, keduanya

berimplikasi kepada keuntungan ekonomis. Kontrol yang didesain dalam sistem kontrol adaptif lingkungan-biologik ini merupakan kontrol umpan balik yang mencakup empat tahap pengontrolan, yaitu mengukur, membandingkan, menghitung, dan mengoreksi. Tiga tahap dari empat langkah pengontrolan dikelompokkan ke pengontrol (controller), yaitu membandingkan antara acuan dengan variabel proses (besaran lingkungan-

22

biologik), menghitung berapa banyak koreksi yang perlu dilakukan, dan mengeluarkan sinyal koreksi sesuai dengan hasil perhitungan. Sedangkan langkah atau algoritma menghitung besarnya koreksi dilakukan oleh modus kontrol, seperti fazi dan PID. Masukan modus kontrol adalah error dan perubahan error dan keluarannya adalah sinyal koreksi atau variabel manipulasi yang dapat diubah-ubah besarnya agar variabel proses atau varabel kontrol besarnya sama dengan acuan.

Upaya untuk mempertahankan varibel

proses dengan acuannya, masing masing modus kontrol mempunyai parameterparameter. Parameter-parameter ini harus optimal. Bila tidak, sistem kontrol akan mudah menjadi tidak stabil bila terjadi perubahan acuan atau gangguan. Untuk menentukan parameter optimal kontrol dalam SKALB ini menggunakan operator algoritma genetika. Kontrol menggunakan logika fazi diklasifikasikan dalam kontrol moderen (advanced control) sedangkan PID diklasifikasikan dalam kont rol klasik (Haley dan Mulvaney 1995). Namun demikian bukan berarti kontrol moderen selalu lebih baik dari kontrol klasik. Banyak faktor yang mempengaruhinya, antara lain karakteristik dari proses yang akan dikontrol dan kondisi aktuator.

Hasil

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

penerapan modus kontrol fazi dan jaringan

syaraf buatan untuk pengontrolan pH pada budidaya hidroponik lebih baik dari kontrol klasik. Selain penerapannya untuk mengontrol suhu, modus kontrol PID juga pernah diterapkan untuk mengontrol konsentrasi O2 terlarut dan derajat keasaman (Oeggerli et al. 1995). Bagaimanapun modus kontrol PID tidak dapat diterapkan untuk mengontrol semua variabel proses. Akhir-akhir ini, dalam perkembangan kontrol, kontrol PID biasanya dijadikan pembanding (standar), atau juga pengembangan kontrol baru tersebut bertitik-tolak dari kontrol ini, seperti yang dilakukan oleh Chao dan Gates (1996); Chotai dan Young (1991); Chotai et al. (1991), Dantigny dan Lakrori (1991); dan Driscoll et al. (1995).

23

Sistem kontrol adaptif lingkungan-biologik (SKALB) dikembangkan berdasarkan identifikasi acuan optimal dan estimasi parameter optimal kontrol, terdiri dari fasilitas subsistem penentuan acuan optimal, subsistem penentuan parameter optimal kontrol, dan subsistem kontrol real time. Pada gilirannya, hasil penentuan identifikasi acuan optimal dan estimasi parameter optimal kontrol akan dimanfaatkan dalam aplikasi mengontrol lingkungan-biologik secara real time di dalam rumah tanaman. Pengertian lingkungan-biologik disini ada dua hal, yaitu pertama adalah keterkaitan antara faktor lingkungan sebagai masukan dengan produk tanaman sebagai keluaran, dan kedua adalah berkenaan dengan penempatan sensor untuk mendeteksi masukan maupun kebutuhan sensor untuk keluaran.

Hal yang

pertama, mengimplikasikan perlu diketahui terlebih dahulu kondisi lingkungan optimal sebelum dilakukan pengontrolan. Untuk menentukan kondisi lingkungan optimal perlu dicari hubungan matematis (model) antara lingkungan dengan produk yang diinginkan, dapat berbasis kuantitas, kualitas, maupun selera. Pengertian lingkungan-biologik yang kedua adalah penempatan sensor masukan disekitar kanopi untuk mendeteksi lingkungan di sekitar tanaman berikut faktor- faktor fisika, kimia dan biologi yang mempengaruhinya sebagai hasil interaksi antara lingkungan dengan tanaman itu sendiri melalui proses fotosintesis, respirasi, dan transpirasi. Hal ini dianggap reperesentasi dari rata-rata kondisi yang ingin dikontrol guna menghasilkan produk panen yang diinginkan.

PENDEKATAN SISTEM KONTROL ADAPTIF LINGKUNGAN-BIOLOGIK

Konsep Sistem Kontrol Adaptif Lingkungan-biologik Sistem kontrol adaptif lingkungan-biologik (SKALB) ini didekati berdasarkan identifikasi acuan optimal dan estimasi parameter optimal kontrol (teknik kontrol), terdiri dari fasilitas subsistem penentuan acuan optimal, subsistem penentuan parameter optimal kontrol, dan subsistem kontrol real time. Pada gilirannya, hasil penentuan identifikasi acuan optimal dan estimasi parameter kontrol akan dimanfaatkan dalam aplikasi mengontrol lingkunganbiologik secara real time di dalam rumah tanaman. Adapun arsitektur sistem kontrol adaptif lingkungan-biologik dapat dilihat pada Gambar 7. Pengertian lingkungan-biologik disini ada dua hal, yaitu pertama adalah keterkaitan antara faktor lingkungan sebagai masukan dengan produk tanaman sebagai keluaran, dan kedua adalah berkenaan dengan penempatan sensor untuk mendeteksi masukan maupun kebutuhan sensor untuk keluaran.

Hal yang

pertama, mengimplikasikan perlu diketahui terlebih dahulu kondisi lingkungan optimal sebelum dilakukan pengontrolan. Untuk menentukan kondisi lingkungan optimal perlu dicari hubungan matematis (model) antara lingkunga n dengan produk yang diinginkan, dapat berbasis kuantitas, kualitas, maupun selera. Pengertian lingkungan-biologik yang kedua adalah penempatan sensor masukan disekitar kanopi untuk mendeteksi lingkungan di sekitar tanaman berikut faktor- faktor fisika, kimia dan biologi yang mempengaruhinya sebagai hasil interaksi antara lingkungan dengan tanaman itu sendiri melalui proses fotosintesis, respirasi, dan transpirasi. Hal ini dianggap representasi dari rata-rata kondisi yang ingin dikontrol guna menghasilkan produk panen yang diinginkan. Kebutuhan sensor keluaran pada properti produk yang diinginkan tidak perlu secara langsung.

Maksudnya pada waktu pengontrolan pendeteksian

keluaran (produk) tidak diperlukan lagi. Karena pendeteksian properti produk tidak diperlukan dalam operasi real time kontrol maka data keluaran dapat dikumpulkan baik secara destruktif maupun tidak destruktif. Dengan kata lain bagian produk yang diinginkan dapat dianalisa atau diukur dengan cara dirusak

25

atau dengan tidak dirusak. Hal ini memungkinkan untuk memilih properti produk apa yang menjadi target, dan keluwesan ini menjadikan SKALB lebih aplikatif. Pada konsep speaking plant yang dikemukakan Hashimoto (1989), kondisi lingkungan optimal (acuan optimal) ditentukan oleh komputer secara on-line. Proses pengambilan keputusan ini memerlukan waktu sedangkan kondisi lingkungan terus berubah (tidak konstan).

Bila dikembangkan di Indonesia,

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

Karena

kecepatan komputer dan sistem sensor juga belum memadai untuk mendukung proses yang demikian. Sehubungan hal di atas, maka SKALB didesain secara off-line untuk menentukan lingkungan optimal dan parameter kontrol optimal dengan tidak menutup kemungkinan untuk operasi on-line, yang tentunya perlu penyesuaian seperlunya bila memang perangkat keras yang mendukungnya tersedia. Aplikasi kontrol adaptif secara real time (Gambar 10) dilakukan setelah penentuan acuan optimal dan parameter optimal kontrol. Acuan selain dapat ditentukan melalui fasilitas yang disediakan juga dapat didasarkan dari literatur atau pengalaman setempat, sesuai dengan kebutuhan. Fasilitas sistem kontrol optimal lingkungan-biologik dapat digunakan untuk mengontrol kebutuhan penggunaan sarana produksi agar tidak berlebihan, yang pada gilirannya bila tidak dikontrol akan berakibat pada kerugian ekonomi atau lingkungan. Selain itu, juga dapat

digunakan

untuk

mamanipulasi

lingkungan-biologik

dalam

upaya

mendapatkan produk dengan kuantitas, kualitas dan selera yang diharapkan. Perangkat lunak sistem kontrol optimal lingkungan-biologik yang dikembangkan ini dapat digunakan mendukung usaha agribisnis yang lebih memilih teknologi spesifik dalam memproduksi komoditas pertanian dengan kualitas prima di dalam rumah tanaman, khususnya tanaman hortikultura. Aplikasi real time SKALB dirancang untuk mengakomodasi interface card PCL 812 PG. akuisisi data.

Selain untuk pengontrolan juga dapat digunakan untuk

Data dapat ditampilkan secara langsung melalui layar maupun

direkam. Data yang direkam dapat diekspor ke program umum, seperti excel dan notepad.

26

Estimasi parameter optimal kontrol melalui simulasi

Identifikasi JST

Optimasi ALGORITMA GENETIKA

LINGKUNGAN DI LUAR RUMAH TANAMAN

Model PINDAH PANAS Model lingkungan

PARAMETER OPTIMAL KONTROL

ACUAN

e

+

Kontrol PID dan FAZI

LINGKUNGAN BIOLOGIK

PRODUK TANAMAN

PROSES CITRA

_ Identifikasi JST

Sensor

Kontrol (real time)

Identifikasi acuan optimal

LINGKUNGAN OPTIMAL

Model tanaman


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

27

Struktur Sistem Kontrol Adaptif Lingkungan-biologik Acuan optimal diperoleh dari parameter lingkungan optimal yang didasarkan pada hasil maksimal produk ya ng dipanen baik secara kualitas, kuantitas, maupun selera, tergantung kondisi produk yang diinginkan. Kondisi lingkungan optimal tidak selalu berarti lingkungan diharapkan meningkatkan pertumbuhan tanaman.

Kadang-kadang cekaman (stress) lingkungan dapat

menghambat pertumbuhan tetapi meningkatkan kualitas, seperti perlakuan cekaman air terhadap tanaman sayuran yang dapat meningkatkan kerenyahan, hal ini termasuk kondisi optimal yang dikaitkan dengan peningkatan kualitas. Perlakuan lingkungan dapat mempengaruhi rasa pada nenas, bau pada tembakau, dan lainlain. Disamping itu, tanaman juga mempunyai daya adaptasi terhadap perubahan kondisi lingkungan. Jadi kondisi lingkungan optimal dapat berbeda-beda, tergantung untuk kebutuhan apa lingkunga n itu dimanipulasi. Hal di atas menunjukkan bahwa kondisi lingkungan-biologik optimal tanaman tidak konstan, sehingga perlu disediakan fasilitas penentuan acuan tersebut untuk mengantisipasi kebutuhan yang diinginkan.

Pada fasilitas

penentuan acuan optimal (Gambar 8) terdapat sub sistem model tanaman dan sensor citra (Gambar 11). Operator model tanaman dan optimasi yang digunakan, masing masing adalah jaringan syaraf buatan (JST) dan algoritma genetika (AG). Parameter optimal kontrol dihubungkan dengan bias (error) yang minimum dan performansi kontrol yang stabil. Pada fasilitas penentuan parameter optimal kontrol terintegrasi dengan sistem simulasi (Gambar 9). Disini parameter optimal kontrol ditentukan melalui simulasi dengan pilihan menggunakan operator JST atau model pindah panas. Hubungan lingkungan di luar dan di dalam rumah tanaman (lingkungan biologik) dijelaskan oleh model lingkungan (Gambar 12).

Kemudian ditentukan parameter kontrol optimal menggunakan

operator algoritma genetika.

Adapun fasilitas pilihan menu kontrol yang

disediakan adalah fazi, PID, P, PI dan PD.

28

LINGKUNGAN BIOLOGIK

ACUAN

PRODUK TANAMAN

PROSES CITRA

Identifikasi JST Model tanaman

LINGKUNGAN OPTIMAL

Gambar 8 Struktur sistem identifikasi acuan optimal


29

Identifikasi JST Optimasi ALGORITMA GENETIKA


Model PINDAH PANAS Model lingkungan


ACUAN

e +

+

Kontrol PID & FUZI

LINGKUNGAN BIOLOGIK

_ Gambar 9 Struktur sistem estimasi parameter optimal kontrol melalui simulasi

30


Optimal ACUAN

e +

+

Kontrol PID dan FAZI

LINGKUNGAN BIOLOGIK

_ Sensor

Gambar 10 Struktur sistem kontrol real time

LINGKUNGAN BIOLOGIK

PRODUK TANAMAN

PROSES CITRA

Identifikasi JST

Gambar 11 Struktur model tanaman

Komponen Struktur Sistem Kontrol Adaptif Lingkungan-biologik Sistem kontrol adaptif lingkungan-biologik terdiri dari komponenkomponen berikut, yaitu operator identifikasi jaringan syaraf tiruan (JST), operator optimasi algoritma genetika (AG), kontrol fazi, kontrol PID, pengolah citra dan model pindah panas dan massa.

Jaringan Syaraf Tiruan Adapun algoritma komponen JST penjalaran balik (Gambar 13) adalah pertama-tama memberikan vektor masukan X=(1,2, …6)T . Kemudian secara berturut-turut menghitung: masukan total dari setiap simpul pada lapisan tersembunyi (pers 24), keluaran dari setiap simpul pada lapisan tersembunyi (pers 25), masukan total dari setiap simpul pada lapisan keluaran (pers 26),

31

Identifikasi JST


Model PINDAH PANAS

LINGKUNGAN BIOLOGIK

Gambar 12 Struktur model lingkungan

keluaran dari setiap simpul pada lapisan keluaran (pers 27), error dari setiap simpul pada lapisan keluaran (pers 28), error dari setiap simpul pada lapisan tersembunyi (pers 29), bobot pada lapisan tersembunyi (pers 30), dan mengubah harga bobot pada lapisan keluaran (pers 31). Adapun persamaan-persamaan yang dimaksud adalah sebagai berikut, n

M hj = ∑ W hij X i

(24)

h M hj = f j ( M hj)

(25)

i =1

n

M ok = ∑ W ojk M hj j =1

( )

(26)

M ko = f o M ko

(27)

d ok = Y k − M ok

(28)

2

d hj = ( M hj )( ∑ Y k − M ok )W ojk )

(29)

W ijo (t + 1) = W oij (t) + ? d hj X i

(30)

W ojk (t + 1) = W ojk (t) + ? d ok X hj

(31)

k =1

32

Waktu Tunda Waktu Tunda

M hj

Xi Yc(t -1)

x=1 .

Yl(t -1)

x=2 .

Xn(t)

x=3 .

Xs(t)

x=4 .

Xh(t)

x=5 .

Xr(t)

x=6 .

Wijh

J=1 . J=2 .

o W jk

M ko k=1 .

Yc(t)

k=2 .

Yl(t)

. . . J=n .

Gambar 13 Arsitektur JST respon dinamik

Algoritma Genetika Komponen algoritma genetika tiruan (Gambar 14) dicirikan dengan kodefikasi kumpulan solusi acak yang disebut populasi. (kromosom) dalam populasi merupakan calon solusi.

Setiap individu

Individu- individu ini

kemudian berevolusi melalui beberapa iterasi atau sering disebut generasi. Pada setiap iterasi, individu dievaluasi menggunakan fungsi fitness. Individu yang nilai fitness lebih tinggi akan terus dipertahankan dan akan mengalami rekombinasi dan mutasi. Hasil dari rekombinasi dan mutasi adalah individu- individu baru yang mewarisi sifat solusi dari iterasi sebelumnya. Rekombinasi antara individu yang nilai fitness lebih baik diharapkan menghasilkan individu yang nilai fitnessnya lebih baik pula.

Setelah beberapa iterasi algoritma ini akan menghasilkan

individu terbaik yang diharapkan merupakan solusi optimal dari permasalahan yang dihadapi. Proses-proses dalam algoritma genetika tiruan, seperti pada proses kodefikasi, rekombinasi, mutasi dan evaluasi mempunyai banyak metode, dan kini semakin berkembang. Algoritma ini biasanya dibangun dalam bentuk perangkat

33

lunak (komputasi) dan pada aplikasinya menggunakan parameter-parameter ukuran populasi, probabilitas rekombinasi (Pc), probabilitas mutasi (Pm) dan banyaknya iterasi.

Kesemuanya ditujukan untuk menghasilkan iterasi yang

konvergen dan menghindari optimum lokal. Adapun algoritma genetika dengan JST dina mik dapat dilihat pada Gambar 14. Kumpulan Solusi Mula-mula. Sekumpulan solusi yang dipresentasikan oleh populasi individu dibangkitkan secara acak dalam bentuk string biner. Setiap individu, untuk kebutuhan ini, memberikan informasi 4 variabel, larutan nutrisi yang diberikan, suhu, kelembaban dan iradiasi. Panjang string biner adalah 4xn, dimana n merupakan jumlah gen tiap variabel, pada implementasi ini n=8. Nilai dalam biner ini kemudian dikonversi ke desimal dan dipetakan kedalam nilai minimum dan maksimum setiap variabel. Nilai hasil pemetaan setiap variabel digunakan untuk menghitung nilai fitness total dari model jaringan syaraf tiruan yang telah dikembangkan sebelumnya. Nilai varibel minimum dan maksimum diintroduksi dari hasil pengukuran percobaan lapang. Fungsi Fitness.

Evaluasi yang menggunakan fungsi fitness pada

prinsipnya membandingkan solusi-solusi (individu-individu) yang tersedia. Pada penelitian ini dicobakan dua fungsi fitness sebagai berikut,

n  1   F1 = ∑ α Yc (t ) + β   Y (t )+ c  i  l 

(32)

n   n α Yc ( t ) l  = ∑ F2 = ∑ αYc ( t ) *  β Y ( t ) + c i  l  i β Yl ( t ) + c

(33)

dimana F1 adalah fungsi fitness 1, F2 adalah fungsi fitness 2, α dan β , adalah koefisien untuk Yc (t) adalah rasio luas kanopi-diameter batang (rasio kanopidiameter) pada saat t (cm2 /cm), Yl (t) adalah outflow (nutrisi yang hilang) pada saat t (ml), c adalah konstanta, i adalah data ke-i, dan n adalah data ke-n. Persamaan (32) dan (33) disusun dengan tujuan untuk memaksimalkan nilai fitness (f), yang pada prinsipnya untuk memaksimalkan rasio kanopidiameter dan meminimalkan limpasan nutrisi.

Jadi disini limpasan nutrisi

34

merupakan faktor pembatas atau pengendali dari faktor rasio kanopi-diameter. Konstanta c sebagai antisipasi untuk menghindari variabel Yl(t) sama dengan nol, untuk mengakomodasi keperluan tersebut tetapi juga diharapkan nilai c ini tidak berpengaruh signifikan, maka ditentukan nilai c adalah 10-6 . Fungsi tujuan yang digunakan adalah jaringan syaraf tiruan (JST) respon dinamik. Seleksi dan Urutan Data.

Seleksi didasarkan pada parameter ukuran

populasi (jumlah solusi) mula- mula, artinya jumlah solusi dipertahankan tetap. Banyaknya penambahan solusi sabagai hasil dari rekombinasi, banyaknya tergantung nilai parameter ukuran populasi dan probalitas rekombinasi (Pc), ditiadakan. Adapun prosesnya adalah dengan cara mengabungkan terlebih dahulu seluruh individu sebelumnya dengan individu hasil rekombinasi, kemudian diurutkan sesuai dengan nilai fitness dan diambil sejumlah yang terbaik sesuai dengan parameter ukuran populasi mula-mula. Nilai fitness disusun berurut, yang disimpan dalam array 1 sedangkan data populasi (kumpulan solusi) disimpan dalam string array 2. Series data didasarkan pada perubahan nilai fitness yang disimpan di array 1 sedangkan string solusi pada array 2 hanya menyesuaikan. Dengan cara demikian urutan nilai fitness akan bersesuaian dengan urutan solusi. Rekombinasi. Rekombinasi (cross over) dilakukan secara acak pada solusisolusi terseleksi yang mempunyai nilai fungsi fitness tertinggi dalam satu iterasi. Dan jumlahnya yang mengalami rekombinasi didasarkan pada besarnya parameter probabilitas rekombinasi (Pc). Misalnya nilai Pc adalah 0,2, maka diharapkan 20% dari populasi akan mengalami rekombinasi, yaitu 5 dari 25 solusi. Karena untuk melakukan rekombinasi jumlah solusi harus genap, maka jumlah yang ganjil digenapkan ke bawah. Untuk kasus di atas, jumlah solusi yang mengalami rekombinasi adalah empat. Pada Solusi-solusi tersebut dilakukan pemotongan pada empat tempat (karena ada 4 variabel). Rekombinasi hanya terjadi pada variabel variabel yang bersesuaian, misalnya antara variabel suhu pada solusi 1 dengan variabel suhu pada solusi 2, demikian seterusnya.

35

Mutasi. Mutasi terjadi pada level gen dan dilakukan secara acak dengan cara membangkitkan bilangan random. Bilangan random dibangkitkan sebanyak jumlah gen pada populasi. Bila bilangan random untuk gen pada solusi tersebut lebih kecil dibandingkan dengan parameter probabilitas mutasi (Pm) maka gen itu akan mengalami mutasi, yaitu string 0 akan berubah menjadi 1 atau sebaliknya. Jumlah gen yang mengalami mutasi didasarkan pada. parameter Pm. Misalnya nilai Pm adalah 0,01, maka diharapkan 1% dari populasi akan mengalami mutasi, yaitu 8 dari 800 gen.

Jumlah 800 gen merupakan hasil dari asumsi jumlah

populasi adalah 25 solusi, masingmasing solusi terdiri 4 variabel, dan masingmasing variabel mempunyai panjang 8 gen.

Mulai Kumpulan solusi mula-mula Fungsi fitness =(JST d inamik) Seleksi (e litis) Rekombinasi Mutasi Fungsi fitness =(JST d inamik) Seleksi (elitis) Belum Target generasi, Ya Solusi terbaik Selesai

Gambar 14 Arsitektur algoritma genetika dengan fungsi fitness JST respon dinamik

36

Iterasi. Iterasi adalah proses pengulangan pada tahap rekombinasi, mutasi, evaluasi (penghitungan nilai fitness, dalam hal ini menggunakan bobot JST respon dinamik), dan seleksi. Penentuan banyaknya iterasi memperhatikan kemungkinan terjebak pada maksimum lokal, artinya kalaupun hasil iterasi konvergen tetapi terkondisi pada optimum lokal tujuan penyelesaian optimasi dengan algoritma genetika tidak akan tercapai.

Kontrol Fazi Teknik logika fazi telah banyak diaplikasikan dalam sistem kont rol. Antara lain, aplikasi pada pengontrolan posisi (Rohmanuddin 1994) dan aplikasi pada pengendalian suhu (Saptomo 1995). Struktur komponen kontrol fazi dapat dilihat pada Gambar 15.

Adapun

tahapannya secara ringkas adalah: 1) menghitung error dan beda error, 2) fazifikasi, 3) menentukan aturan kontrol (matrik keputusan) dan menghitung nilai maksimum, dan 4) defazifikasi. Pertama-tama dilakukan fazifikasi terhadap error (e) dan beda error (de) yang didapat dari selisih antara acuan dengan kondisi aktual.

Beda error

merupakan selisih antara error pada saat waktu t(e(t)) dengan error pada saat waktu t (e(t - ∆t)). Secara matematik error dan beda error dinyatakan dalam persamaan berikut, e( t ) = Tac ( t ) − Tak ( t )

(34)

de e( t ) − e( t − ∆t ) = dt ∆t

(35

bila ∆t=1, dan pers 34 disubtitusikan ke pers 35, maka persamaan menjadi, de = e( t ) − e( t − 1 )

(36)

de( t ) ( Tac( t ) − Tak ( t )) − ( Tac( t − ∆t ) − Tak ( t − ∆t )) = dt ∆t

(37)

de( t ) Tak ( t − ∆t ) − Tak ( t ) = dt ∆t

(38

37

Kemudian menentukan himpunan fazi dari kedua masukan kontrol, yaitu error (e) dan beda error (de), serta keluaran kontrol (u) ke dalam nilai linguistik dan ditentukan derajat keanggotaannya (Gambar 16).

Nilai linguistik untuk

ketiganya dibuat sama, yaitu NB, NS, NK, ZO, PK, PS dan PB.

Fungsi

keanggotaan yang digunakan adalah fungsi segitiga. Adapun penentuan derajat keanggotaan adalah mengikuti persamaan berikut,

y − y2 x − x2 = y1 − y 2 x1 − x 2

(39)

Pada Gambar 12, x adalah error (e), y adalah derajat keanggotaan error (µx (e)), x2 adalah error dengan derajat keanggotan sama dengan 0 (µx2 (e) = 0), dan x1 adalah error dengan derajat keanggotaan sama dengan 1 (µx1 (e) = 1), sehingga pers (39) dapat ditulis,

e − x2 (40) x1 − x2 Dengan demikian persamaan penentuan derajat keanggotaan error dan beda error, secara berturut-turut dapat ditulis, µ x( e ) =

µ x( e ) =

e − e1 e0 − e1

µ x ( de ) =

de − de1 de0 − de1

(41)

(42)

Setelah hasil penentuan derajat keanggotan dan nilai linguistik (fazifikasi) dan disimpan sebagai basis data, kemudian dilanjutkan dengan menentukan aturan kendali. Aturan kontrol fazi (Tabel 1) dibuat dalam bentuk aturan jika- maka dan terdapat hubungan antar aturan (fuzzy reasoning). Misalnya, terdapat hubungan empat aturan berikut: 1) Error (e) adalah NK dengan derajat keanggotaan µNK(e), beda error (de) adalah PK dengan derajat keanggotaan µPK(de), 2) error (e) adalah ZO dengan derajat keanggotaan µZO(e), beda error (de) adalah PS dengan derajat keanggotaan µPS(de), 3) error (e) adalah NK dengan derajat keanggotaan µNK(e), beda error (de) adalah PS dengan derajat keanggotaan µPS(de), dan 4) error (e) adalah ZO dengan derajat keanggotaan µZO(e).

38

Kemudian e dan de dengan derajat keanggotaan masingmasing dijadikan masukan untuk menentukan keluaran (U). Adapun aturan dibuat sebagai berikut: 1) jika e adalah NK dan de adalah PK maka u adalah ZO, 2) jika e adalah ZO dan de adalah PS maka u adalah PS, 3) jika e adalah NK dan de adalah PS maka u adalah PK, dan 4) jika e adalah ZO dan de adalah PK maka u adalah PK. Adapun bobot nilai w1 , w2 , w3 , dan w4 adalah, w1 = µ NK ( e ) xµ PK ( de )

(43)

w2 = µ ZO ( e ) xµ PS ( de )

(44)

w3 = µ NK ( e )xµ PS ( de )

(45)

w4 = µ ZO ( e )xµ PK ( de )

(46)

ACUAN

+

e

KONTROL FAZI

LINGKUNGAN

_ de = e(n) − e(n − 1) masukan

keluaran

Fazifikasi

Defazifikasi

Basis aturan (aturan kendali)

Mekanisme inferensi (reasoning) fazi

Gambar 15 Struktur komponen kontrol fazi

Keluaran dari inferensi (fuzzy reasoning) masih berupa label linguistik dengan derajat keanggotaan tertentu. Untuk itu perlu proses defazifikasi , yaitu menterjemahkan keputusan dalam label linguistik kedalam nilai numerik sehingga dapat digunakan dalam proses kontrol.

Pada kontrol ini, fungsi keanggotaan

keluaran u dianggap singleton, yaitu setiap label memiliki satu anggota dan

39

derajat keanggotaannya satu. Bila nilai w mempunyai nilai label yang sama pada fungsi output u maka nilai w yang digunakan adalah nilai w yang terbesar dan yang lainnya dianggap nol. Sehingga persamaan defazifikasi adalah sebagai berikut, n

u = ∑ wi × ui i =1

n

∑ wi

(47)

i =1

dimana u adalah keluaran kontrol, wi adalah bobot nilai, ui adalah nilai label ke- i, dan n banyaknya derajat keanggotaan. Secara ringkas algoritma kontrol fazi adalah:

menghitung error, beda

error, fazifikasi, menentukan aturan kontrol (matriks keputusan) dan menghitung nilai maksimum, defazifikasi dan keluaran ke aktuator. Untuk kebutuhan tuning, error dan beda error dibagi dengan suatu faktor, masingmasing disebut dengan parameter P1 dan P2 . e=

Tac −T ak P1

e − e2 de = 1 P2

Demikian juga, kisaran (range) nilai numerik untuk fungsi keanggotaan error, beda error dan keluaran dikalikan dengan suatu faktor, secara berturut-turut disebut parameter P3 , P4 , dan P5 . Nilai optimal dari lima parameter ini (P1 , P2 , P3 , P4 , dan P5 .) ditentukan sehingga fungsi tujuan minimum, karena itu parameterparameter tersebut merupakan variabel keputusan (decision variable).

NB

NS

NK

ZO

PK

PS

PB

-1r

0

1r

2r

3r ) x P3

1 µ

0 (-3r

-2r

Gambar 16 Fungsi keanggotaan error (e)

40

NB

NS

NK

ZO

PK

PS

PB

-1r

0

1r

2r

3r ) x P4

1 µ

0 (-3r

-2r

Gambar 17 Fungsi keanggotaan beda error (de)

NB

NS

NK

ZO

PK

PS

PB

0

1r

2r

3r ) x P5

1 µ

0 (-3r

-2r

-1r

Gambar 18 Fungsi keanggotaan keluaran (u)

x1 ,y1

y

0

x

x2 ,y2

Gambar 19 Metode penentuan derajat keanggotaan error dan beda error

41

Tabel 1 Matriks aturan kontrol fazi

Beda error (de)

NB NS NK ZO PK PS PB

E r r o r (e)

NB -1 -1 -1 -3r -2r -r 0

NS -1 -1 -3r -2r -r 0 r

NK -1 -3r -2r -r 0 r 2r

ZO -3r -2r -r 0 r 2r 3r

PK -3r -2r 0 r 2r 3r 1

PS r 0 r 2r 3r 1 1

PB 0 r 2r 3r 1 1 1

Kontrol PID Adapun struktur mekanisme kontrol proporsional- integral-diferensial (PID) dapat dilihat pada Gambar 20.

Mode kontrol PID dan penentuan

parameternya dengan metode Ziegler dan Nichols adalah mengikuti persamaan berikut (Phillips dan Harbor 1988), m(t ) = K P e(t ) + K I

∫ e(t )dt + K D d e(t ) dt

(48)

K I = ( ST TI ) × K P

(49)

K D = (T D S T ) × K P

(50)

K P = 1,2

(R f × L f )

(51)

TI = 2 × L f

(52)

TD = 0,5× L f

(53)

dimana m(t ) adalah keluaran PID, e (t ) adalah error, K P adalah konstanta proporsional, K I adalah konstanta integral, K D adalah konstanta diferensial, ST adalah sampling time (detik), T I adalah waktu integrasi (detik), T D adalah waktu diferensial(detik), R f

adalah gradien besaran fisik, L f

adalah seperempat

periode. Pemecahan persamaan integral dan diferensial mengikuti pendekatan Euler. Adapun pemecahan persamaan integral (Gambar 21), besarnya luasan

42

daerah di bawah kurva didekati dengan menghitung besarnya luasan daerah empat persegi panjang. Jika m(t ) adalah integral dari e (t ) ,

m[(k + 1)T ] = m[(k )T ] + Te[(k + 1)T ]

(54)

Pemecahan persamaan diferensial (Gambar 22) dengan mengasumsikan gradien

e (t ) pada t = (k + 1)T

sama dengan gradien garis lurus yang

menghubungkan e(k )T dengan e[(k + 1)T ] , maka m[(k + 1)T ] = e[(k + 1)T ] − e[(k )T ] T

ACUAN

+

e

(55)

KONTROL PID

LINGKUNGAN

_ de = e(k + 1)T − e(k )T keluaran

masukan

K P e[(k + 1)T ]

M [(k + 1)T ]

K I [e(k + 1)T + e(k )T + e (k − 1)T + ...] K D [e(k + 1)T − e(k )T ]

Gambar 20 Struktur komponen kontrol PID

e (t )

E[(k )T ]

E[(k + 1)T ] E[(k + 2 )T ]

(k )T (k + 1)T (k + 2 )T

t

Gambar 21 Pendekatan numerik Euler untuk pemecahan integral

43

e (t ) E [(k )T ]

E [(k + 1)T ]

(k )T

t

(k + 1)T

Gambar 22 Pendekatan numerik Euler untuk pemecahan diferensial Pemodelan Suhu dan Kelembaban Suhu dan kelembaban relatif (RH) di dalam rumah tanaman dipengaruhi oleh kondisi lingkungan di luar dan kondisi di dalam rumah tanaman itu sendiri, seperti lantai, ventilasi, dan bahan penyekat rumah tanaman. Pendekatan

model

suhu

dan

kelembaban

disusun

dengan

mempertimbangkan penempatan sensor-sensor lingkungan di sekitar kanopi tanaman dan mempertimbangkan faktor yang paling berpengaruh terhadap perubahan suhu dan kelembaban relatif disekitar penempatan sensor tersebut. Secara skematik sistem itu dapat dilihat pada Gambar 23. Konsep pemodelan suhu dan kelembaban dalam rumah tanaman (Gambar 24) menggambarkan bahwa rumah tanaman mendapatkan energi iradiasi matahari yang jatuh melalui atap transparan dan melepas panasnya bersama aliran udara menuju udara di dalam rumah tanaman dan lantai. Lantai secara konveksi akan melepas panas ke udara. Bersamaan dengan iradiasi yang jatuh ke atap, terjadi juga kehilangan panas lewat penetrasi lingkungan. Dari lingkungan ke udara dalam rumah tanaman atau sebaliknya, terjadi pindah panas dan massa melalui dinding secara konduksi dan konveksi atau aliran. Source (Q dan S) adalah untuk menurunkan atau menaikan suhu dan kelembaban. Asumsi yang digunakan dalam konsep pemodelan suhu dan kelembaban ini adalah:

1) suhu lantai dan udara dalam rumah tanaman seragam, 2)

kelembaban udara dalam rumah tanaman seragam, 3) suhu dan kelembaban udara lingkungan seragam, dan 4) kondisi lingkungan di sekitar kanopi tanaman berikut faktor- faktor fisika, kimia dan biologi yang mempengaruhinya sebagai hasil

44

interaksi antara lingkungan dengan tanaman itu sendiri melalui proses fotosintesis, respirasi, dan transpirasi diasumsikan reperesentasi dari rata-rata kondisi yang ingin dikontrol. Sehubungan dengan itu, untuk menduga suhu dan kelembaban relatif dalam rumah tanaman disusun persamaan-persamaan pindah panas dan massa yang dinyatakan dalam persamaan (56), (57), dan (58).

dTlt = ( hA )lt ( Tr − Tlt ) + αAlt I r dt dT ( mCp )r r = ( m&Cp )umk ( Tl − Tr ) + ( hA )lt ( Tlt − Tr ) dt + ( UA )d ( Tl − Tr ) + ( UA )a ( Tl − Tr ) − Qref ( mCp )lt

(56)

(57)

+ Q heat

mr

dH r = m&umk ( H l − H r ) ± S hum dt

(58)

Persamaan-persamaan untuk mendapatkan nilai koefisien pindah panas total dan fungsi- fungsi psikrometrik adalah sebagai berikut: 1 Koefisien pindah panas total U =

1 1 f1 + x k + 1 f 2

(59)

2 Kelembaban mutlak

Hr =

0 ,6219 Pv Patm − Pv

(60)

3 Tekanan uap pada suhu T

Pv =

H r Patm 0,6219 + H r

(61)

4 Kelembaban relatif (RH)

P RH = v Ps

(62)

5 Tekanan uap jenuh pada suhu jenuh T

(

Ps = R × Exp A + BT + CT 2 + DT 3 + ET 4

) (FT − GT 2 )

dimana konstatanta-konstanta adalah sebagai berikut:

(63)

45 R = 22105649 ,25 A = − 27405 ,526 B = 97 ,5413 C = − 0 ,146244

D = 0,000126 E = −0,00000004 85 F = 4,34903 G = 0,00394 Patm = 101325Pa

lt adalah lantai, r adalah di dalam rumah tanaman, umk adalah

dimana:

udara masuk dan keluar rumah tanaman, l adalah lingkungan, d adalah dinding, a adalah atap, Cp adalah Panas jenis, panas spesifik (kJ/kgo C), m adalah massa (kg), T adalah Suhu (o C), t adalah waktu (detik), h adalah koefisien pindah panas konveksi (watt/m2o C), A adalah luas (m2 ), α adalah faktor penyerapan iradiasi matahari, I adalah iradiasi (watt/m2 ), U adalah overall U (koefisien pindah panas total (watt/m2o C), Qref adalah pendingin, Qheat adalah pemanas, Shum adalah pelembab, Pv adalah tekanan uap pada suhu T, Ps adalah tekanan uap jenuh pada suhu jenuh T, dan R adalah konstanta gas. Diskritisasi pers (56), (57), dan (58) dilakukan dengan finite difference Euler skema implisit, kemudian disimpan dalam bentuk matriks dan diselesaikan dengan metode Gauss-Jordan. Adapun hasil pemecahan persamaan-persamaan tersebut adalah sebagai berikut: a11 = 1 + ( a12 = −(

∆t )( hA )lt ( mCp )lt

∆t )( hA )lt ( mCp )lt

a13 = 0 b1 = (

∆t )αAIr + Tltt ( mCp )lt

a 21 = −(

∆t )( hA )lt ( mCp )r

a 22 = 1 + ( a 23 = 0

∆t )(( m&Cp )umk + ( hA )lt ( mCp )r

+ ( UA )d + ( UA )a )

∆t )(( m&Cp )umk + ( UA )d + ( UA )a )T t + ∆t l ( mCp )r − Qref + Qheat ) + Trt

b2 = (

46

a31 = 0 a32 = 0

  ?t a 33 =  1 + ( )m&umk  mr   ∆t b3 = m&umk H lt + ∆ t ± S hum mr

(

) + H rt

t+ ?t  a11 a12 a13   Tlt b   t+ ?t   1 a  a a23 . Tr  = b2   21 22  t + ? t   b  a31 a32 a33   H r   3  

(64)

6 5 9 3

4 2

1

1. 3. 5. 7. 9.

Rumah kaca Sensor suhu Kamera Aktuator Suhu Lingkungan-biologik

2. 4. 6. 8.

Tanaman Sensor RH Aktuator RH Komputer

8

7

47

Gambar 23 Skema aplikasi sistem kontrol adaptif lingkungan-biologik

Iradiasi matahari

Lantai

Q

Udara dalam rumah tanaman

(P emanas)

S (Pelembab)

Lingkungan

Gambar 24 Skema konsep pemodelan suhu dan kelembaban dalam rumah tanaman

METODE PENELITIAN

Tempat dan Waktu Penelitian ini dilaksanakan di Laboratorium Ergotron Departemen Teknik Pertanian Fakultas Teknologi Pertanian Institut Pertanian Bogor, dan di greenhouse PT Saung Mirwan, kecamatan Megamendung, kabupaten Bogor, mulai April 2002 sampai dengan Agustus 2005.

Bahan dan Alat Bahan yang digunakan adalah: 1) benih ketimun mini (Cucumis sativus L. Var. Marla), 2) larutan nutrisi berupa campuran Ca(NO3 )4 , Urea, FeEDTA 13%, K2 SO4 , KHPO4 , MgSO4 , MnSO4 , ZnSO4, borax, dan CuSO4 , dan 3) media tanam arang sekam. Alat yang digunakan: 1) kantong plastik (poly bag) 2) tali ajir, 3) jangka sorong-tipe: SK, karton putih, 4) karton merah, 5) plastik, 6) mistar-ukuran 30 cm, 7) baki air, 8) camera digital-tipe/model: N50CE/DSC-P31, 9) Multi points recorder-tipe/model:T -50 sd 150 o C/3038, 10) pyranometer- model:Ms-401, 11) gelas ukur-ukuran 1000 ml, 12) pengukur pH/EC/TDS - model:HI9812 13) anemometer- model: Lutron AM-4204HA, 14) interface PCL 812 PG,15) bahasa pemrograman Delphi 5.0, 16) perangkat lunak sistem operasi Windows XP, 17) satu set komputer PC dengan spesifikasi CPU Pentium (R) 4, memori RAM 512 MB dan hardisk 40 GB, 18) psycrometric chart, 19) kaca pembesar, dan 20) unit rumah tanaman (greenhouse) yang dilengkapi dengan jaringan irigasi tetes. Adapun fungsi dan lokasi penggunaan bahan dan alat dapat dilihat pada Tabel 2.

Prosedur Kerja Diagram alir prosedur kerja dalam penelitian ini dapat dilihat pada Gambar 25. Pada diagram alir terlihat untuk tahapan yang belum siap atau masih ada yang perlu ditambahkan dapat dirunut ke belakang sesuai dengan arah diagram alirnya.

49

Tabel 2 Fungsi dan lokasi penggunaan bahan dan alat No. 1. 2.

Bahan dan Alat

Fungsi

Lokasi Penggunaan

Tanaman Bahan campuran larutan nutrisi yang diberikan kepada tanaman

3. 4.

Benih ketimun mini Ca(NO 3 )4 , Urea, FeEDTA 13%, K2 SO4 , KHPO 4 , MgSO 4 , MnSO4 , ZnSO 4, borax, dan CuSO 4 Arang sekam Kantong plastik (poly bag)

Media tanaman Wadah arang sekam

sda sda

5.

Tali ajir,

sda

6.

Jangka sorong

7.

Plastik dan karton manila

Agar pertumbuhan tanaman merambat lurus Mengukur diameter batang Pengaturan objek tuntun dan sasaran untuk perekaman citra kanopi Menampung larutan nutrisi Merekam citra kanopi Merekam suhu bola basah dan suhu bola kering udara Mengukur iradiasi Mengukur larutan nutrisi Mengukur pH dan konduktivitas elektrik Mengukur kecepatan angin Tempat melakukan eksperimen Sistem pemberian nutrisi ke tanaman Desain SKALB, membangun perangkat lunak dan model, pengolahan data, dan simulasi Akuisisi data dan kontrol Sistem operasi dan bahasa pemrograman Menentukan kelembaban Membaca psycrometric chart

8.

Baki air

9. 10.

Kamera digital Multi points recorder

11. 12. 13.

Pyranometer Gelas ukur Pengukur pH/EC/TDS

14.

Anemometer

15.

Unit rumah tanaman

16.

Kelengkapan teknologi irigasi tetes Satu set komputer PC

17.

18. 19. 20 21.

Iinterface PCL 812 PG Perangkat lunak Windows XP, dan Delphi 5.0 Psycrometric chart Kaca pembesar

Saung Mirwan sda

sda sda sda sda sda sda sda sda sda sda sda

sda Lab Ergotrons IPB sda sda sda

50

Hasil

Mulai

Struktur sistem kontrol adaptif lingkungan-biologik Desain sistem kontrol adaptif lingkungan-biologik

Prototipe perangkat lunak sistem kontrol adaptif lingkungan-biologik Real time

Siap? Belum

Pengolahan citra

Ya

Penentuan acuan optimal

Bangun perangkat lunak; dan model pindah panas & massa

Penentuan parameter optimal kontrol Simulasi sistem kontrol adaptif

Siap? Belum

Model suhu dan kelembaban

Ya Perumusan aplikasi

Rumusan masalah dan pemecahan Siap? Belum Ya Eksperimen di lapangan dan pengamatan

Data: RH & suhu lingkungan-biologik, RH, suhu & iradiasi lingkungan, volume nutrisi yang diberikan, limpasan, citra kanopi tanaman, diameter batang, dan lain-lain Model tanaman

Pengolahan data

Optimasi lingkungan optimal (acuan optimal) Model lingkungan-biologik

Cukup Belum Ya Selesai

Gambar 25 Diagram alir prosedur kerja

Optimasi parameter kontrol optimal Fuzi, PID, P, PI, & PD Simulasi sistem kontrol adaptif lingkungan-biologik

51

Setelah merancang arsitektur sistem kontrol adaptif lingkungan-biologik dan antarmuka perangkat lunak yang secara garis besar meliputi menu utama, real time, pengolahan citra, identifikasi JST, optimasi algoritma genetika (penentuan acuan optimal dan penentuan optimal parameter kontrol), dan simulasi sistem kontrol optimal lingkungan-biologik, dilanjutkan dengan menginstal antarmuka perangkat keras PCL 812 PG dan bahasa pemrograman Delphi 5.0 ke komputer. Setelah itu dilanjutkan dengan membangun perangkat lunak sistem kontrol adaptif lingkungan-biologik dan model suhu dan kelembaban untuk single-span greenhouse.

Perangkat lunak yang dibangun mencakup subsistem kebutuhan

aplikasi real time, pengolahan citra (image processing), penentuan acuan optimal (optimal setpoint setting), penentuan parameter optimal kontrol (control optimal parameter setting), dan simulasi sistem kontrol. Persamaan diferensial suhu dan kelembaban pada single-span greenhouse disusun untuk menduga perubahan suhu dan kelembaban lingkungan-biologik (lingk ungan disekitar tanaman yang diasumsikan akan berpengaruh kepada produk yang diharapkan), dipecahkan dengan metode beda hingga (finite difference) Euler skema implisit diselesaikan secara simultan dengan metode Gaus Jordan. Setelah mendesain sistem kontrol adaptif lingkungan-biologik, serta membangun perangkat lunak dan model suhu dan kelembaban, dilanjutkan dengan tahapan aplikasi parsial, eksperimen di lapanga n dan pengamatan; dan pengolahan data. Adapun penjelasan ketiga tahapan tersebut diuraikan berikut ini.

Perumusan Aplikasi Di rumah tanaman PT Saung Mirwan, masa tanam ketimun mini mulai dari semai sampai panen terakhir mengikuti jadwal berikut: minggu I adalah waktu semai; minggu II dan III adalah fase pertumbuhan vegetatif; minggu IV dan V adalah fase pertumbuhan generatif; minggu VI-XII adalah masa panen; dan minggu XIII masa bongkar untuk mempersiapkan masa tanam selanjutnya. Salah satu hal yang masih menjadi masalah adalah masih rendahnya produksi ketimun mini dari yang direkomendasikan.

Adapun upaya untuk

meminimalkan pengaruh lingkungan, ketimun mini, ditanam secara hidroponik di

52

dalam rumah tanaman. Karena kondisi nutrisi dan lingkungan relatif terpenuhi, tidak jarang pertumbuhan vegetatif tanaman ini berlebihan dan

hal ini

diperkirakan menjadi penghambat pertumbuhan reproduktif (pembungaan dan pembuahan) atau dengan kata lain produksi menjadi rendah.

Yang perlu

diupayakan adalah pengontrolan optimal pada fase vegetatif ini. Hal ini tidak saja bermanfaat untuk meningkatkan produksi tapi juga untuk menghindari pemberian nutrisi yang berlebihan yang akhirnya tidak menguntungkan secara ekonomis dan juga akan merusak lingkungan. Seperti diketahui, salah satu indikator yang biasanya digunakan untuk memprediksi fase reproduktif adalah rasio berat kering batang dan berat kering akar, semakin kecil nilai rasio ini semakin baik. Hal ini karena makin besar pertumbuhan batang akan mengakibatkan proses pembungaan yang buruk Namun demikian, pengukuran pertumbuhan daun lebih mudah daripada akar dan makin luas pertumbuhan daun akan meningkatkan produksi fotosintesis daun.

Morimoto dan Hashimoto (1998) melakukan pengukuran daun dan

diameter batang, dan menggunakan rasio panjang daun-diameter batang tersebut sebagai indikator peramalan fase reproduktif, makin tinggi nilai rasio ini makin baik. Mungkin yang lebih baik bukan panjang daun tetapi luas kanopi (bukan luas daun) karena tidak selalu daun yang panjang mempunyai luasan yang lebih besar daripada daun pendek, tergantung dimensi lainnya, apalagi tidak semua daun pada posisi optimal dalam penerimaan cahaya matahari. Hal ini akan berimplikasi pada produktivitas fotosintesa. Sehubungan dengan hal di atas, indikator peramalan fase reproduktif yang digunakan pada penelitian ini adalah rasio luas kanopi-diameter batang. Hal ini mempertimbangkan bahwa sebagian besar cahaya matahari yang mengenai tanaman adalah daun bagian atas, selain itu pengukuran luas kanopi dan diameter batang tidak merusak

tanaman.

Pengukuran kanopi dilakukan dengan cara

mengambil citra dari atas kanopi menggunakan kamera lalu diproses dengan komputer (image processing) untuk mengetahui luas kanopinya. Hal ini memungkinkan, terutama untuk tanaman sayuran yang kanopinya tidak terlalu luas, seperti pada ketimun mini ini. Makin besar nilai rasio luas kanopi-diameter

53

batang (rasio kanopi diameter) akan menghasilkan pertumbuhan reproduktif yang makin baik, yaitu buah yang memenuhi standar makin banyak atau berat. Dalam aplikasi ini, pengontrolan lingkungan optimal diharapkan tidak hanya produksi tanaman ketimun mini yang tinggi yang direpresentasikan oleh rasio kanopi-diameter yang maksimum tetapi juga nutrisi yang hilang ditekan seminimum mungkin.

Eksperimen di Lapangan dan Pengamatan Eksperimen di Lapangan.

Rancangan eksperimen di lapangan

ditentukan berdasarkan bukaan penetes (regulator stick) yang menjadi penghubung antara larutan nutrisi yang dialirkan dari tangki (Gambar 30) dengan media tumbuh tanaman dan ditentukan sebanyak 9 perlakuan (disesuaikan untuk pengolahan dengan JST). Adapun pendekatan perlakuan teoritis dan perlakuan efektif di lapangan, masingmasing dapat dilihat pada Gambar 26 dan 27. Skema dan tata letak perlakuan tanaman di lapangan, berturut-turut dapat dilihat pada Gambar 28 dan 29. Pendekatan teoritis perlakuan mempertimbangkan kondisi bukaan penetes yang biasa dilakukan setempat dan disesuaikan dengan kebutuhan model JST respon dinamik yang akan dikembangkan, yaitu 120 pasang dataterdiri delapan pola untuk kebutuhan pembelajaran (training) dan lima belas pasang data-terdiri satu pola untuk validasi. Pendekatan teoritis seperti Gambar 26 menghasilkan perlakuan dan pola seperti pada Tabel 3.

54

Tabel 3 Perlakuan berdasarkan pendekatan teoritis dan pola

Bukaan penetes (%), hari ke-

Perlakuan

1 2 3 4 5 6 7 8 9

Pola

1-5

6-10

11-15

70 50 30 70 50 30 70 50 30

70 50 30 50 30 70 30 70 50

70 50 30 70 50 30 70 50 30

1 2 3 4 5 6 7 8 9

Untuk memenuhi perlakuan di atas, tata letak beberapa perlakuan tanaman di rumah kaca pada hari ke-6 sampai ke-10 dilakukan pemindahan tempat dan pada hari ke-11 dikembalikan ke tempat semula. Adapun beberapa perlakuan yang dipindahkan adalah perlakuan 4 ke ke tempat perlakuan 5; perlakuan 5 ke tempat perlakuan 6; perlakuan 6 ke tempat perlakuan 4; perlakuan 7 ke tempat perlakuan 9; perlakuan 8 ke tempat perlakuan 7; dan perlakuan 9 ke tempat perlakuan 8. Pengaturan tata letak perlakuan di lapangan dibuat sedemikan rupa karena mempertimbangkan kesulitan dalam mengatur keseragaman debit penetes pada pipa lateral.

Dengan cara demikian efektifitas perlakuan mendekati yang

diharapkan, hal ini dapat dilihat antara Gambar 26 dan 27 tidak terjadi perbedaan yang yang signifikan. Persiapan Tanam. Benih dengan daya tumbuh 85-95% disemai di media arang sekam yang dimasukan ke dalam pot plastik kecil dan ditekan dengan menggunakan jari telunjuk berkisar 0,5–1 cm dengan posisi tegak lurus dan titik tumbuhnya berada di bawah kemudian disiram dengan air secukupnya. Karena pada waktu penyemaian dalam kondisi mendung penyiraman dilakukan 1-2 kali. Kelembaban dijaga sekitar 90-95% dengan suhu sekitar 25

o

C. Penyiraman

dilakukan dengan kaleng gembor pada jarak sekitar 30 cm dari media.

55

Pengendalian hama dan penyakit dilakukan dengan menyemprotkan pestisida setengah dari dosis tanaman dewasa.

Perlakuan yang demikian diharapkan

perkecambahan dapat berlangsung baik. Sebelum tanaman di pindahkan ke polibag yang diletakkan di lantai rumah kaca, lantai rumah kaca disapu, disikat dengan deterjen dan disemprot dengan air. Demikian juga dengan peralatan irigasi, seperti selang lateral dan penetes, direndam 1-2 jam dan dialiri ke dalam larutan asam nitrat tiga persen dengan konsentrasi 40 cc per liter.

Dengan cara demikian diharapkan sisa tanaman,

kotoran, genangan air, lumut, dan endapan garam nutrisi tidak ada lagi dan kemungkinan serangan penyakit selama masa tanaman telah diminimalkan. Penanaman. Media sekam di polibag, sebelum ditanami bibit, terlebih dahulu disiram dengan larutan nutrisi pekat sebagai pupuk dasar.

Hal ini

bertujuan agar bibit yang dipindahkan tidak mengalami stres, mudah beradaptasi, dan akan mudah merangsang pertumbuhan akar tanaman. Arang sekam di wadahi polibag berwarna putih; dilobangi dibagian samping bawah melingkar, sekitar 2 cm dari bagian bawah, teridiri dua baris dengan diameter 5 mm dan jarak antar lobang 2 cm. Adapun dimensi media, tinggi 18 cm, lebar 18, dan panjang 25 cm. Polibag yang telah dilubangi sedalam 5-10 cm, dimasuki bibit ketimun mini yang sebelumnya telah dicabut dari pot penyemaian dan ditutupi kembali. Kemudian penetes (drip irigasi) ditempatkan disekitar tanaman. Pemeliharaan. Pendistribusian nutrisi dilakukan dengan sistem irigasi tetes, lama pemberian larutan nutrisi untuk satu kali aplikasi 8-10 menit dan frekuensi pemberian rata-rata 10 kali per hari, tergantung cuaca. Pendistribusian larutan nutrisi dimulai pukul 07.00 sampai pukul 15.00. Electrical conductivity (EC) dipertahankan 2-3 mS (milisemen) per cm, sedangkan pH 5,5-6,5. Nilai EC yang tinggi menunjukkan terjadinya penggaraman dan diatasi dengan pemberian larutan nutrisi 10-30%.

56

Terbuka 100 100

Perlakuan 1 Perlakuan 2

Bukaan penetes (%)

7070

Perlakuan 3 Perlakuan 4 50 50

Perlakuan 5

30

Perlakuan 6 Perlakuan 7

30

Perlakuan 8 Tertutup Tertutup

Perlakuan 9

0 0

5

Hari ke-

Gambar 26 Skema pendekatan perlakuan teoritis

10

15

57

Bukaan penetes nutrisi (%)

Terbuka 100

Perlakuan 1

70

Perlakuan 2 Perlakuan 3 Perlakuan 4

50

Perlakuan 5

30

Perlakuan 6 Perlakuan 7 Perlakuan 8 Perlakuan 9

Tertutup 0 0

5

Hari ke-

Gambar 27 Perlakuan efektif di lapangan

10

15

58

Pipa utama

Pipa lateral

Perlakuan 1

Perlakuan 2

Perlakuan 3

Perlakuan 4

Perlakuan 5

Perlakuan 6

Perlakuan 7

Perlakuan 8

Perlakuan 9

Penetes

Baki kosong (BK) Baki dengan tanaman (BT)

Gambar 28 Skema tata letak perlakuan tanaman di rumah tanaman

59

Pemasangan tali ajir dengan benang kasur (agar tidak melukai tanaman) pada kawat yang membentang ditengah-tengah rumah kaca dan dilakukan pada tanaman berumur seminggu. Tali ajir yang dipasang sedemikian rupa adalah untuk membantu pertumbuhan tanaman agar merambat lurus ke atas sehingga mempermudah pemeliharaan tanaman. Pemutaran tali ajir dilakukan dua hari sekali dengan arah putaran searah jarum jam. Tiga minggu kemudian dilakukan pemindahan tali ajir setinggi 5-6 ruas di atas ikatan semula dengan maksud agar tali tetap kencang dan memberi giliran batang bawah tumbuh bebas tanpa terhalang ikatan tali. Pewiwilan pada tanaman berumur dua minggu dimaksudkan untuk membuang sulur, cabang, atau tunas samping agar tidak terjadi persaingan dengan tunas yang berpotensi menjadi buah yang baik. Sebelum dilakukan pewiwilan jari tangan dicelupkan kedalam larutan susu agar luka akibat pewiwilan cepat sembuh. Dengan dilakukan pewiwilan ini berarti fase vegetatif tanaman timun diakhiri dan dikonsentrasikan pada fase generatif agar buah tanaman yang dihasilkan baik. Pembuangan sulur dilakukan setiap dua hari sekali. Pembuangan tunas dilakukan pada tiga cabang pertama. Karena ketiga cabang tersebut terlalu dekat dengan media, dan dikhawatirkan buah yang dihasilkan jelek. Cabang ke-4 dan 5 dipelihara dua daun dan dua bakal buah. Cabang ke-6 dan seterusnya dipelihara tiga daun dan tiga bakal buah. Tujuan pembuangan tunas cabang adalah agar energi fotosintesis dapat dimaksimalkan untuk pembesaran buah bukan untuk pertumbuhan cabang. Bersamaan dengan pewiwilan juga dilakukan perompesan. Perompesan adalah pemangkasan daun tanaman yang terkena hama atau penyakit atau daundaun tua yang tidak berproduktif lagi. Sedangkan pengendalian hama penyakit disesuaikan dengan kebutuhan di lapangan. Pengamatan. Data pengamatan yang dikumpulkan selama lima belas hari (fase vegetatif tanaman ketimun mini), mencakup volume nutrisi yang diberikan, outflow (nutrisi yang hilang), luas kanopi, diame ter batang; suhu, kelembaban dan iradiasi lingkungan-biologik (disekitar tanaman), serta suhu dan kelembaban

60

lingkungan di luar rumah kaca. Selain data utama tersebut, juga dikumpulkan data penunjang, seperti pH dan EC untuk larutan nutrisi yang diberikan dan limpasan, kecepatan angin, serta data untuk kebutuhan persamaan pindah panas dan masa yang dibangun.

Volume Nutrisi. Volume nutrisi yang diberikan untuk tiap tanaman per hari diukur dengan cara memindahkan air yang tertampung dalam baki kosong (BK) ke dalam gelas ukur. Hal yang sama dilakukan untuk mengukur limpasan, tetapi larutan nutrisi yang dimasukan ke gelas ukur berasal dari baki yang ada tanaman (BT). Persentase bukaan penetes antara BT dan BK sama untuk setiap perlakuan. Pengukuran dilakukan sore hari, pukul 16.00. Luas Kanopi. Pengertian kanopi disini adalah objek bagian atas tanaman timun (meliputi daun dan tangkai daun) yang terekam oleh kamera dimana posisi pengambilannya dengan kamera relatif tegak lurus. Kanopi yang direkam dengan cara ini menganalogkan penerimaan kanopi terhadap cahaya matahari. Bagian daun atau tangkai tanaman yang tidak terekam berarti kontribusinya dalam fotosintesis sangat kecil atau dapat diabaikan. Sebelum penga mbilan citra kanopi dilakukan, terlebih dahulu disiapkan kertas karton putih sebagai alas polibag, kemudian diantara media dengan kanopi tanaman juga ditutup dengan karton putih, lalu di atas karton putih ini diletakkan objek tuntun, yaitu berupa karton bentuk bujur sangkar berwarna merah yang luasnya sudah diketahui (25 cm2 ), peletakan objek tuntun (karton merah) diupayakan tidak overlap dengan objek sasaran (kanopi). Peletakan kesemuanya diatur sedemikian rupa sehingga pada waktu direkam dengan kamera dalam posisi relatif tegak lurus, yang terekam hanya objek tuntun dan objek sasaran di atas kertas putih. Kertas karton putih yang diletakan dibawah polibag harus cukup lebar, hal ini dimaksudkan untuk mengantisipasi pengambilan citra kanopi tanaman yang luasnya telah melebihi permukaan polibag. Dengan cara demikian, rekaman citra yang dihasilkan sesuai dengan yang diharapkan. Pengambilan citra ini dilakukan setiap hari pada pukul 08.00 pagi selama lima belas hari.

61

Gambar 29 Tata letak perlakuan tana man di lapangan

Gambar 30 Tangki larutan nutrisi

62

Diameter Batang. Pengukuran diameter batang dilakukan pada bagian tenga h batang ketimun dengan jangka sorong. Pengukuran dilakukan pada pagi hari setelah perekaman kanopi dengan kamera. Suhu, Kelembaban, Iradiasi, dan Kecepatan Angin.

Suhu dan

kelembaban lingkungan-biologik juga kecepatan angin diukur menggunakan lutron-meter set (Gambar 31),

Sebagian lagi, Suhu dan kelembaban baik

lingkungan-biologik maupun lingkungan di luar rumah kaca direkam dengan alat multi points recorder (Gambar 32) melalui suhu bola basah dan kering kemudian dilanjutkan kelembaban.

dengan

pembacaan

kurva

psikrometrik

untuk

menentukan

Sedangkan iradiasi matahari diukur dengan menggunakan

pyranometer.

Pengolahan Data Data yang dikumpulkan, sebelum diolah lebih lanjut dengan perangkat lunak yang telah dikembangkan, dipilah-pilah sesuai dengan kebutuhan pengolahan lanjutan. Secara garis besar data dikelompokan menjadi dua, yaitu pertama untuk kebutuhan pengembangan model tana man dengan menggunakan operator JST dan optimasi lingkungan optimal dengan operator algoritma genetika, dan kedua untuk kebutuhan pengembangan model suhu dan kelembaban (lingkungan-biologik) dan penentuan parameter optimal kontrol fuzi, PID, P, PI, dan PD dengan operator algoritma genetika.

Setelah itu dilanjutkan dengan

simulasi sistem kontrol adaptif lingkungan-biologik dengan memanfaatkan kedua hasil tersebut. Data citra kanopi tanaman ketimun, yang dikumpulkan dari lapangan melalui kamera, diproses dengan menggunakan perangkat lunak proses citra yang telah dikembangkan sebelumnya. Keluaran dari perangkat lunak ini berupa luasan citra kanopi tanaman. Hasil penghitungan luas kanopi, kemudian dibagi dengan hasil pengukuran diameter batang dan diistilahkan dengan rasio kanopi-diameter. Kemudian bersama-sama data volume nutrisisi yang diberikan, limpasan, dan lingkungan biologik (suhu, kelembaban, dan iradiasi) mengembangkan model JST dinamik.

digunakan untuk

63

Selanjutnya untuk melihat kehandalan model dilakukan analisis error dengan menghitung:

RMS error (pers 65), tingkat kebenaran (pers 66) dan

tingkat kesalahan (pers 67), dimana a adalah nilai aktual, p adalah nilai prediksi serta i dan N masingmasing adalah data ke-i dan data ke-N.

RMSE =

2

1 N ∑ ( pi − ai ) N i =1 N 

EI = 1 −

1 N  ∑  ai − ∑ ai  N i = 1  i = 1 N

(65) 2

(66)

∑ (ai − pi )

2

i =1

100 APD = N

 ai − pi    p  i 

2

Solusi Lingkungan Optimal.

(67)

Selanjutnya menggunakan operator

optimasi algoritma genetika dengan fungsi fitness JST respon dinamik ditentukan solusi optimal dari masukan tersebut. Solusi optimal masukan ya ng dimaksud adalah solusi optimal masukan setiap hari selama 15 hari (umur fase vegetatif tanaman ketimun mini). Masukan terdiri dari empat faktor (decision variable), yaitu larutan nutrisi yang diberikan, suhu, kelembaban dan iradiasi. Sedangkan keluaran adalah dua faktor, rasio luas kanopi-diameter batang (tanaman) dan larutan nutrisi yang hilang (outflow). Pada keluaran, faktor tanaman diupayakan maksimum sedangkan faktor limpasan sebaliknya, yaitu mimum atau sekecil-kecilnya.

Untuk memenuhi

prinsip algoritma genetika yang selalu mencari solusi kearah positif (maksimum) maka untuk mencari limpasan yang minimum, faktor outflow dalam fungsi fitness diinverskan. Karena kedua faktor di atas (tanaman dan outflow) bersifat dualisme, yaitu bertentangan maka alternatif persamaan fungsi fitnessnya, diantaranya adalah seperti pada persamaan berikut,

64

n  1   F1 = ∑ α Yc (t ) + β   Y (t )+ c  i  l  n   n α Yc ( t ) l  = ∑ F2 = ∑ αYc ( t ) *  i  βYl ( t ) + c  i β Yl ( t ) + c

dimana F1 adalah fungsi fitness 1, F2 adalah fungsi fitness 2, α dan β , adalah koefisien untuk Yc(t) adalah rasio luas kanopi-diameter batang (rasio kanopi-diameter) pada saat t (cm2 /cm), Yl(t) adalah limpasan nutrisi (limpasan) pada saat t (ml), c adalah konstanta, i adalah data ke-i, dan n adalah data ke-n. Persamaan F1 dan F2 disusun dengan tujuan untuk memaksimalkan nilai fitness (f), yang pada prinsipnya untuk memaksimalkan rasio kanopi-diameter dan meminimalkan limpasan nutrisi. Jadi disini limpasan nutrisi merupakan faktor pembatas atau pengendali dari faktor rasio kanopi-diameter. Konstanta c sebagai antisipasi

untuk

menghindari

variabel

Yl(t)

sama

dengan

nol,

untuk

mengakomodasi keperluan tersebut tetapi juga diharapkan nilai c ini tidak berpengaruh signifikan, maka ditentukan nilai c adalah 10-6 .

Selanjutnya

penggunaan kedua persamaan tersebut pada fungsi fitness dalam mencari solusi optimal dieksplorasi. Data suhu, kelembaban, dan iradiasi baik yang dikumpulkan dari dalam rumah tanaman maupun lingkungan digunakan untuk pemodelan tanaman (JST), verifikasi model suhu dan kelembaban (lingkungan-biologik), dan simulasi. Untuk kebutuhan simulasi, suhu dan kelembaban lingkungan dari hasil pengukuran dibuat suatu fungsi dengan menggunakan interpolasi kubik spline, yaitu polinomial pangkat tiga. Sehingga suhu dan kelembaban lingkungan dapat berubah sesuai kebutuhan. Pembuatan persamaan tersebut dengan menggunakan aplikasi kubik spline (Setiawan 2000). Solusi Parameter Optimal Kontrol. Pemecahan masalah optimasi disini menggunakan operator AG (algoritma genetika). Untuk mencari solusi optimal parameter-parameter kontrol fuzi (P1 , P2 , P3 , P4 , dan P5 ), dan parameter-parameter kontrol PID, (K P , TI, dan TD) guna mempertahankan suhu dan kelembaban berada disekitar acuan (meminimalkan error sebagai representasi dari performansi kontrol) digunakan fungsi tujuan atau fungsi fitness berikut :

65

n  n  F = 1  α ∑ e suhu 2 + β ∑ e rh 2   i i 

(68)

dimana, α dan β adalah koefisien, e adalah error, yaitu selisih antara acuan dengan kondisi aktual dari besaran fisik (suhu dan kelembaban), i adalah data ke-i, dan n adalah data ke-n. Seberapa besar peran yang diharapkan dari komponen esuhu dan erh di dalam persamaan fungsi fitness, dilakukan dengan mengatur koefisien α dan β yang disesuaikan dengan kebutuhan. Pemecahan optimasi AG disini digunakan untuk melihat performansi kontrol atau dengan kata lain untuk keperluan tuning.

Parameter-paramater

optimal kedua modus kontrol (P1 , P2 , P3 , P4 , P5 , KP, TI, dan TD) ditentukan sehingga fungsi tujuan maksimum. Karena itu parameter-paramater P1 , P2 , P3 , P4 , dan P5 , merupakan decision variable untuk untuk dua besaran fisik, yaitu suhu dan kelembaban (modus kontrol fuzi) sedangkan KP TI, dan TD merupakan decision variable untuk dua besaran fisik, yaitu suhu dan kelembaban (modus kontrol PID) Sedangkan Variabel kendala untuk masingmasing modus kontrol adalah nilainilai minimum dan maksimum dari masingmasing parameter. Dalam solusi parameter optimal ini, karena decision variable diberikan oleh lima parameter modus kontrol fuzi dan tiga parameter dari modus kontrol PID untuk dua besaran fisik, yaitu suhu dan kelembaban, masingmasing individu dalam AG didefinisikan sebagai berikut: P1S, P2S, P3S, P4S, P5S, P1K, P2K, P3K, P4K, P5K = individu modus kontrol fuzi KPS, TI S, TDS,, KPK, TIK, TDK = individu modus kontrol PID Masing- masing parameter kedua modus kontrol disusun dengan delapan string binari sehingga masingmasing individu terdiri dari delapan puluh gen untuk modus kontrol fuzi dan enam puluh gen untuk modus kontrol PID.

66

Gambar 31 Penempatan pengukur iradiasi dan kecepatan angin di lapangan

Gambar 32 Alat perekam data suhu bola basah dan kering di lapangan

HASIL DAN PEMBAHASAN

Perangkat Lunak Skema prototipe perangkat lunak kontrol optimal lingkungan-biologik yang dikembangkan dapat dilihat pada Gambar 33. Perangkat lunak ini terdiri dari 19 tampilan (form), yaitu sebuah jendela yang merupakan wadah bagi berbagai komponen, yang menyediakan fasilitas kontrol optimal (real time), penentuan acuan optimal dan simulasi, yang pengoperasiannya berdasarkan pilihan menu. Tampilan-tampilan ini pada kondisi-kondisi tertentu dapat saling akses atau juga tampilan tertentu dapat mengakses tampilan yang sama. Misalnya pilihan controlling atau data acquisition, keduanya sama dapat memanfaatkan fasilitas Timer Setup dan Interface Setup. Adapun yang dimaksud dengan pengembangan prototipe perangkat lunak sistem kontrol optimal lingkungan-biologik disini adalah menyatukan fasilitas sub sistem penentuan acuan optimal dan sub sistem penentuan parameter kontrol optimal yang pada gilirannya akan diaplikasikan untuk mengendalikan lingkungan biologik secara real time (menggunakan komputer). Acuan optimal diperoleh dari parameter lingkungan optimal yang didasarkan pada hasil maksimal produk yang dipanen baik berbasis kualitas kuantitas, maupun selera atau kombinasinya.

Parameter optimal kontrol

dihubungkan dengan error yang minimum dan performansi kontrol yang stabil. Pada fasilitas penentuan acuan optimal terdapat sub sistem model tanaman dan sensor citra (pengolahan citra). Operator model tanaman dan optimasi yang digunakan, masing masing adalah jaringan syaraf buatan (JST) dan algoritma genetika. Pada fasilitas penentuan parameter optimal kontrol terintegrasi dengan sistem simulasi. Disini parameter optimal kontrol ditentukan melalui simulasi dengan pilihan menggunakan operator JST atau model pindah panas. simulasi yang diaplikasikan menggunakan model pindah panas.

Pada

Hubungan

lingkungan di luar dan di dalam rumah tanaman (lingkungan biologik) dijelaskan oleh model lingkungan.

Kemudian ditentukan parameter kontrol optimal

68

menggunakan operator algoritma genetika. Adapun fasilitas pilihan menu kontrol yang disediakan adalah PID, P, PI PID, dan fuzi. Perangkat lunak sistem kontrol optimal lingkungan-biologik ini juga dilengkapi dengan ikon- ikon yang berguna untuk mengakses perintah secara cepat.

Ikon-ikon ini secara umum dipisahkan lima kelompok.

Kelompok

pertama, yaitu ANN (identifikasi), GA for Setpoint Optimization dan GA for controller parameter (optimisasi), image processing,simulation, dan control simulation. Kelompok kedua, yaitu New, Save, dan Timer Setup yang merupakan pendukung atau untuk melengkapi Fasilitas- fasilitas operasi lain.

Kelompok

ketiga, yaitu Interface Analog Output Testing, dan Interface Digital Output Testing

untuk operasi pengujian keluaran interface yang telah dihubungkan

dengan aktuator yang akan digunakan dalam pengontrolan. Kelompok keempat, Display Control Design, Interface Setup, Control Option, Run, Stop, Reset dan Display adalah ikon ikon yang berhubungan dengan pengoperasian Realtime. Kelompok kelima adalah ikon Help. Adapun tampilan menu utama dapat dilihat pada Gambar 34. Pertamakali perangkat lunak ini dioperasikan, ikon-ikon dan submenusebmenu yang muncul ke atas, dalam posisi enable, menunjukkan fasilitas tersebut dalam siap operasi, yaitu untuk identifikasi, optimasi, proses citra, dan simulasi. Sedangkan fasilitas real time yang mencakup submenu-submenu dan ikon- ikon, akan aktif atau dalam posisi enable setelah submenu New pada menu File diklik. Secara prinsip, tampilan submenu identifikasi, optimasi, proses citra, simulasi, dan real time hampir sama dengan menu utama.

Masing masing

mempunyai fasilitas menu, submenu dan ikon. Aplikasi kontrol optimal secara real time dilakukan setelah penentuan acuan optimal dan parameter kontrol optimal. Acuan dalam pengontrolan, selain dapat ditentukan melalui fasilitas yang disediakan juga dapat didasarkan dari literatur atau pengalaman setempat, sesuai dengan kebutuhan. parameter kontrol dapat disesuaikan dengan aktuator yang tersedia.

Pendugaan

69 Cover

Main Menu

File

Identification

Ne w

ANN

Save

Image processing

Close

Optimization

GA

Simulation

Control

Setpoint optimization

Timer

System setup

Interface

Control

Runtime

Setup ADC

Option

Run

Display

Interface output testing

Testing

Stop

Design

Control parameters optimization

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

Reset

Windows

Help

70

Fasilitas sistem kontrol adaptif lingkungan-biologik dapat digunakan untuk mengontrol kebutuhan penggunaan sarana produksi agar tidak berlebihan, yang pada gilirannya bila tidak dikontrol akan berakibat pada kerugian ekonomi atau lingkungan.

Selain itu juga dapat digunakan untuk mamanipulasi

lingkungan-biologik dalam upaya mendapatkan produk dengan kualitas yang diharapkan. Misalnya pengaturan cekaman air untuk mendapatkan kerenyahan pada sayur. Pada gilirannya perangkat lunak sistem kontrol adaptif lingkunganbiologik yang dikembangkan ini diharapkan dapat mendukung usaha agribisnis yang lebih memilih teknologi spesifik dalam memproduksi komoditi pertanian, khususnya tanaman hortikultura.

Gambar 34 Tampilan menu utama

Real time Pada aplikasi real time teridiri dari tiga pilihan, yaitu Controlling, Data aquisition,dan Interface output test (Gambar 35). Setelah diaktifkan salah satu, maka submenu-submenu dan ikon- ikon yang mendukung fasilitas ini akan dalam posisi aktif (enable). Ikon- ikon yang tidak dipilih, tetap pada posisi tidak aktif (disable). Bila pilihan controlling yang dipilih maka ikon- ikon yang mendukung

71

pengoperasian, seperti Time Setup, Interface Setup, Controller Option, Run, Stop, Reset, dan Display muncul dalam posisi enable. Tampilan Time Setup (Gambar 36) terdiri dari Month Calender, GroupBox yang berisi komponen-komponen Current time, Duration, start dan finish operation, time sampling, dan tombol penggunaan Timer. Interface Setup adalah fasilitas untuk mengeset masukan analog dan digital, dan keluaran analog dan digital. Pada Gambar 37 adalah PageControl keluaran analog yang terdiri dari dua saluran yang dilengkapi keluaran dalam bentuk tegangan dan bit. PageControl keluaran digital, masukan digital dan masukan analog, berturut-turut terdiri dari delapan saluran, enam belas saluran , dan enam belas saluran. Pada PageControl masukan analog dilengkapi juga dengan informasi tegangan yang masuk dan parameter kalibrasi sensor, yaitu slope dan intercept. Pada tampilan pilihan kontrol (Gambar 38) terdapat kotak edit pengisian acuan yang diinginkan dan enam pilihan mode kontrol, yaitu fuzi, PID, PI, PD , P dan on-off.

Pengaktifan salah satu mode kontrol akan diikuti fasilitas edit

parameternya masingmasing. Ikon Run, Stop, dan Reset adalah fasilitas yang disediakan untuk mendukung kondisi run time. Selain hal di atas fasilitas real time juga didukung dengan display yang berupa grafik waktu untuk memantau besaran fisik (lingkungan-biologik yang diukur), masukan analog (tegangan), dan keluaran analog dan digital, masingmasing 16 saluran, 16 saluran, dan 2 saluran dan 16 saluran. Bila pilihan data Acquisition yang diaktifkan, maka ikon yang mendukung pengoperasiannya, yaitu Time Setup, Interface Setup, Run, Reset, dan Display dalam posisi enable. Tampilan masingmasing ikon sama dengan yang dijelaskan pada pengaktifan pilihan Controlling. Sedangkan bila pilihan Interface Testing yang diaktifkan, maka ikon Interface Analog Output dan ikon Interface Digital Output Testing muncul dalam posisi enable. Pada masingmasing tampilan ini terdapat fasilitas pengalamatan dan saluran yang akan digunakan (bekerja), berturut-turut terdiri 2 saluran dan 8 saluran.

72

Gambar 35 Tampilan untuk real time

Gambar 36 Tampilan time set up

73

Gambar 37 Tampilan untuk setting masukan dan keluaran hardware

Gambar 38 Tampilan untuk setting acuan dan pilihan modus kontrol

74

Penenentuan Acuan Optimal Pada fasilitas penentuan acuan optimal terdapat sub sistem model tanaman yang didalamnya terdapat proses citra atau pengolahan citra yang berfungsi untuk mengolah citra yang diperoleh dari lapangan.. Tampilan Pengolahan citra (image processing) teridiri dari kumpulan BitBtn Load, Calibration, Process, Add to Database, View Database, Memo Object, GroupBox Parameter Kalibrasi, GroupBox Image Processing Result, Edit Threshold, Edit Filtering, kolom citra, dan PageControl Display. Adapun tampilan pengolah citra dapat dilihat pada Gambar 39. Fasilitas load berfungsi untuk memanggil file objek tuntun dan objek sasaran dari tempat penyimpanan untuk dimasukan atau ditampilkan pada kolom citra 11 . BitBtn Calibration dan Process, masingmasing untuk mengolah objek tuntun dan objek sasaran. Hasil Threshold, dan Threshold dan Filtering dalam bentuk citra, masingmasing ditampilkan pada kolom citra 12 dan 22 . Sedangkan Kolom citra 13 dan 23 menampilkan hasil proses Threshold, dan Threshold dan filtering dalam bentuk bit. Grafik hubungan antara intensitas dengan pixel untuk masingmasing citra, yaitu citra hasil dari lapangan, hasil Threshold, hasil Threshold dan Filtering dapat dilihat pada Display yang tersusun dalam bentuk Pagecontrol. Citra yang telah diproses dan luasnya disimpan ke dalam basis data melalui fasilitas Add to Database dan untuk mengeceknya menggunakan fasilitas View Data. Citra dari lapangan sebelum diproses dengan perangkat lunak yang dikembangkan, terlebih dahulu dipisahkan dengan program Paint Microsoft sehingga diperoleh dua citra, yaitu yang berupa citra objek tuntun dan citra objek sasaran. Kemudian dengan perangkat lunak proses citra yang dikembangkan, objek tuntun diproses terlebih dahulu untuk keperluan kalibrasi, lalu objek sasaran untuk menduga atau menghitung luas kanopi. Pada proses tersebut menggunakan proses Thresholding, dan Thresholding dan Filtering. Tresholding mencukupi bila intensitas objek berada dalam interval yang ditentukan dan nilai intensitas latar belakangnya berada di luar interval. Filtering digunakan untuk memisahkan antara objek atau citra sasaran dengan objek selainnya yang terbentuk sebagai akibat proses Tresholding yang tidak sempurna.

75

Jaringan Syaraf Tiruan Tampilan identifikasi JST (Gambar 40) digunakan untuk mencari hubungan antara variabel lingkungan-biologik dengan produk tanaman pada kasus mencari acuan optimal dan antara keluaran aktuator dengan lingkungan-biologik untuk mencari parameter kontrol optimal. Identifikasi ini identik dengan proses pembelajaran. Perangkat lunak JST yang dirancang dapat digunakan untuk yang bersifat statik maupun dinamik. Tampilan identifikasi terdiri dari Menubar, Groupbox, Image, dan StringGrid.

Sedangkan Groupbox terdiri dari Source File Data, Net Size,

Learning Parameter, Data Condition, ANN Types, Non-time Delay, Weight Result, dan Training Result. Selain itu terdapat Image ANN Architecture serta StringGrid Input dan Output Training. Menubar mencakup File, Run, Reset, View, dan Help.

Menu File

mencakup submenu Open Training Data, Open Test Data, Open Weights, Save Weight, dan Open Last Weight. Fasilitas Run terdiri dari Run Training, Run Test dan Run Next Training. View terdiri dari submenu ANN Architectures, Training Result, Weight Result. Groupbox fasiltas Source File data mencakup informasi nama file yang di training dan di test. Group NetSize adalah editor untuk mengatur jumlah lapisan dan jumlah nodus atau unit ditiap lapisan. Hasil pengaturan ini akan terlihat di citra struktur JST. Di dalam Groupbox Data Condition terdapat informasi jumlah set data pada lapisan masukan dan lapisan keluaran. Group Learning Parameter mencakup informasi Learning Rate, Momentum, dan Gain. Groupbox Non-Time Delay dan Weights, masingmasing berisi informasi jumlah variabel yang bukan dinamik (variabel statik) dan total bobot, yaitu total bobot hasil dari desain pada Editor Netsize. Groupbox Ttraining Result mencakup RMS Error, Change Error, Iteration, dan iteration target. StringGrid Input Training Data yang berfungsi sebagai input termasuk yang diumpan balikan dari output.

StringGrid Output Training berisi data

keluaran (output) sebelum data ditraining. StringGrid Output Training berisi hasil data keluaran hasil training (hasil prediksi training). StringGrid Output Test berisi data Output hasil tes (hasil prediksi tes).

76

Adapun prinsip pengoperasian JST ini adalah menginput atau memanggil data yang akan ditraining kemudian diatur atau dikondisikan desain struktur JST yang diinginkan, demikian juga penggunaan parameter-parameter yang akan digunakan seperti Learning rate, momentum, dan gain serta jumlah iterasi yang diinginkan.

Selanjutnya training dan dilanjutkan verifikasi hasil training.

Langkah selanjutnya, menginput Data Test dan di tes lau diverifikasi. Kemudian dilihat hasil verifikasi pada hasil training dan hasil tes. Bila hasilnya konsisten dan layak maka pengoperasian dihentikan.

Algoritma Genetika Optimasi identik dengan pengambilan keputusan, yaitu mencari nilai optimum, baik untuk kegunaan mencari setpoint optimal maupun parameter optimal kontrol. Dalam sistem ini menggunakan algoritma genetik, yaitu suatu metode yang meniru alam. Tampilan optimasi untuk optimal setpoint dan optimal control parameter, masingmasing dapat dilihat pada Gambar 41 dan 42. Fasilitas yang ada pada kedua tampilan ini adalah relatif sama. Tampilan optimal setpoint terdiri Groupbox Parameter, Menu, dan ANN Model. Disamping itu juga terdapat Listbox nilai variabel yang dioptimasi, nilai fitness, dan fasilitas Save untuk penyimpanan hasil optimasi dan nilai fitness. Groupbox Parameter adalah fasilitas editor untuk mengatur parameter algoritma genetika yang mencakup target generation, population, gen parameter, cross over probability dan mutation probability. Pengaturan parameter dilakukan sebelum penekanan tombol Optimize dilakukan. Pada Groupbox Menu mencakup Optimize, Fitness, Reset dan Close. Fasilitas Optimize berfungsi untuk menjalankan perangkat lunak. Tombol fitness untuk melihat grafik atau nilai fitness secara real time, Reset untuk memulai prosedur operasional dari awal, Close untuk menutup menu GA for Optimization Controller Parameter dan kembali ke menu utama. Groupbox ANN Model berisi tombol Load, dan informasi lain yang berkenaan dengan model ANN yang akan digunakan sebagai fungsi fitness. Adapun informa si tersebut adalah Learning Rate, Momentum, Gain, Data Number, Min-Max data Input-Output dan ANN Model Structuer Model. Tombol

77

Load untuk memanggil bobot model ANN yang akan digunakan sebagai fungsi fitness atau fungsi tujuan dari optimasi algoritma genetika. Dalam Groupbox Optimized Parameter, terdapat Editor Parameter Number, nilai Min-Max dan Input model ANN atau variabel-variabel yang akan dioptimasi.

Initialized Object adalah Editor untuk menentukan kondisi awal

Output model ANN yang akan dimasimumkan.

Sedangkan tampilan optimasi

parameter kontrol, selain hal di atas dilengkapi dengan Groupbox Select Control dan Tabsheet Control Parameter, masingmasing terdiri dari modus kontrol Fuzzy, PID, PI, PD, dan P.

Gambar 39 Tampilan untuk pengolahan citra

78

Gambar 40 Tampilan operator JST

Gambar 41 Tampilan operator algoritma genetika

79

Gambar 42 Tampilan untuk menentukan parameter kontrol optimal

Simulasi Pada tampilan simulasi (Gambar 43) terdiri kumpulan tombol Input, Fuzzy Editor, Verification, Optimization, Conventional, Refresh, Close, dan Fitness; Groupbox Parameter GA, Parameter Control; Editor Setpoint, File Name; Radiobutton Controller Fuzzy dan PID; dan Display. Bila tombol Input diklik akan muncul tampilan yang menyajikan Groupbox ruang, lantai, atap dinding, kondisi awal, aliran udara, Source-Sink, dan ruang pendingin. Masing- masing Groupbox tersebut tersedia fasilitas edit untuk properti sistem simulasi di dalam rumah tanaman. Tampilan ini tidak saja dapat difungsikan pada awal operasi simulasi tetapi juga dapat direvisi (update) setelah program simulasi di operasikan. Verifikasi diaktifkan dengan menekan tombol Verification, adapun yang diverifikasi adalah hasil penghitungan suhu dan kelembaban relatif udara di dalam rumah tanaman. Titik acuan, parameter algoritma genetika, parameter kontrol, dan pilihan kontrol secara berturut-turut adalah dengan mengisikannya pada fasilitas Editor Setpoint, Groupbox Parameter GA, dan Radiobutton Controller Fuzzy dan PID.

80

Pada fasilitas Setpoint terdapat kemungkinan untuk mengoperasikan tiga titik acuan yang berbeda-beda untuk masingmasing besaran fisik suhu dan kelembaban. Tiga Editor pertama untuk suhu dan tiga lainnya untuk kelembaban. Bila dioperasikan hanya satu titik acuan, maka ketiga kotak edit diisi dengan acuan yang nilainya sama untuk masingmasing besaran fisik. Untuk mencari parameter kontrol optimal, ditentukan terlebih dahulu jenis kontrol apa yang akan digunakan pada pilihan radiobutton.

Kemudian

pagecontrol yang berisi parameter akan muncul sesuai dengan kontrol yang dipilih. Dari pilihan mode kontrol PID dapat juga diaktifkan jenis kontrol P, PI, dan PD dengan cara mengisikan angka nol untuk komponen yang ditiadakan. Kotak Edit Min-Max adalah untuk mengisikan kisaran nilai parameter yang akan dioptimasi, kemudian hasil optimasi akan muncul pada kotak Edit Update. Hasil parameter optimal inilah yang secara otomatis akan digunakan untuk mengontrol sistem dalam rumah tanaman, setelah tombol Optimization diaktifkan. Tombol konvensional adalah fasilitas yang digunakan untuk mengontrol sistem dalam rumah tanaman dengan parameter kontrol yang tidak menggunakan fasilitas optimasi algoritma genetika. Groupbox GA adalah fasilitas untuk mengakses parameter-parameter algoritma genetika, seperti jumlah generasi, populasi, jumlah gen tiap para meter, peluang rekombinasi, dan peluang untuk terjadinya mutasi. Disamping itu juga terdapat fasilitas untuk melihat kurva fitness secara real time, yaitu kurva fitness untuk mencari nilai error yang minimum. Fasilitas penyimpanan hasil Running Program mencakup untuk hasil pengontrolan dan nilai fitness.

Kedua fasilitas ini dilengkapi dengan tombol

Browse, yaitu fasilitas untuk memudahkan lokasi penyimpanan File di dalam Drive komputer.

Pada waktu penyimpana file disimpan dengan Extension

TextFiles. File-file ini dapat dibuka pada program aplikasi Notepad dan Excel. Informasi yang tersimpan dalam File hasil pengontrolan, antara lain suhu dan kelemban lingkungan; suhu, kelemban dan radiasi laktual di dalam rumah tanaman; dan suhu dan kelembaban hasil perhitungan di dalam rumah tanaman.

81

Sedangkan informasi yang terekam dalam File Fitness, adalah nilai fitness tertinggi, rata-rata, dan terendah. Fasilitas Display terdiri tiga kelompok, pertama adalah kurva iradiasi di dalam rumah tanaman yang menunjukkan unsur gangguan yang terjadi pada waktu pengontrolan, kedua adalah kurva suhu dan kelembaban aktual dan hasil perhitungan di dalam rumah tanaman; dan lingkungan, ketiga adalah kurva daya Qcond dan Qhum . Masing- masing kelompok kurva muncul serentak waktu Running. Fasilitas Refresh adalah untuk mengembalikan kondisi ke seperti semula, yang digunakan bila ingin melakukan simulasi dengan sekenario yang lain. Fasilitas ini harus dilakukan, bila tidak maka program aplikasi ini akan Hang.

Gambar 43 Tampilan simulasi

82

Penentuan Acuan Optimal Lingkungan Penentuan acuan optimal yang dimaksud adalah menentukan parameter lingkungan optimal dalam upaya menentukan rasio kanopi-diameter maksimum dan out flow minimum, dimana kondisi lingkungan optimumnya dicari dan dijadikan sebagai acuan optimal dalam sistem kontrol adaptif untuk lingkunganbiologik dalam rumah tanaman.

Model Tanaman Citra Kanopi Tanaman.

Citra kanopi tanaman ketimun, yang

dikumpulkan dari lapangan melalui kamera, diproses dengan menggunakan perangkat lunak proses citra yang telah dikembangkan sebelumnya. Keluaran dari perangkat lunak ini berupa luasan citra kanopi tanaman. Hal di atas memungkinkan karena dalam pengambilan citra di lapangan selain objek sasaran juga disertakan objek tuntun dengan warna tertentu dengan ukuran yang telah diketahui. Adapun citra sebelum dan setelah diproses dapat dilihat pada Gambar 44. Pengertian kanopi disini adalah objek bagian atas tanaman timun (meliputi daun dan tangkai daun) yang terekam oleh kamera dimana posisi pengambilannya dengan kamera relatif tegak lurus.

Kanopi yang direkam dengan cara ini

menganalogkan penerimaan kanopi terhadap cahaya matahari. Bagian daun atau tangkai tanaman yang tidak terekam berarti kontribusinya dalam fotosintesis sangat kecil atau dapat diabaikan. Pada pemrosesan lebih lanjut, objek tuntun dan sasaran dalam satu citra dipisahkan dengan program Paint Microsoft. Kemudian dengan perangkat lunak proses citra yang dikembangkan, objek tuntun diproses terlebih dahulu untuk keperluan kalibrasi, lalu objek sasaran untuk menduga atau menghitung luas kanopi. Pada proses tersebut menggunakan proses thresholding dan filtering. Thresholding mencukupi bila intensitas objek berada dalam interval yang ditentukan dan nilai intensitas latar belakangnya berada di luar interval. Filtering digunakan untuk memisahkan antara objek atau citra sasaran dengan objek selainnya yang terbentuk sebagai akibat proses thresholding yang tidak sempurna.

83

Hasil pendugaan luas kanopi ini, kemudian dibagi dengan hasil penguk uran diameter batang dan diistilahkan dengan rasio kanopi-diameter. Rasio kanopi-diamater tanaman pada fase vegetatif ini diasumsikan sebagai representasi pengukuran parameter tanaman untuk menyeimbangkan pertumbuhan vegetatif dan generatif tanaman.

Semakin besar nilai rasio ini diharapkan

perkembangan fase generatif (bunga dan buah) maksimal. Selanjutnya bersamasama data nutrisi yang diberikan, out flow dan lingkungan digunakan untuk mengembangkan model JST respon dinamik.

Gambar 44 Citra sebelum dan setelah diproses

Jaringan Syaraf Tiruan. Model JST yang dibangun mempunyai enam masukan yang terdiri dari empat masukan statik, yaitu nutrisi yang diberikan, suhu, kelembaban dan iradiasi; dan dua masukan dinamik, yaitu rasio kanopidiameter batang dan out flow. Masukan dinamik ini merupakan umpan balik dari keluaran. Keluaran JST terdiri dari dua, yaitu rasio kanopi-diameter batang dan out flow. Adapun arsitektur model JST respon dinamik ini dapat dilihat pada Gambar 13. Rancangan sistem perlakuan menghasilkan sembilan pola nutrisi yang diberikan. Data nutrisi yang diberikan dikumpulkan bersama-sama data rata-rata harian lingkungan (suhu, kelembaban dan iradiasi), data rasio kanopi-diameter batang dan data banyaknya nutrisi yang hilang (out flow).

84

Data dikumpulkan selama 15 hari sesuai dengan umur fase vegetatif tanaman ketimun. Data hasil pengukuran tersebut, secara berturut-turut dapat dilihat pada Gambar 45, 46, 47, dan 48. Jumlah data yang dikumpulkan adalah 135 pasang data yang mencakup sembilan pola (perlakuan) untuk 15 hari. Data disusun atau disesuaikan dengan kebutuhan model JST respon dinamik yang akan dikembangkan, yaitu 120 pasang data-terdiri dari delapan pola, yaitu Pola I, II, III, V, VI, VII, VIII,dan IX-untuk kebutuhan training; dan 15 pasang data-terdiri dari satu pola, yaitu pola IV-untuk

Nutrisi yang diberikan (ml)

validasi.

1200

Pola 1

1000

Pola 2 Pola 3

800

Pola 4 600

Pola 5

400

Pola 6

200

Pola 7

0

Pola 8 0

5

10

Pola 9

15

Hari ke-

Gambar 45 Pengukuran perubahan larutan nutrisi yang diberikan

700

(%)

400

60

300 200

40

100 20

0 0

5

10 Hari ke-

Gambar 46 Pengukuran perubahan iklim mikro

15

2

500

Iradiasi (w/m )

600 Suhu RH Iradiasi

80

o

Suhu ( C), Kelembaban

100

Pola 1

800

Pola 2

2

Rasio kanopi-diameter (cm/cm)

85

Pola 3

600

Pola 4 Pola 5

400

Pola 6 200

Pola 7 Pola 8

0

Pola 9 0

5

10

15

Hari ke-

Gambar 47 Pengukuran perubahan rasio kanopi-diameter 800

Pola 1 Pola 2 Pola 3 Pola 4 Pola 5 Pola 6 Pola 7 Pola 8 Pola 9

Out flow(ml)

600 400 200 0 0

5

10

15

Hari ke-

Gambar 48 Pengukuran perubahan out flow

Pemilihan data untuk validasi dipilih secara acak dari pola-pola II, IV, V, VI, VII, VII dan IX. Pola I dan III tidak dimasukan dalam seleksi karena kedua pola tersebut adalah pola tertinggi dan terendah. Lima belas pasang data pola IV yang terpilih untuk digunakan pada proses validasi tidak diikutkan dalam proses pembelajaran. Proses pembelajaran awalnya dicobakan dengan jumlah simpul dalam lapisan tersembunyi dan jumlah iterasi yang relatif kecil guna melihat kecenderungan performa model, yaitu konsistensi antara hasil pembelajaran dan validasi. Konsistensi yang dimaksud disini adalah nilai EI dan APD kedua keluaran pada hasil pembelajaran dan validasi dapat dipertahankan pada tingkat yang layak

86

dan relatif sama. Efisiensi model (EI) dan tingkat kesalahan model (APD) yang dianggap layak, secara berturut-turut adalah diatas 90 % dan dibawah 5 %. Dengan

kelayakan

yang

demikian

diharapkan

performa

model

yang

dikembangkan berada pada sekitar garis linier 45o pada diagram kartesius. Dengan kata lain, hal ini akan mencerminkan keterandalan model pada kondisi yang diharapkan, tidak mengalami over atau under estimate. Hasil perbandingan rasio kanopi-diameter dan out flow antara nilai aktual dengan hasil prediksi ( perhitungan) pada hasil pembelajaran dan validasi, masingmasing dapat dilihat pada Gambar 49, 50, 51 dan 52. Fluktuasi harian (time series) untuk masingmasing pola dapat dilihat pada Gambar 53, 54, 55 dan 56. Hasil simulasi dapat diha t pada Gambar 57. Pada pembelajaran menggunakan fungsi transfer sigmoid, jumlah lapisan tigamasukan, tersembunyi, dan keluaran-jumlah simpul dalam lapisan tersembunyi delapan, laju pembelajaran 0.63, momentum 0.85, gain 0.9, dan iterasi 15.000.

EI = 95% APD = 1.3%

600

2

hasil prediksi (cm /cm)

Rasio kanopi-diameter

800

400

200

0 0

200 400 600 800 Rasio kanopi-diameter aktual (cm2 /cm)

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

87

Out flowhasil prediksi (ml)

800 EI = 99% APD = 4,8%

600

400 200 0 0

200 400 600 Out flow nutrisi aktual (ml)

800

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

hasil prediksi (cm2 /cm)


600 EI = 93% APD = 0.62% 400

200

0 0 200 400 600 2 Rasio kanopi-diameter aktual (cm /cm)

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

Out flow hasil prediksi (ml)

600 EI = 96% APD = 4,3%

400

200

0 0

200 400 Out flow aktual (ml)

600

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

88


800 Prediksi Aktual

2

700 600 500 400 300 200 100 0 I

II

III

V

VI Pola

VII

VIII

IX

IX

Gambar 53 Fluktuasi harian nilai rasio kanopi-diameter aktual dan hasil prediksi pada proses pembelajaran 800

Out flow (ml)

700 600

Prediksi

500

Aktual

400 300 200 100 0 I

II

III

V

VI

VII

VIII

IX

IX

Pola

2


Gambar 54 Fluktuasi harian nilai out flow aktual dan hasil prediksi pada proses pembelajaran 600 Prediksi 500

Aktual

400 300 200 100 0 1

2

3

4

5

6

7

8

9

10

11

12 13 14 15

Hari ke-

Gambar 55 Fluktuasi harian nilai rasio kanopi-diameter aktual dan hasil prediksi pada proses validasi

89

600

Out flow (ml)

500 Prediksi

400

Aktual

300 200 100 0 1

2

3

4

5

6

7

8

9

10 11 12 13 14 15

Hari ke-

600 dan Limpasan nutrisi (ml)

2

Rasio kanopi-diameter (cm/cm),

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

400

200 Rasio kanopi-diameter Limpasan 0 1

2

3

4

5

6

7

8 9 Hari ke-

10

11

12

13

14

15

Gambar 57 Hasil simulasi untuk larutan nutrisi dan suhu sama sedangkan kelembaban dan iradiasi berfluktuatif Pada Gambar 49 sampai 50 terlihat bahwa nilai EI dan APD, yang masingmasing menunjukkan tingkat efisiensi model dan kesalahan model, baik pada hasil pembelajaran maupun validasi untuk rasio kanopi-diameter dan out flow adalah konsisten, yaitu nilai EI minimun adalah 93% dan APD maksimum 4,9%. Disamping itu juga, Pada gambar- gambar tersebut, terlihat bahwa antara rasio kanopi-diameter dan out flow aktual dengan prediksi relatif tidak terjadi over atau under estimate.

90

Dengan demikian model JST respon dinamik yang dikembangkan untuk memprediksi pertumbuhan tanaman timun mini (rasio kanopi-diameter) pada fase vegetatif dan nutrisi yang hilang (out flow) berdasarkan larutan nutrisi yang diberikan dan lingkungan mikro (suhu, kelembaban, dan iradiasi) adalah telah memadai atau baik. Adapun nilainilai EI dan APD pada hasil pembelajaran untuk rasio kanopi-diameter adalah 95% dan 1,3%; untuk out flow adalah 99% dan 4,9%, sedangkan pada hasil validasi untuk rasio kanopi-diameter adalah 93% dan 0,62%; untuk out flow adala h 96% dan 0,43%. Pada gambar 57 terlihat salah satu hasil simulasi untuk skenario faktor larutan nutrisi yang diberikan dan suhu rata-rata harian sama, yaitu masingmasing 215 ml dan 31,8 o C sedangkan faktor kelembaban dan iradiasi dibiarkan berfluktuatif. Model ini dapat digunakan untuk memperkirakan kondisi optimal faktor nutrisi yang diberikan, suhu, kelembaban, dan iradiasi agar didapat pertumbuhan tanaman (Rasio kanopi-diameter) maksimum dan nutrisi yang hilang (out flow) minimum.

Optimasi Lingkungan Tanaman Bobot (weight) model komputasi jaringan syaraf tiruan respon dinamik yang digunakan untuk menghitung fungsi tujuan (fitness) dari kombinasi pola (perlakuan) masukan (nutrisi yang diberikan, suhu, kelembaban dan iradiasi) untuk 15 hari dapat dilihat pada Gambar 58. Selanjutnya solusi optimal masingmasing masukan tersebut untuk setiap hari selama 15 hari dieksplorasi dengan menggunakan algoritma genetika. Pada Gambar 59 dan 60 terlihat kurva evolusi untuk mencari nilai optimal dengan parameter-parameter yang berbeda, secara berturut-turut me nggunakan persamaan (pers) yang dikemukakan pada bab 3, yaitu pers (32) dan (33) berikut, n  1   F1 = ∑ α Yc (t ) + β   Y (t )+ c  i  l  n   n α Yc ( t ) l  = ∑ F2 = ∑ αYc ( t ) *  β Y ( t ) + c i  l  i β Yl ( t ) + c

91

Pada kedua kurva evolusi ini terlihat bahwa kisaran (range) nilai fitness yang dihasilkan untuk pers 32 adalah sekitar 2650 - 9700 dan untuk pers 33 adalah 1160 – 15759380. Sedangkan rentang (span) nilai fitness yang dihasilkan untuk pers 32 adalah 7050 dan untuk pers 33 adalah 15758220. Nilai kisaran yang lebih sempit dan nilai rentang yang lebih kecil pada pers 32 daripada pers 33 menunjukkan penelusuran optimum global pada pers 32 lebih cepat. Perbedaan dramatik kedua parameter ini (kisaran dan rentang) yang terjadi antara pers 32 dan 33 karena penyusunan komponen Yc(t) dan Yl(t) dalam kedua persamaan tersebut sedemikian rupa.

Secara teoritis, pers 32, karena akan

menghasilkan nilai fitness yang jauh lebih tinggi, diharapkan berimplikasi kepada pencapaian optimum global lebih cepat. Namun demikian pada aplikasinya tidaklah demikian.

Pada pers 33,

perubahan nilai pada komponen Yl(t) sangat mempengaruhi nilai komponen Yc(t) yang pada gilirannya akan mempengaruhi nilai fungsi fitness keseluruhan. Hal ini relatif tidak terjadi pada pers 32, karena perubahan nilai pada komponen Yl (t) tidak mengakibatkan perubahan dramatik pada nilai fungsi fitness keseluruhan. Hal yang demikian, berimplikasi kepada penelusuran evolusi optimal dengan pers 33 cenderung terjebak pada optimum lokal. Kondisi ini, bila hanya dilihat dari kurva evolusi penelusuran fitness pers 32 dan 33, masingmasing pada Gambar 59 dan 60, performa nsi perbedaannya tidak terlihat jelas. Keduanya sama-sama konvergen bahkan performa nsi untuk pers 32 tampak lebih baik karena nilai fitness pers 33 lebih tinggi. Hal ini dapat dilihat untuk skenario (Pc=0,6; Pm=0,01) pada Gambar 59-pers 32 dan Gambar 60pers 33.

92

4 3

Nilai bobot

2 1 0 -1 -2 -3

Bobot W1…W48

Bobot

-4

Gambar 58 Bobot model komputasi JST respon dinamik

1.00E+04

Fitnes

9.00E+03 8.00E+03

Skenario Skenario Skenario Skenario

7.00E+03

(Pc=0,2; Pm=0,1) (Pc=0,9; Pm=0,8) (Pc=0,6; Pm=0,01) (Pc=0,6; Pm=0,1)

6.00E+03 5.00E+03 0

100

200

300

400

500

600

700

800

900 1000

Iterasi ke-

Gambar 59 Kurva evolusi penelusuran fitness dengan pers 32

1.00E+08

Fitnes

1.00E+06 1.00E+04

Skenario Skenario Skenario Skenario

1.00E+02

(Pc=0,9; Pm=0,8) (Pc=0,6; Pm=0,1) (Pc=0,6; Pm=0,01) (Pc=0,2; Pm=0,1)

1.00E+00 0

100

200

300

400

500

600

700

800

900 1000

Iterasi ke-

Gambar 60 Kurva evolusi penelusuran fitness dengan pers 33

93

Untuk melihat perbedaan performa penggunaan pers 32 dan 33 yang lebih jelas, yaitu dengan mensimulasikan hasil masingmasing skenario pada penelusuran (searching) untuk kedua persaman tersebut ke model JST respon dinamik yang digunakan untuk fungsi fitnessnya. Hasil optimal kurva pers 32 skenario (Pc=0,6; Pm=0,01) sebagai masukan dan keluaran model JST, masingmasing dapat dilihat pada Gambar 61 dan 62, sedangkan skenario (Pc=0,6; Pm=0,1) dapat dilihat pada Gambar 63 dan 64. Hasil penelusuran kurva pers 33 skenario (Pc=0,6; Pm=0,01) sebagai masukan dan keluaran model JST, masingmasing dapat dilihat pada Gambar 65 dan 66. Untuk skenario (Pc=0,6; Pm=0,1) dapat dilihat pada Gambar 67 dan 68. Skenario yang menunjukkan hasil konsisten, berada paling atas baik pada kurva evolusi penelusuran fitness dengan pers 32 dan pers 33, adalah skenario (Pc=0,6; Pm=0,01).

Namun demikian, yang merupakan hasil terbaik, yaitu

pencapaian optimum global adalah skenario (Pc=0,6; Pm=0,01 pada pers 32. Hal ini dapat dilihat pada hasil simulasi model JST yang menggunakan masukan hasil kedua persamaan tersebut untuk skenario yang sama, yaitu masingmasing dapat dilihat pada Gambar 62 dan 66.

Hasil pertumbuhan tanaman (rasio kanopi-

diameter) pada Gambar 62 lebih konsisten daripada yang ditunjukkan oleh Gambar 66. Penjelasan-penjelasan di atas menunjukkan penelusuran optimum global dengan pers 32 lebih akurat daripada pers 33. Sedangkan perilaku skenario yang dicobakan pada pers 32 dijelaskan berikut ini. Skenario (Pc=0,6; Pm=0,01) pada Gambar 59, fitness (nilai fungsi tujuan) mula- mula naik dengan slope cukup tajam sampai iterasi ke-100, kemudian secara perlahan slope kena ikan berkurang dan akhirnya mencapai nilai maksimum pada iterasi sekitar 400. Biasanya iterasi penelusuran dihentikan bila nilai maksimum fitness tetap sama dengan bertambahnya iterasi dan solusi optimal diberikan oleh individu dengan nilai maksimum tersebut. Untuk menghindari optimum lokal, iterasi penelusuran diteruskan sampai iterasi ke-1000. Dan untuk skenario (Pc=0,6; Pm=0,01) tetap konsisten, sedangkan skenario lainnya tidak demikian. Perilaku yang mirip dengan skenario (Pc=0,6; Pm=0,01) adalah skenario (Pc=0,9; Pm=0,8) tetapi nilai maksimum yang dicapai

94

nya dibawah nilai skenario (Pc=0,6; Pm=0,01) atau yang lainnya.

Hal ini

mengindikasikan penggunaan parameter Pc=0,9 dan Pm=0,8 terlalu besar untuk permasalahan ini. Metode seleksi yang digunakan dalam algoritma genetika ini adalah elitist. Menurut Morimoto et al. (2001), dan Morimoto dan Hashimoto (1998), kelebihan metode seleksi ini adalah efektif untuk meningkatkan fitness individu karena individu dengan nilai fitness lebih tinggi dipertahankan untuk iterasi berikutnya, dan hal ini sekaligus menjadi kelemahannya karena akan mudah terperangkap pada kondisi optimum lokal. Pada studi ini untuk mengatasi hal ini digunakan jumlah populasi (pop size) yang cukup besar, yaitu 35. Berdasarkan performansi optimum global yang dijelaskan sebelumnya, maka jumlah populasi yang digunakan telah memadai, selain itu Kusumadewi (2003) mengemukakan bahwa jumlah populasi untuk semua permasalahan sebaiknya tidak kurang dari 30. Optimum global dengan penelusuran algoritma genetika tidak selalu tercapai. Untuk konfirmasi, pada makalah ini menggunaan metode cek-silang, yaitu dengan cara mensimulasikan kembali solusi hasil penelusuran ke dalam model JST respon

1200 (%), dan Suhu ( oC)

Iradiasi (w/m 2), Kelembaban

Nutrisi yang diberikan (ml),

dinamik yang digunakan sebagai fungsi fitness.

Suhu Iradiasi

1000

Nutrisi yang diberikan Kelembaban

800 600 400 200 0 1

2

3

4

5

6

7

8

9

10 11 12 13 14 15

Hari ke-

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

Rasio kanopi-diameter (cm2 /cm), dan Limpasan nutrisi (ml)

95

800 600 400 200

Rasio kanopi-diameter Limpasan nutrisi

0 1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

Hari ke-

Suhu Iradiasi

(%), dan Suhu ( C)

1200


1000

o

Nutrisi yang diberikan (ml),

Iradiasi (w/m 2), Kelembaban

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

800 600 400 200 0 1

2

3

4

5

6

7

8

9

10 11 12 13 14 15

Hari ke-

800

nutrisi (ml)


(cm 2/cm), dan Limpasan

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


600 400 200 0 1

3

5

7

9

11

13

15

Hari ke-

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

Suhu Iradiasi

1000 (%), dan Suhu ( oC)

Nutrisi yang diberikan (ml), Iradiasi (w/m 2), Kelembaban

96


800 600 400 200 0 1

2

3

4

5

6

7

8

9

10 11 12 13 14 15

Hari ke-

Rasio kanopi-diameter (cm2/cm), dan Limpasan nutrisi (ml)

Gambar 65 Hasil penelusuran kurva pers 33 skenario (Pc=0,6;P m=0,01)

800


600 400 200 0 1

2

3

4

5

6

7

8

9 10 11 12 13 14 15

Hari ke-

Suhu Iradiasi

1200 (%), dan Suhu (oC)

Nutrisi yang diberikan (ml), Iradiasi (w/m2), Kelembaban

Gambar 66 Hasil simulasi model JST dengan masukan hasil penelusuran kurva pers 33 skenario (Pc=0,6; Pm=0,01

Nutirisi yang diberikan Kelembaban

1000 800 600 400 200 0 1

2

3

4

5

6

7

8

9 10 11 12 13 14 15

Hari ke-

Gambar 67 Hasil penelusuran kurva pers 33 skenario (Pc=0,6;P m=0,1)

Rasio kanopi-diameter (cm2/cm), dan Limpasan nutrisi (ml)

97

800


600 400 200 0 1

2

3

4

5

6

7

8

9

10 11 12 13 14 15

Hari ke-

Gambar 68 Hasil simulasi model JST dengan masukan hasil penelusuran kurva pers 33 skenario (Pc=0,6; Pm=0,1) Evapotranspirasi Tanaman Evapotranspirasi adalah proses kehilangan air dari permukaan tanah dan kehilangan air melalui tanaman yang terjadi secara serempak.

Evaporasi

mengubah air menjadi uap dan berpindah dari permukaan yang menguap. Air dapat menguap dari berbagai permukaan, seperti media dan tanaman yang basah. Ketika evaporasi sedang berlangsung, udara sekitar perlahan menjadi jenuh uap air. Perpindahan udara lembab ke atmosfer dipengaruhi oleh kecepatan angin, sehingga kecepatan angin bersama-sama iradiasi, suhu dan kelembaban adalah parameter-parameter iklim yang dipertimbangkan dalam menghitung besarnya evaporasi.

Transpirasi, seperti evaporasi, juga dipengaruhi oleh

kecepatan angin, iradiasi, suhu dan kelembaban. Diasamping itu, transpirasi juga dipengaruhi oleh laju pemberian larutan nutrisi dan kepekatannya. Evaporasi dan transpirasi terjadi secara simultan.

Evaporasi pada

permukaaan media yang ada tanamannya ditentukan terutama oleh banyaknya iradiasi matahari yang mencapai permukaan media.

Banyaknya iradiasi yang

mencapai media ini semakin berkurang dengan makin bertambahnya umur tanaman, sedangkan luas kanopi tanaman semakin bertambah menutupi media. Bila tanaman masih kecil, air yang hilang terutama diakibatkan oleh evaporasi media tetapi bila tanaman terus tumbuh dan kanopinya menutupi media, maka transpirasi menjadi penyebab utama kehilangan air.

98

Evapotranspirasi dapat diestimasi menggunakan model- model yang telah banyak dikembangkan. Salah satu model tersebut adalah model Hargreaves (Wu, 1997). Model ini sederhana karena cukup membutuhkan dua parameter iklim, yaitu iradiasi dan suhu. Adapun model Hargreaves dinyatakan dalam persamaan berikut:   238,8  ETo = 0,0135 × (T +17,78Rs ) ×   595,5−0,55T 

(69)

ETc = ETo × K c

(70)





diimana ETo adalah evapotranspirasi acuan (mm/hari), T adalah suhu (o C), R s adalah iradiasi (MJ/m2 /hari), ET c adalah evapotranspirasi tanaman (mm/hari), dan K c adalah koefisien tanaman. Kurva hasil perhitungan

ET c

untuk tanaman ketimun mini yang

menggunakan pendekatan model di atas dapat dilihat pada Gambar 69. Pada gambar tersebut juga disajikan volume nutrisi yang diberikan. Terlihat bahwa kedua kurva menunjukkan trend yang sama tetapi jumlah volume larutan nutrisi yang diberikan lebih besar daripada evapotranspirasi. Walaupun antara volume nutrisi yang diberikan dan evapotranspirasi secara konsep adalah identik, tetapi merupakan hal yang berbeda. Volume nutrisi yang diberikan merupakan kombinasi antara air dan nutrisi.

Dalam

pemberiannya, diasumsikan sebagai pemenuhan kebutuhan air bagi tanaman ketimun mini yang jumlah pemberiannya untuk mengkompensasi kehilangan air akibat evapotranspirasi dan faktor lainnya. Faktor lain tersebut, seperti untuk pencucian garam- garam, dan keseragaman ketersediaan air di media tanaman. Media tanam yang digunakan dalam penelitian adalah arang sekam yang porositasnya sangat tinggi.

Pemberian larutan nutrisi didasarkan pada suhu,

kenampakan tanaman secara visual, pH dan nilai EC. Model tanaman yang dikembangkan dengan JST ini lebih lengkap daripada model evapotranspirasi.

Parameter iklim, seperti suhu, radiasi dan

kelembaban yang biasanya dibutuhkan model evapotranspirasi untuk menduga kebutuhan air telah dipertimbangkan dalam model JST.

Disamping itu,

keluarannya yang berupa kondisi tanaman yang diinginkan, yaitu rasio kanopi-

99

diameter batang dan outflow sudah dapat diduga, hal ini tidak terjadi bila

1.8

1200

1.7

1000 800

1.6

600 1.5 Evapotranspirasi tanaman (ETc) Nutrisi yang diberikan

1.4 1.3

400 200

Nutrisi yang diberikan (ml)

Evapotranspirasi tanaman (mm/hari)

menggunakan model evapotranspirasi.

0 1

2

3

4

5

6

7

8

9

10 11 12 13 14 15

Hari ke-

Gambar 69 Pola evapotranspirasi tanaman ketimun mini dan volume nutrisi yang diberikan Model Lingkungan-biologik Hasil pengukuran suhu udara dan kelembaban udara (kelembaban relatif) di dalam rumah tanaman dan lingkungan (di luar rumah tanaman ) selama 72 jam dengan kondisi iradiasi matahari pada siang hari dapat dilihat pada Gambar 71. Pada saat pengambilan data tersebut cuaca agak cerah pada pagi hari, mendung pada siang hari, dan hujan pada sore hari. Lokasi pengambilan data berada pada ketinggian 670 m di atas permukaan laut, suhu harian berkisar 18 o C sampai 38 o C, kelembaban harian berkisar 70 persen sampai 90 persen, dan curah hujan tahunan sebesar 2495mm. Kondisi topografi yang berbukit-bukit datar terletak pada koordinat 104 o BT dan 6 o LS. Pada Gambar 71 terlihat bahwa suhu dan kelembaban didalam rumah tanaman berfluktuasi mengikuti kondisi suhu dan kelembaban lingkungan, pada siang hari, iradiasi matahari sangat mempengaruhi keduanya. Pengaruh iradiasi menghasilkan kecenderungan sama dengan suhu, tetapi hal yang sebaliknya terjadi pada kelembaban, karena kelembaban fungsi invers dari suhu. Di dalam rumah tanaman, suhu maksimum dan kelembaban minimum terjadi pada pk. 13.00-14.00 siang, karena iradiasi matahari pada jam tersebut mencapai puncaknya.

Sedangkan suhu minimum dan kelembaban maksimum

100

pada pk. 03.00-04.00. Walaupun iradiasi matahari bisa dikatakan telah minimal sejak pk. 18.00, ternyata efek iradiasi terus berlanjut sebagai akibat dari penyerapan benda-benda di dalam rumah tanaman dan efek tersebut betul-betul minimal pada sekitar pk. 03.00-04.00. Selisih suhu dan kelembaban rumah tanaman dengan lingkungan berturutturut sekitar tiga derajat dan enam persen. Perbedaan ini relatif tidak besar karena struktur rumah tanaman terbuat dari kasa. Namun demikian, bisa jadi jumlah iradiasi yang diterima lebih sedikit karena waktu pengukuran musim hujan. Bila dilihat dari fungsi rumah tanaman di iklim tropik, yaitu lebih mengutamakan untuk melindungi atau mengontrol tanaman daripada meningkatkan suhu, maka bangunan rumah tanaman ini cukup fungsional. Verifikasi dilakukan dengan membandingkan data hasil perhitungan dengan data aktual (hasil pengukuran). Kelayakan model yang dikembangkan dilihat dari nilai efisiensi model (EI) dan tingkat kesalahan model (APD), secara bertur ut-turut semakin mendekati nilai 100% dan 0% model dianggap memadai. Dengan

kelayakan

yang

demikian

diharapkan

performa

model

yang

dikembangkan berada pada sekitar garis linier 45o pada diagram kartesius. Atau dengan kata lain, hal ini akan mencerminkan keterandalan model pada kondisi yang diharapkan, tidak mengalami over atau under estimate. Adapun hasil verifikasi perhitungan suhu dan kelembaban (RH) dalam rumah tanaman yang menggunakan pendekatan pindah panas dan massa, yaitu pindah panas di lantai, keseimbangan panas udara dalam rumah tanaman, dan keseimbangan uap air udara di dalam rumah tanaman, masingmasing dapat dilihat pada Gambar 72 dan 73.

Sedangkan kurva fluktuasi suhu hitung dan

aktual; dan kelembaban hitung dan aktual dapat diliahat pada Gambar 74. Nilai EI dan APD untuk suhu berturut-turut adalah 88% dan 0,49%, sedangkan untuk kelembaban adalah 77% dan 0,29%. Hasil ini cukup memadai untuk kasus rumah tanaman yang cukup luas (256 m2 ) dengan penyekat kasa. Perhitungan pada model menggunakan metode lump, yaitu menganggap suhu dan kelembaban udara sama pada setiap titik, pada kenyataan di lapangan tidaklah demikian. Agar performa nsi lebih baik, diduga perlu memasukan komponen transpirasi, terutama kaitannya dengan kelembaban.

101

100

RH (%)

68

80

58 70

48 38

60

28 50

18 0

24 RH lingkungan Suhu rumah tanaman

Waktu (jam)

48

RH rumah tanaman Iradiasi rumah tanaman

Gambar 70 Kurva kelembaban relatif, suhu, dan iradiasi rumah tanaman, dan lingkungan

72 Suhu lingkungan

2

78

o

88 90

Suhu ( C), Iradiasi (w/m x 10)

98

100

40

EI = 88% APD = 0.49%

o

Suhu prediksil ( C)

35 30 25 20 15 15

20

25

30

35

40

Suhu aktual (o C)

Gambar 71 Perbandingan suhu aktual dengan hasil prediksi

100

RH prediksi (%)

95 90 85

EI = 77% APD =0. 29%

80 75 70 70

75

80

85

90

95

100

RH aktual (%)

Gambar 72 Perbandingan kelembaban relatif aktual dengan hasil prediksi

101

100 58 53

43 70

38

60

33 28

50 23 40

18 0

24

48

72

Waktu (jam) RH aktual

RH hitung

Suhu aktual

Suhu hitung

Gambar 73 Kurva fluktuasi kelembaban relatif hitung, dan aktual; dan suhu hitung dan aktual

o

48

80

Suhu rumah tanaman ( C)

RH rumah tanaman (%)

90

104

Penentuan Parameter Optimal dan Performansi Kontrol Fazi dan PID Parameter Optimal Kontrol Penentuan parameter optimal kontrol dilakukan selama 72 jam dengan mensimulasikan gangguan real dari iradiasi matahari di dalam rumah tanaman, yaitu fluktuasi radiasi matahari di siang hari. Sistem kontrol adaptif lingkunganbiologik ini dilengkapi dengan teknik optimasi algoritma genetika dalam pemecahan problem optimasinya. Parameter kontrol optimal ditentukan dengan cara meminimumkan kuadrat error kumulatif untuk masingmasing besaran fisik, yaitu suhu dan kelembaban dengan fungsi fitness disusun secara resiprokal sebagai berikut, n  n  F = 1  α ∑ e suhu 2 + β ∑ e rh 2   i i 

dimana, α dan β adalah koefisien, e adalah error, yaitu selisih antara acuan dengan kondisi aktual dari besaran fisik (suhu dan kelembaban), i adalah data ke-i, dan n adalah data ke-n. Seberapa besar peran yang diharapkan dari komponen esuhu dan erh di dalam persamaan fungsi fitness, dilakukan dengan mengatur koefisien α dan β yang disesuaikan dengan kebutuhan, dalam kasus ini α dan β adalah 0,5. Parameter yang dioptimalkan (decision variable) adalah P1 , P2 , P3 , P4 , dan P5 untuk kontrol fazi; dan KP , TI dan TD untuk PID. Kurva evolusi menunjukkan proses penelusuran nilai fitness maksimum untuk menentukan parameter-parameter optimal kontrol fazi dan PID. Kedua kurva evolusi (Gambar 74 dan 75) meningkat secara tajam pada awal dan kemudian mencapai nilai maksimum. Penelusuran dihentikan bila nilai fitness maksimum bertahan pada nilai yang sama sampai pada generasi tertentu, dan individu tersebut dianggap memberikan nilai parameter optimal untuk kontrol fazi dan PID. Pada kedua kurva evolusi ditampilkan beberapa skenario probabilitas terjadinya rekombinasi (Pc) dan mutasi (Pm). Kedua probabilitas tersebut tidak boleh terlalu tinggi dan tidak boleh terlalu rendah.

Probabilitas rekombinasi

terlalu tinggi, memberikan eksplorasi ruang solusi yang terlalu besar sehingga

105

solusi yang mungkin sudah mendekati optimum bahkan menjadi jauh. Probabilitas rekombinasi yang terlalu rendah akan mengakibatkan ruang eksplorasi solusi menjadi terbatas karena banyak kromosom yang mungkin dapat memberi solusi tidak terikut dalam evolusi. Probabilitas mutasi yang terlalu tinggi mengakibatkan terlalu banyak gen berubah dan akan menghilangkan kemiripan antara offspring dan parent yang pada gilirannya dapat mengacaukan proses evolusi, demikian juga bila terlalu rendah, kemungkinan gen-gen yang bermanfaat tidak pernah dapat diikutkan dalam proses evolusi. Untuk mencapai optimum global, solusi yang paling mungkin dari problem, dapat diupayakan dengan memeperbesar ukuran populasi dan jumlah iterasi. Namun hal ini harus tetap disesuaikan dengan kebutuhan, karena bila kedua parameter ini terlalu besar dapat mengakibatkan waktu perbaikan tiap generasi menjadi sangat lama dan bisa jadi solusi yang diharapkan tidak pernah tercapai. Pada penelusuran ini, untuk mempercepat tercapainya optimum global, ukuran populasi yang digunakan adala h 35. Sedangkan menurut Kusumadewi (2003), untuk sembarang jenis permasalahan, sebaiknya ukuran populasi tidak kurang dari 30. Jumlah iterasi yang digunakan dalam penelusuran penentuan parameter kontrol optimal fazi dan PID ini adalah 500.

Hal ini cukup memadai untuk

menghindari optimum lokal, yaitu solusi yang lebih baik dari beberapa solusi lain tetapi kurang baik dari solusi optimum global.

Tentunya, kombinasi antara

ukuran populasi yang makin besar dan jumlah iterasi yang makin besar akan dapat mempercepat tercapainya optimum global, tetapi kemampuan komputer harus memadai. Dalam penelusuran parameter kontrol optimal untuk pengontrolan suhu dan kelembaban dengan kontrol fazi dan PID, dicobakan beberapa skenario. Kemudian dari skenario yang dicobakan dibandingkan kurva evolusinya seperti pada Tabel 4. Pertama-tama dibandingkan Pc yang tetap dengan Pm yang lebih rendah (kasus 1). Kemudian seperti kasus 1 tetapi nilai Pc yang lebih tinggi (kasus 2, 3, dan 4). dibandingkan (kasus 5).

Selanjutnya hasil lebih baik dari masingmasing kasus

106

Tabel 4 Pembandingan parameter algoritma genetika Pc dan Pm Kasus 1 2 3 4 5

Skenario yang dibandingkan Pc =0,2; Pm=0,2 Pc =0,6; Pm=0,2 Pc =0,6; Pm=0,6 Pc =0,8; Pm=0,8 Pc =0,2; Pc =0,6; Pm=0,02 Pm=0,02

Hasil lebih baik

Pc =0,2; Pm=0,02 Pc =0,6; Pm=0,02 Pc =0,6; Pm=0,06 Pc =0,8; Pm=0,08 Pc =0,6; Pc =0,8; Pm=0,06 Pm=0,08

Pc =0,2; Pm=0,02 Pc =0,6; Pm=0,02 Pc =0,6; Pm=0,06 Pc =0,8; Pm=0,08 Pc =0,6; Pc =0,6; Pm=0,06 Pm=0,02 (fazi) (PID)

Pada kasus 1, 2, 3, dan 4 baik untuk penelusuran parameter optimal kontrol fazi maupun PID, umum nya Pc yang lebih besar akan lebih buruk. Kurva evolusi pada penelusuran kontrol fazi cenderung belum konvergen sedangkan kontrol PID cenderung terjebak optimum lokal. Pada kasus 5, diperoleh hasil yang terbaik (optimum global), yaitu skenario Pc =0,6; Pm=0,06 untuk fazi (Gambar5.41) dan skenario Pc =0,6; Pm=0,02 untuk PID (Gambar 5.42).

Secara berturut-turut, nilai fitness maksimum dan

jumlah iterasi mulai stabil untuk masingmasing kontrol adalah 1067 dan 240; dan 1280 dan 125. Adapun parameter optimal kontrol fazi dan PID untuk suhu dan kelembaban yang dihasilkan dari penelusuran optimal global kurva evolusi di atas dapat dilihat pada Tabel 5 Kurva performansi untuk suhu dan kelembaban dari hasil penelusuran optimum global kurva evolusi diatas, masingmasing dapat dilihat pada Gambar 76 dan 77.

Tabel 5 Parameter optimal kontrol fazi dan PID Suhu Parameter fazi P1 = 0,17 P2 = 0,32 P3 = 11,28 P4 = 4,58 P5 = 141,89

Parameter PID KP =0,06 TI =0,08 TD =1,91

Kelembaban Parameter fazi P1 = 0,38 P2 = 0,05 P3 = 6,96 P4 = 11,73 P5 = 968,65

Parameter PID KP =0,01 TI =0,0012 TD =16

107

Skenario Pc =0,2; Pm=0,02 pada kurva evolusi penentuan parameter optimal kontrol fazi (Gambar 74) dan skenario Pc =0,6; Pm=0,06 pada kurva evolusi penentuan parameter optimal kontrol PID (Gambar 75) terjebak kepada optimum lokal.

Kurva performansi untuk suhu dan kelembaban dari hasil

penelusuran optimum lokal kurva evolusi diatas, masingmasing dapat dilihat pada Gambar 78 dan 79. Dari kurva performansi kontrol fazi dan PID terlihat jelas (terutama hasil pengontrolan kelembaban) bahwa performansi kurva yang dihasilkan dari penelusuran optimum global lebih baik dari kurva yang dihasilkan dari penelusuran optimum lokal, bandingkan Gambar 76 dengan 78 untuk kontrol fazi dan Gambar 77 dengan 79 untuk kontrol PID. Hasil pengontrolan kelembaban pada kontrol fazi dan PID tidak stabil, masingmasing cenderung membentuk respon berosilasi dengan amplituda tetap (sustained oscillation) dan respon berosilasi dengan amplituda semakin besar (undamped). Nilai fitness maksimum dari kedua kurva evolusi penelusuran parameter optimal kontrol fazi dan PID (Gambar 74 dan 75), secara umum, dapat digunakan untuk menduga performansi kontrol fazi dan PID yang akan dihasilkan, kontrol dengan nilai fitness maksimum lebih tinggi (dalam hal ini PID) akan mengghasilkan kurva performansi yang lebih baik. Hal ini dimungkinkan karena nilai fitness yang tinggi mencerminkan error yang terjadi sangat kecil. Namun demikian hal ini tidak berlaku mutlak karena error yang diminimumkan adalah error total yang terjadi dari awal sampai akhir pengontrolan, dan distribusi error tidak diketahui, apakah banyak terjadi disaat sistem dapat gangguan, atau pada saat sistem relatif stabil. Pada simulasi ini selain modus kontrol fazi dan PID juga di cobakan modus kontrol P, PI, dan PD, ternyata pada sistem rumah tanaman dengan perubahan iradiasi matahari yang cepat, modus kontrol tersebut tidak dapat diaplikasikan atau dengan katalain sistem menjadi kacau. Adapun karakteristik performansi kontrol fazi dan PID pada masingmasing kurva performansi akan didiskusikan pada bagian berikut.

108

1600 1400 Pc=0,6;Pm=0,06 1200

Fitness

1000 Pc=0,6;Pm=0,02

800

Pc=0,2;Pm=0,02

600 Maksimum Rata-rata Minimum

400 200 0 0

100

200

300 Generasi ke-

Gambar 74 Kurva evolusi penentuan parameter optimal kontrol fazi

400

500

109

1600 Pc=0,6;Pm=0,02 1400 1200 Pc=0,6;Pm=0,06 Fitness

1000 800 Pc=0,2;Pm=0,02 600 Maksimum Rata-rata Minimum

400 200 0 0

100

200

300 Generasi ke-

Gambar 75 Kurva evolusi penentuan parameter optimal kontrol PID

400

500

110

100

98 88

68

2

o

80

Suhu ( C),

RH (%)

78

58 70

48

Iradiasi (x 100 w/m)

90

38

60

28 50

18 0

24 RH rumah tanaman Suhu lingkungan

48 Waktu (jam) RH lingkungan Iradiasi rumah tanaman

72 Suhu rumah tanaman

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

111

100

68

80

58 70

48

o

RH (%)

78

2

88 90

Suhu ( C), Iradiasi (x 10 w/m)

98

38

60

28 50

18 0

24

48

72

Waktu (jam) RH rumah tanaman Suhu_lingkungan

RH_lingkungan Iradiasi rumah tanaman

Suhu rumah tanaman

Gambar 77 Kurva performansi kontrol PID pada suhu dan kelembaban dengan parameter hasil kurva evolusi optimum global

112

100

98 88

68

2

o

80

Suhu ( C),

RH (%)

78

58 70

48


90

38

60

28 50

18 0

24 RH rumah tanaman Suhu lingkungan



Gambar 78 Kurva performansi kontrol fazi pada suhu dan kelembaban dengan parameter hasil kurva evolusi optimum lokal

113

100

98 88

68

2

o

80

Suhu ( C),

RH (%)

78

58 70

48 38

60

28 50

18 0

24 RHr_simulasi Suhu lingkungan



90

72 SR_simulasi

Gambar 79 Performansi kontrol PID pada suhu dan kelembaban dengan parameter hasil kurva evolusi optimum lokal

112

Performansi Kontrol Fazi dan PID Kurva transien kontrol fazi dan PID, masingmasing, dapat dilihat pada Gambar 80 dan 81. Kurva transien menunjukkan proses tercapainya kestabilan, disini dilihat perilaku overshoot dan waktu stabil. Selain itu juga dapat dilihat keluaran daya sebagai reaksi dari sistem pengontrolan. Kurva daya, baik hasil kerja pendingin (Q cond) maupun pelembab (Q hum ) bekerja pada dua arah, untuk suhu dan kelembaban, yaitu kearah meningkatkan dan menurunkan. Kurva daya positif dan negatif hanya menggambarkan proses aktuator yang bekerja. Kurva daya Qcond berada di bidang negatif menunjukan pengering yang bekerja, sedangkan dibidang positif pendingin yang bekerja.

Namun

demikian, untuk kurva daya Qhum , ,bila di bidang negatif menunjukan proses penurunan kelembaban yang bekerja, sedangkan di bidang positif peningkatan kelembaban yang bekerja. Kurva performansi hasil simulasi pengontrolan modus kontrol fazi dan PID dengan parameter optimal untuk suhu dan kelembaban dengan tiga acuan ke atas dan ke bawah, secara berturut-turut dapat dilihat pada Gambar 82, 83, 84, dan 852.

Kurva tersebut menggambarkan karakteristik dari suhu dan kelembaban

lingkungan; serta suhu, kelembaban, dan iradiasi matahari di dalam rumah tanaman. Kedua modus kontrol tersebut tetap stabil baik pada perubahan acuan ke atas maupun ke bawah. Ketiga titik acuan pengontrolan untuk kelembaban adalah 70%, 80%, dan 90%, dan suhu adalah 21 o C, 26 o C , dan 31 o C.

Hal ini

menunjukkan bahwa parameter kedua kontrol pada daerah operasi tersebut, yaitu untuk kelembaban 70%-90% dan suhu 21 o C–31 o C tidak perlu disesuaikan. Pada pengontrolan kelembaban dengan fazi, terlihat bahwa waktu stabil lebih cepat daripada kontrol PID, namun demikian, kontrol PID lebih solid terhadap perubahan gangguan dibanding kontrol fazi. Hal sebaliknya terjadi pada error gangguan pada pengontrolan suhu.

113

Kontrol PID yang merupakan gabungan unsur P, I, dan D, secara berturutturut untuk mempercepat reaksi sistem, menghilangkan offset error, dan mendapatkan energi ekstra di saat-sat awal perubahan gangguan, dirancang guna menutupi kekurangan mode kontrol PI dan PD. Walaupun mode kontrol PID mempunyai banyak kelebihan, tetap saja mempunyai kekurangan, yaitu tidak dapat mengontrol semua proses variabel.

Hanya proses variabel yang tidak

mengandung riak, seperti pengontrolan temperatur inilah, biasanya modus kontrol PID digunakan. Hasil pengontrolan modus kontrol fazi optimal, untuk suhu tidak terjadi overshoot, waktu stabil 1,2 jam, error stabil 0,02 o C, error gangguan 1,22 o C, dan daya rata-rata 570 kw. Sedangkan kelembaban overshoot maksimum 4,22%, waktu stabil 1,84 jam, error stabil 0,06%, error gangguan 1,77%, dan daya ratarata 1000 kw. Hasil pengontrolan dengan mode PID optimal, untuk suhu over shoot maksimum 1,52 o C, waktu stabil 0,64 jam, error stabil 0,16 o C, error gangguan 1,83 o C, dan daya rata-rata 580 kw. Sedangkan kelembaban terjadi overshoot maksimum 5,7%, waktu stabil 4,16 jam, error stabil 0,574%, error gangguan 0,91%, dan daya rata-rata 1004 kw. Kontrol yang didesain dalam sistem kontrol adaptif lingkungan-biologik ini merupakan kontrol umpan balik (feedback control) yang mencakup empat tahap pengontrolan, yaitu mengukur, membandingkan, menghitung, dan mengoreksi.

Tiga tahap dari empat langkah pengontrolan dikelompokkan ke

pengontrol (controller), yaitu membandingkan antara acuan dengan variabel proses (besaran lingkungan-biologik, seperti suhu dan kelembaban), menghitung berapa banyak koreksi yang perlu dilakukan, dan mengeluarkan sinyal koreksi sesuai dengan hasil perhitungan tadi. Langkah- langkah atau algoritma menghitung besarnya koreksi dilakukan oleh modus kontrol, seperti fazi, PID, dan turunannya. Masukan modus kontrol adalah error dan perubahan error dan keluarannya adalah sinyal koreksi atau variabel manipulasi yang dapat diubah-ubah besarnya agar variabel proses atau varabel kontrol besarnya sama dengan acuan.

Upaya untuk mempertahankan

varibel proses dengan acuannya, masing masing modus kontrol mempunyai

114

parameter-parameter. Parameter-parameter ini harus optimal. Bila tidak, sistem kontrol akan mudah menjadi tidak stabil bila terjadi perubahan acuan atau gangguan. Kontrol akan selalu mencoba menyamakan variabel kontrol dengan acuan, terutama bila terjadi perubahan acuan atau perubahan gangguan. Gangguan atau beban adalah besaran lain, selain variabel manipulasi yang dapat menyebabkan variabel proses dapat berubah.

Dalam simulasi ini yang menjadi gangguan

dibedakan menjadi dua, besaran yang hanya berperan sebagai gangguan yaitu iradiasi matahari.

Besaran yang berperan sebagai gangguan dan sekaligus

variabel proses adalah suhu dan kelembaban relatif. Jadi perubahan salah satunya akan mempengaruhi yang lainnya. Masing- masing modus kontrol mempunyai karakteristik tersendiri. Pada dasarnya, inti perencanaan kontrol umpan balik adalah memilih modus kontrol dengan aktuator yang cocok dengan proses yang akan dikendalikan agar error sistem kontrol kecil dan stabil pada semua operasi. Modus kontrol fazi dan PID, keduanya, dapat digunakan dalam mengendalikan variabel proses (suhu dan kelembaban) dalam rumah tanaman dengan perubahan iradiasi yang sangat dinamik. Sedangkan modus kontrol P, PI dan PD tidak dapat digunakan, sistem menjadi kacau. Kurva performansi untuk pengendalian suhu dan kelembaban dalam rumah tanaman antara modus kontrol fazi dan PID, masingmasing memiliki kelebihan.

Hasil pengontrolan suhu dengan modus kontrol fazi tidak terjadi

overshoot, waktu stabil 1,2 jam, error stabil 0,02 o C, error gangguan 1,22 o C, sedangkan PID, terjadi over shoot maksimum 1,52 o C, waktu stabil 0,64 jam, error stabil 0,16 o C, error gangguan 1,83 o C. Pada pengontrolan kelembaban dengan modus fazi terjadi overshoot maksimum 4,22%, waktu stabil 1,84 jam, error stabil 0,06%, error gangguan 1,77%.

Pada PID terjadi overshoot

maksimum 5,7%, waktu stabil 4,16 jam, error stabil 0,574%, error gangguan 0,91%. Dalam melihat performansi kedua modus kontrol tersebut pada pengendalian suhu dan kelembaban harus dilihat secara simultan, karena kedua

115

variabel proses tersebut juga merupakan variabel gangguan (disturbance) antara yang satu dengan yang lain. Performansi kedua modus kontrol fazi dan PID terhadap suhu dan kelembaban selama 15 hari dengan pengontrolan dimulai jam 07.00 sampai dengan jam 14.00 ditampilkan secara berurutan pada Gambar 86 dan 87. Adapun acuan untuk suhu dan kelembaban selama 15 hari pada kurva tersebut digunakan lingkungan optimal (suhu dan kelembaban) untuk pertumbuhan tanaman ketimun mini pada fase vegetatatif seperti pada Tabel 6.

Tabel 6 Suhu dan kelembaban untuk fase vegetatif ketimun mini H a r i keLingkungan

1

2

3

4

5

Suhu

24

24 24

24 24

Kelembaban 82

82 82

82 83

6

7

8

9

10

11 12

13 14 15

28 29

28 29 27

28 25

27 28 31

83 82

82 82 82

83 82

83 83 83

Pada Gambar 86 dan 87, berturut-turut hasil performansi aplikasi kontrol modus fazi dan PID. Kedua modus kontrol ini dapat digunakan untuk mengontrol lingkungan dalam rumah tanaman. Perbedaan error stabil dan error gangguan untuk suhu dan kelembaban pada kedua modus kontrol tersebut berbeda tidak signifikan.

116

100

50

30

2

90

o

10

Suhu ( C),

RH (%)

20 80

0 70

-10 -20

60

-30 -40

50

-50 0

6

RH rumah tanaman

12 Waktu (jam) Suhu rumah tanaman

18

Qhum

Gambar 80 Kurva transien kontrol fazi dengan gangguan pada suhu dan kelembaban

24

Qcond

Qhum , Qcond (x 100 w/m)

40

117

50 40 30

2

90

o

10

Suhu ( C),

RH (%)

20 80

0 70

-10 -20

60

-30 -40

50

-50 0

6

12

18

24

Waktu (jam) RH ruang tanaman

Suhu ruang tanaman

Ganbar 81 Kurva transien kontrol PID dengan gangguan pada suhu dan kelembaban

Qhum

Qdaya

Qhum , Qcond (x 100 w/m )Suhu

100

118

100

68

80

58 70

48

o

RH (%)

78

2

88 90


98

38

60

28 50

18 0

24

Waktu (jam)

48

RH rumah tanaman

RH lingkungan

Suhu lingkungan

Iradiasi rumah tanaman


Gambar 82 Kurva Performansi kontrol fazi pada suhu dan kelembaban dengan tiga acuan ke atas

119

100

68

80

58 70

48

o

RH (%)

78

2

88 90


98

38

60

28 50

18 0

24

Waktu (jam)

48

RH rumah tanaman

RH lingkungan

Suhu lingkungan



Gambar 83 Kurva performansi kontrol fazi pada suhu dan kelembaban dengan tiga acuan ke bawah

120

100

68

80

58 70

48

o

RH (%)

78

2

88 90


98

38

60

28 50

18 0

24

Waktu (jam)

48

RH rumah tanaman

RH lingkungan

Suhu lingkungan



Gambar 84 Kurva performans i kontrol PID pada suhu dan kelembaban dengan tiga acuan ke atas

121

100

68

80

58 70

48

o

RH (%)

78

2

88 90


98

38

60

28 50

18 0

24

Waktu (jam)

48

RH rumah tanaman

RH lingkungan

Suhu lingkungan



Gambar 85 Kurva performansi kontrol PID pada suhu dan kelembaban dengan tiga acuan ke bawah

122

100

88

RH (%)

78 68

80

58 70

48 38

60

28 50

1

2

3

4

5

6

7

8

9

10

11

12

13

14

Hari keRH rumah tanaman

RH lingkungan

Suhu lingkungan


Suhu rumah tanaman

Gambar 86 Performansi sistem kontrol fazi untuk suhu dan kelembaban dengan 15 hari acuan optimal

15

18

o

2

90

Suhu ( C), Iradiasi (x 10 w/m )

98

123

100

88

RH (%)

78 68

80

58 70

48 38

60

28 50

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

Hari keRH rumah tanaman

RH lingkungan

Suhu lingkungan


Suhu rumah tanaman

Gambar 87 Performansi kontrol PID dengan parameter untuk suhu dan kelembaban dengan 15 hari acuan optimal

18

o

2

90


98

KESIMPULAN DAN SARAN

Kesimpulan Prototipe perangkat lunak SKALB telah dilengkapi dengan fasilitas real time untuk akuisisi data dan pengontrolan dengan modus kontrol Fazi, PID, PI, PD, dan P. penentuan acuan optimal lingkungan; penentuan parameter optimal kontrol; simulasi yang mengintegrasikan model suhu dan kelembaban dengan sistem kontrol dan optimasi algoritma genetika; serta operator identifikasi JST dan operator optimasi AG.

Prototipe teknologi SKALB dapat digunakan untuk

mendukung usaha agribisnis untuk memproduksi komoditas hortikultura dengan spesifikasi tertentu yang membutuhkan teknologi dan perlakuan khusus, dimana tidak semua orang dapat melakukannya. Pada contoh aplikasi penentuan acuan optimal lingkungan untuk pertumbuhan tanaman ketimun mini selama fase vegetatif, model JST telah memberikan hasil yang baik dalam pendugaan rasio kanopi-diameter dan larutan nutrisi yang hilang (out flow) berdasarkan larutan nutrisi yang diberikan dan lingkungan-biologik (suhu, kelembaban dan iradiasi). Adapun nilai-nilai EI dan APD pada hasil pembelajaran untuk rasio kanopi-diameter adalah 95% dan 1,3%; untuk out flow adalah 99% dan 4,9%. Hasil validasi untuk rasio kanopi-diameter adalah 93% dan 0,62 %; untuk out flow adalah 96% dan 0,43%. Karakteristik model JST terdiri dari 3 lapisan dengan 8 simpul dalam lapisan tersembunyi, laju pembelajaran 0.63, momentum 0.85, gain 0.9, iterasi 15.000, dan fungsi transfer antara lapisan masukan-tersembunyi-keluaran digunakan fungsi sigmoid. Penentuan lingkungan optimal dengan AG selama fase vegetatif (15 hari) adalah 45-1026 ml untuk larutan nutrisi yang diberikan, 24-31oC untuk suhu, 82-83% untuk kelembaban relatif, 231–243 w/m2 untuk iradiasi. Metode konfirmasi yang digunakan untuk menentukan acuan optimal lingkungan adalah Cek-Silang, yaitu dengan cara mensimulasikan kembali solusi hasil penelusuran ke dalam model JST respon dinamik yang digunakan sebagai fungsi fitness.

127

Fungsi fitness pertama yang menggunakan operator penjumlahan ternyata paling tepat dalam memenuhi prinsip algoritma genetika untuk mencari solusi optimum global pada kasus keluaran yang lebih dari satu variabel dan bersifat dualisme-seperti

memaksimumkan

rasio

kanopi-diameter

batang

dan

meminimumkan out flow. Pengunaan fungsi fitness tersebut lebih cepat mencapai konvergen. Model lingkungan-biologik yang dibangun ternyata cukup memadai untuk rumah tanaman skala produksi.

Adapun Nilai EI dan APD untuk suhu dan

kelembaban berturut-turut adalah 88% dan 0,49%, sedangkan untuk kelembaban adalah 77% dan 0,29%. Performansi sistem kontrol menjadi lebih baik dengan adanya operator algoritma genetika untuk optimasi parameter sehingga modus kontrol fazi dan PID dapat digunakan untuk mengontrol sistem lingkungan-biologik terpadu secara lebih baik.

Adapun parameter fazi untuk suhu P1 =0,17, P2 =0,32, P3 =11,28,

P4 =4,58, dan P5 =141,89, untuk kelembaban P1 =0,38, P2 =0,05, P3 =6,96, P4 =11,73, dan P5 =968,65; sedangkan parameter PID untuk suhu KP =0,06, TI=0,08, dan TD=1,91, untuk kelembaban KP =0,01, TI=0,0012, dan TD=16.

Saran Aplikasi SKALB yang telah dikembangkan perlu mempertimbangkan kesiapan manajer dan pelaksana di lapangan, ketersediaan perangkat keras sistem kontrol, dan kelayakan ekonomi. Guna pengontrolan variabel proses yang lebih banyak, SKALB perlu dilengkapi fasilitas interface yang sesuai dengan kebutuhan tersebut. Prototipe perangkat lunak SKALB perlu dikembangkan lebih lanjut sehingga lebih user friendly.

DAFTAR PUSTAKA Berckmans D, Pee MV. 1998. Speaking plant approach based on mathematical identification for environment control purposes. Acta Hort 421:129-136. Bot GPA. 1993. Physical modeling of greenhouse climate. Di dalam: Hasyimoto Y, editor. The Computerized Greenhouse. USA: Academic Pr Inc. hlm 5171. Boulard T, Draoui B, Neirac F. 2005. Calibration and validation of a greenhouse climate control model. Di Dalam: Mathematical and Control Applications in Agriculture and Horticulture. ISHA Acta Horticulturae 4006: II IFAC / ISHS Workshop. http://www.actahort.org/books//406_1.html [19 Agu 2005]. Chao K, Gates RS. 1996. Design of switching control systems for ventilated greenhouse. Transaction of the ASAE 39(4): 1513-1523. Chotai A, Young PC, Davis P, Chalob ZS. 1991. True digital control of glasshouse systems. IFAC Mathematical & Control Applications in Agric and Hortic. Japan: Matsuyama. Dantigny P, Lakrori M. 1992. Simulation of L/A control in fed-batch culture of baker’s yeast. Biotechnology and Bioengineering 39: 246-249. Driscoll RH, Ng S, Chuaprasert S. 1995. Evaporator process control using computer models. Food Australia 47(1): 27-31. Esmay LM, Dixon JE. 1986. Environmental control for agricultural building. USA Wesport: The Avi Publishing Company Inc. 287 hlm. Ferentinos KP, Albright LD. 2005. Optimal design of plant lighting system by genetic algorithms. Engineering Applications of Artificial Intelligence 18(4): 473-484. Gunterus F. 1994. Falsafah dasar: Sistem Pengendalian Proses. Jakarta: PT Elex Madia Komputindo. Haley TA, Mulvaney SJ. 1995. Advanced process control techniques for the food industry. Trends in Food Science and Technology 6(4):103-110. Hashimoto Y, Morimoto T, Funada S. 1981. Computer processing of speaking plant for climate control and computer aided plantation (computer aided cultivation). Acta Hort 115: 317-326. Hashimoto Y. 1989. Recent strategies of optimal growth regulation by the speaking plant concept. Acta Hort 260: 115-120.

128

Jones JW. 1991. Crop growth, development, and production modeling. Proceedings on Automated Agriculture for the 21st Century. Illinois, 1617 December. hlm 447-457. Koning ANM de. 2005. Quantifying the responses to temperature of different plant processes involved in growth and development of glasshouse tomato. Di Dalam: Mathematical and Control Applications in Agriculture and Horticulture. ISHA Acta Horticulturae 4006: II IFAC / ISHS Workshop. http://www.actahort.org/books//406/406 1.html [19 Agu 2005]. Korner O, Challa H. 2003. Process-based humidity control regime for greenhouse crops. Computers and Electronics in Agriculture 39(3): 173192. Kostov P, Ivanova T, Dandolov I, Sapunova S, Ilieva I. 2002. Adaptive environmental control for optimal results during plant microgravity experiments. Acta Astronautica 51(1-9): 213-220. Kusumadewi S. 2003. Artificial intelligence (teknik dan aplikasinya). Yogyakarta: Graha Ilmu. hlm 283. Lefas CC, Santamouris MJ. 1984. Application of microcomputers in optimal greenhouse environmental control and resources management. Solar and Wind Technology 1(3): 153-160. Loslovich I, Seginer I. 2002. Acceptable nitrate concentration of greenhouse lettuce: two optimal control policies. Biosystems Engineering 83(2): 199215. Morimoto T, Hashimoto Y. 1998. AI aproaches to identification and control of total plant production. Di dalam: Kozai T, Murase H, Hosyi T, editor. Preprints 3rd IFAC-CIGR Workshop on Artificial Intelligent in Agriculture. Chiba; 24-26 Apr 1998. Japan: IFAC-CGR. hlm 1-19 Morimoto T, Hashimoto Y. 1991. Application of Fuzzy Logic and Neural Network to The Process Control of Solution pH in Deep Hydroponic Culture. IFAC Mathematical & Control Applications in Agric. and Hortic. Japan: Matsuyama. Nielsen B, Madsen H. 2005. Identification of a continuous time model of the heat dynamics of a greenhouse. Di Dalam: Mathematical and Control Applications in Agriculture and Horticulture. ISHA Acta Horticulturae 4006: II IFAC/ ISHS Workshop. http://www.actahort.org/books//406/406 1.html [19 Agu 2005].

129

Nilsson LEG, Nybrant TG. 2005. Adaptive control of floral development. Di dalam: Mathematical and Control Applications in Agriculture and Horticulture. ISHA Acta Horticulturae 4006: II IFAC / ISHS Workshop. http://www.actahort.org/books//406/406 1.html [19 Agu 2005]. Nishina H, Hashimoto Y, Matsumoto A. 2005. Identification and control of air temperature in greenhouse systems. Di Dalam: Mathematical and Control Applications in Agriculture and Horticulture. ISHA Acta Horticulturae 4006: II IFAC / ISHS Workshop. http://www.actahort. org/books//406/406 1.html [19 Agu 2005]. Oeggerli A, Eyes K, Heinzle E. 1995. On-Line Gas Analysis in Animall Cell Cultivation: 1. Control of Dissolved Oxygen and pH. Biotechnology and Bioengineering 39: 246-249. Patterson DW. 1996. Artificial Neural Networks Theory and Application. New York: Printice Hall. Pedrycz W. 1991. Application of fuzzy logic in control systems. Proceedings on Automated Agriculture for the 21st Century. Illinois, 16-17 Des. hlm 209217. Phillips CL, Harbor RD. 1988. Feedback Control Systems. New Jersey: PrinceHall International Inc. Rohmanuddin M. 1994. Algoritma sederhana suatu pengontrol logika fuzi dan apliksinya pada pengontrolan posisi. Di dalam: Seminar Artificial Intelligence. Bandung, 7-8 Jun 1994. UPT Komputer PIKSI. hlm 1-16. Saptomo SK. 1995. Pengaturan suhu dengan pengontrol fuzi [skripsi]. Bogor: Fakultas Teknologi Pertanian, Institut Pertanian Bogor. Schmidt U. 2005. Greenhouse climate control with a combine model of greenhouse and plant by using online measurement of leaf temperature and transpiration. Di dalam: Mathematical and Control Applications in Agriculture and Horticulture. ISHA Acta Horticulturae 4006: II IFAC / ISHS Workshop. http://www.actahort.org/books//406/406 1.html [19 Agu 2005]. Seminar KB. 2000. 6(1): 38-41.

Precision agriculture: paradigma dan aplikasi. Agrimedia

Seminar KB, Suhardiyanto H, Tamrin, Tooy D. 1998. Design and implementation of a computer-based control system for greenhouse in tropical. Di dalam: Kozai T, Murase H, Hosyi T, editor. Preprints 3rd IFAC-CIGR Workshop on Artificial Intelligent in Agriculture. Chiba; 2426 Apr 1998. Japan: IFAC-CGR. hlm 42-47.

130

Setiawan BI. 2000. Program aplikasi kubik spline dalam pascal. Departemen Teknik Pertanian Institut Pertanian Bogor.

Bogor:

Setiawan BI. 2001. Designing temperature control system for mushroom cultivation. Di dalam: Purwadaria HK, Widodo RJ, Seminar KB, Tjokronegoro HA, Suroso, editor. Preprints 2nd IFAC-CIGR Workshop on Intelligent Control for Agricultural Applications. Bali; 22-24 Agu 2001. Indonesia: IFAC-CGR. hlm 87-90. Shieh JS, Chen HC, Ferng LH. 1992. Application of a fuzzy logic controller in temperature control of a pilot high-temperature short time heat exchanger. Food Control 3(2): 45-53. Straten van G. 2005. On-line control of greenhouse crop cultivation. Di Dalam: Mathematical and Control Applications in Agriculture and Horticulture. ISHA Acta Horticulturae 4006: II IFAC / ISHS Workshop. http://www.actahort.org/books//406/406 1.html [19 Agu 2005]. Subrata MDI, Suroso, Dwinanto. 2001. Penerapan teknologi image processing dan artificial ne ural network untuk menduga ketersediaan air dan nutrisi pada pertumbuhan tanaman cabai merah. Buletin Keteknikan Pertanian 15(2): 80-88. Suhardiyanto H, Seminar KB, Chadirin Y, Setiawan BI. 2001. Development of a pH control system fornutrient solution in ebb and flow hidroponic culture on fuzzy logic. Di dalam: Purwadaria HK, Widodo RJ, Seminar KB, Tjokronegoro HA, Suroso, editor. Preprints 2nd IFAC-CIGR Workshop on Intelligent Control for Agricultural Applications. Bali; 22-24 Agu 2001. Indonesia: IFAC-CGR. Hlm 87-90. Takakura T. 1991. Environmental control system for greenhouse. ASAE: 437446. Tamrin, Seminar KB, Suhardiyanto H, Hardjoamidjodjo S. 2005. Model Jaringan Syaraf Tiruan untuk Pertumbuhan Tanaman Ketimun Mini (Cucumis sativus L. Var. Marla) pada Fase Vegetatif. Jurnal Keteknikan Pertanian 19(1): 1-10. Ursem RK, Filipi B, Thiemo N. 2004. Exploring the performance of an evolutionary algorithm for greenhouse control. http://www.brics.dk/cgibin/view pubpd?arrby=year&anid=452 [13 Apr 2004.]. Yandra, Hermawan A. 2000. Algoritma Genetika dan Aplikasinya untuk Agribisnis Masa Depan. Agrimedia 6(1): 42-43.

131

Young PC, Lees MJ. 2005. Simplicity out of complexity in glasshouse climate modelling. Di Dalam: Mathematical and Control Applications in Agriculture and Horticulture. ISHA Acta Horticulturae 4006: II IFAC / ISHS Workshop. http://www.actahort.org/books//406/406 1.html [19 Agu 2005]. Wu IP. 1997. A Simple Evapotranspiration Model for Hawai: The Hargreaves Model [Catatan penelitian]. CTAHR Fact Sheet Engeiner’s Notebook 106:1-2.

L A M P IR AN

1 2 3

4

5 6

4.00

4.00

4.00 40.00

Lampiran 1. Potongan memanjang greenhouse t ipe single span

4.00

135

Lampiran 2. Potongan melintang greenhouse tipe single span

1 0,30

2 3

0,75

4

0,85

5

2,90

6 1,10 7 0,25 0,65 6,4

135

136

Lampiran 3. Pemecahan persamaan-persamaan pendugaan suhu dan kelembaban di dalam greenhouse tipe single span

Diskritisasi pers (56), (57), dan (58) dilakukan dengan finite difference Euler skema implisit, kemudian sistem linier yang terbentuk diselesaikan dengan metode Gauss-Jordan. Adapun langkah-langkahnya adalah sebagai berikut, 1. Pemecahan pers (56)

T t + ∆t −T t lt ( mCp )lt lt ∆t Tltt + ∆t − Tltt = (

= ( hA )lt ( Trt + ∆t − Tltt + ∆t ) + αAI r

∆t ∆t )( hA )lt Trt + ∆t − ( )( hAlt )Tltt + ∆t ( mCp )lt ( mCp )lt

∆t +( )α AIr ( mCp )lt Tltt + ∆t = (

∆t ∆t )( hA )lt Trt + ∆t − ( )( hA )lt Tltt + ∆t ( mCp )lt ( mCp )lt

∆t +( )αAI r + Tltt ( mCp )lt Tltt + ∆t − (

∆t ∆t )( hA )lt Trt + ∆t + ( )( hA )lt Tltt + ∆t ( mCp )lt ( mCp )lt

∆t =( )αAI r + Tltt ( mCp )lt Tltt + ∆t + (

∆t ∆t )( hA )lt Tltt + ∆t − ( )( hA )lt Trt + ∆t ( mCp )lt ( mCp )lt

∆t =( )αAI r + Tltt ( mCp )lt ( 1+(

∆t ∆t )( hA )lt )Tltt + ∆ t − ( )( hA )lt Trt + ∆t ( mCp )lt ( mCp )lt ∆t =( )αAI r + Tltt ( mCp )lt

(1)

(2)

(3)

(4)

(5)

6)

137

Lampiran 3 (Lanjutan)

∆t a11 = 1 + ( )( hA )lt ( mCp )lt ∆t a12 = −( )( hA )lt ( mCp )lt a13 = 0 b1 = (

(7)

∆t )αAIr + Tltt ( mCp)lt

2. Pemecahan pers (57) t + ∆t − T t r ∆t

T mCp )r r

= ( m&Cp )umk ( Tlt + ∆t − Trt + ∆t ) + ( hA )lt ( Tltt + ∆t − Trt + ∆t ) + ( UA )d ( Tlt + ∆t − Trt + ∆t )

(1)

+ ( UA )a ( Tlt + ∆t − Trt + ∆t ) − Qref + Qheat

∆t ∆t )( m&Cp )umk Tlt + ∆t − ( )( m&Cp )umk Trt + ∆t ( mCp )r ( mCp )r ∆t ∆t +( )( hA )lt Tltt + ∆t − ( )( hA )lt Trt + ∆ t ( mCp )r ( mCp )r

Trt + ∆t − Trt = (

∆t ∆t )( UA )d Tlt + ∆t − ( )( UA )d Trt + ∆t ( mCp )r ( mCp )r ∆t ∆t +( )( UA )a Tlt + ∆t − ( )( UA )a Trt + ∆t ( mCp )r ( mCp )r ∆t ∆t −( )Qref + ( )Qheat ( mCp )r ( mCp )r +(

(2)

138


Trt + ∆t = (

∆t ∆t )( m&Cp )umk Tlt + ∆t − ( )( m&Cp )umk Trt + ∆t ( mCp )r ( mCp )r ∆t ∆t +( )( hA )lt Tltt + ∆t − ( )( hA )lt Trt + ∆ t ( mCp )r ( mCp )r ∆t ∆t )( UA )d Tlt + ∆t − ( )( UA )d Trt + ∆t ( mCp )r ( mCp )r ∆t ∆t +( )( UA )a Tlt + ∆t − ( )( UA )a Trt + ∆t ( mCp )r ( mCp )r ∆t ∆t −( )Qref + ( )Qheat + Trt ( mCp )r ( mCp )r +(

(3)

∆t )( m&Cp )umk Trt + ∆t ( mCp )r ∆t ∆t +( )( hA )lt Trt + ∆t + ( )( UA )d Trt + ∆t ( mCp )r ( mCp )r

Trt + ∆t + (

∆t ∆t )( UA )a Trt + ∆t − ( )( hA )lt Tltt + ∆t (4) ( mCp )r ( mCp )r ∆t ∆t &Cp )umk Tlt + ∆t + ( =( )( m )( UA )d Tlt + ∆t ( mCp )r ( mCp )r ∆t ∆t ∆t +( )( UA )a Tlt + ∆t − ( )Qref + ( )Qheat + Trt ( mCp )r ( mCp )r ( mCp )r +(

( 1+(

∆t )(( m&Cp )umk + ( hA )lt + ( UA )d ( mCp )r ∆t + ( UA )a ))Trt + ∆t − ( )( hA )lt Tltt + ∆t ( mCp )r ∆t =( )(( m&Cp )umk + ( UA )d ( mCp )r + ( UA )a )Tlt + ∆t − Qref + Qheat ) + Trt

(5)

139


∆t )( hA )lt ( mCp )r ∆t a22 = 1 + ( )(( m&Cp )umk + ( hA )lt + ( UA )d + ( UA )a ) ( mCp )r a23 = 0 (6) a21 = −(

b2 = (

∆t )(( m&Cp )umk + ( UA )d + ( UA )a )Tlt +∆t ( mCp )r

− Qref + Qheat ) + Trt

3. Pemecahan pers (58)

mr

H rt + ∆t − H tr &umk H rt + ∆t ± S hum = m&umk H lt + ∆t − m ∆t

∆t ∆t )m&umk H lt + ∆t − ( )m&umk H rt + ∆t mr mr ∆t ∆t H rt + ∆t + ( )m&umk H rt + ∆t = ( )m&umk H lt + ∆ t mr mr H rt + ∆t − H rt = (

(

∆t ±( )S hum + H rt mr

)

  ∆t ∆t  1 + ( )m&umk  H rt + ∆t = m&umk H lt + ∆t ± S hum + H rt m m  r  r

(1) (2)

(3)

(4)

a31 = 0 a32 = 0

  ?t a 33 =  1 + ( )m&umk  mr   ∆t b3 = m&umk H lt + ∆ t ± S hum mr

(

a11 a  21 a31

a12 a22 a32

t + ∆t  a13   Tlt b     1  t + ∆t a23 . Tr  = b 2    t + ∆ t a33   H r  b3  

(5)

) + H rt (6)

140

Lampiran 4. Tata nama simbol berdasarkan bab

Tinjauan Pustaka Tanaman, Lingkungan, dan Rumah Tanaman Simbol

Keterangan

Satuan

Qs

Panas iradiasi

watt

T

Koefisien transmisivitas penutup

I

Intensitas radiasi

watt/m2

A

Luas

m2

U

Koefisien transmisi panas secara keseluruhan

w/m2 K

t

Temperatur

o

W

Aliran massa udara

kJ/detik

Cp

Panas spesifik dari udara kering

kJ/kg.K

C

Subskrip

s

Terhadap bidang horizontal

f

Rumah kaca

c

Konduksi

i

Di dalam rumah tanaman

o

Di luar rumah tanaman

sa

Panas sensibel Jaringan Syaraf Tiruan (JST)

Simbol

Keterangan

x

Lapisan masukan

v,w

bobot

H

Lapisan tersembunyi

I

Masukan lapisan keluaran

f

Fungsi aktivasi

y

Keluaran lapisan tersembunyi

z

Keluaran lapisan keluaran

t

Target keluaran

Satuan

141

Lampiran 4 (lanjutan)

Subskrip

m

Simpul dan lapisan keluaran mempunyai m simpul

h

lapisan tersembunyi mempunyai h simpul

n

Lapisan masukan mempunyai n simpul

i, j , p

1, 2,3,...

ji

Antara lapisan masukan dengan lapisan tersembunyi

kj

Antara lapisan tersembunyi dengan lapisan keluaran

pj

Keluaran pada lapisan tersembunyi unit ke- j

pk

Keluaran pada lapisan keluaran unit ke- k ;

Pendekatan Sistem Kontrol Adaptif Lingkungan Biologik Komponen Struktur Sistem Kontrol Adaptif Lingkungan-biologik Jaringan Syaraf Tiruan Simbol

Keterangan

XT

Vektor masukan

M

Lapisan

W

Bobot

Y

Target

δ

Error

Satuan

Superskrip

h

Tersembunyi

o

Keluaran Subskrip

c

Rasio kanopi-diameter batang

cm2 /cm

l

Limpasan nutrisi

ml

i

Simpulan ke- i pada vektor masukan

j

Antara vektor ke lapisan tersembunyi

k

Antara lapisan tersembunyi ke lapisan keluaran

142


t

Waktu

detik Algoritama Genetika (AG)

Simbol

Keterangan

Satuan

F1

fungsi fitness 1,

F2

fungsi fitness 2,

α ,β

Koefisien

Pc

Probalitas rekombinasi

Pm

Probalitas mutasi

Y

Target Subskrip

Simbol

Keterangan

Satuan

c

Rasio kanopi-diameter batang

cm2 /cm

l

Limpasan nutrisi

ml

t

Waktu

detik

c

Konstanta

i

Data ke- i

n

Data ke- n Kontrol Fazi

Simbol

Keterangan

e

Error

t

waktu

T

Target

x

Searah sumbu x

y

Searah sumbu y

u

Keluaran kontrol

µ

Derajat keanggoaan

w

bobot

Satuan

detik

143


P1

Faktor pembagi error

P2

Faktor pembagi beda error

P3

Faktor pengali range nilai numerik fungsi keanggotaan error

P4

Faktor pengali range nilai numerik fungsi keanggotaan beda error

P5

Faktor pengali range nilai numerik fungsi keanggotaan keluaran Subskrip

Simbol

Keterangan

Satuan

ac

Acuan

ak

Aktual

i

Label ke- i

n

Banyaknya derajat keanggotaan Kontrol PID

Simbol

Keterangan

Satuan

m

Keluaran kontrol

e

Error

t

Waktu

P

Proporsional

I

Integral

D

Diferensial

KP

Konstanta proporsional,

KI

Konstanta integral

KD

Konstanta diferensial

ST

Sampling time

detik

TI

Waktu integrasi

detik

TD

Waktu diferensial

detik

Rf

gradien besaran fisik

detik

144


Lf

seperempat periode Pemodelan Suhu dan Kelembaban

Simbol

Keterangan

Satuan

Cp m

Panas jenis, panas spesifik Massa

kJ/kgo K kg

m T t A α I U Qref

Laju aliran massa Suhu Waktu Luas Faktor penyerapan iradiasi matahari Iradiasi Overall U (koefisien pindah panas total) Pendingin

kg/jam o C detik m2

Qheat Shum Pv Ps

Pemanas Pelembab Tekanan uap pada suhu T Tekanan uap jenuh pada suhu jenuh T Tekanan atmosfer Konstanta gas Kelembaban relatif Kelembaban mutlak Koefisien pindah panas konveksi Koefisien pindah panas konduksi

watt watt Pa Pa Pa

•

Patm

R RH H h k

watt/m2 watt/m2o C watt

% kg/kg u.k. watt/m2o C watt/m2o C

Subskrip Simbol

Keterangan

lt r umk l d a

Lantai Dalam rumah tanaman Udara masuk dan keluar rumah tanaman Lingkungan Dinding Atap

Satuan

145


Metode Penelitian Prosedur Kerja Pengolahan Data Simbol

Keterangan

Satuan

RMSE

Root mean square error

EI

Efficiency indicator

APD

Average percentage absolute deviation Subskrip

Simbol

Keterangan

S

Suhu

K

Kelembaban

Satuan

Hasil dan Pembahasan Penentuan Acuan Optimal Lingkungan Evapotranspirasi Tanaman Simbol

Keterangan

Satuan

ETo

Evapotranspirasi acuan

mm/hari

T

Suhu

o

Rs

Iradiasi

MJ/m2 /hari

ET c

Evapotranspirasi tanaman

mm/hari

Kc

Koefisien tanaman.

C

DESAIN DAN PEMODELAN SISTEM KONTROL ADAPTIF LINGKUNGAN-BIOLOGIK DALAM RUMAH TANAMAN TAMRIN

Recommend Documents