III. METODOLOGI PENELITIAN 3.1 Waktu dan Lokasi Penelitian Penelitian ini dilakukan pada bulan Mei 2011 hingga Agustus 2011 yang berlokasi di kolam petani Desa Laladon, Kecamatan Ciomas, Kabupaten Bogor, Jawa Barat.
3.2 Alat dan Bahan Peralatan yang digunakan dalam penelitian ini, yaitu : 1. Kolam dengan alas plastik luas alas 200 cm x 200 cm dan tinggi 40 cm sebanyak 12 kolam. 2. Termometer air raksa berskala 0 – 100 oC sebanyak 12 buah. 3. Thermohygrometer. 4. Anemometer. 5. Luxmeter. 6. Plastik polyethylene (PE) bening dan biru (0.08 mm). 7. Aerator (RS-390, output 1.5 L/min). 8. Program Backpropagation Neural network. Bahan yang digunakan dalam penelitian ini, yaitu air hujan yang ditampung di sekitar kolam penelitian sebagai media pembenihan.
3.3 Tahapan Penelitian Untuk mencapai tujuan penelitian, maka dibuat rancangan penelitian yang dilaksanakan dalam beberapa tahap dan bagian kegiatan, sebagaimana ditunjukkan dalam Gambar 3.
8
Mulai
Studi pustaka dan pengamatan lapang pada kolam petani : 1. Teknik pemeliharaan benih ikan 2. Suhu air optimal untuk budidaya benih ikan
Persiapan kolam percobaan
Pengaturan ketinggian air
Pemberian thermometer pada masing – masing kolam
Pemasangan plastik penutup
Pengamatan dan pengukuran lapang : 1. Suhu lingkungan 2. Kelembaban 3. Kecepatan angin 4. Intensitas cahaya
Suhu air kolam ≥ 30 C 0
Simulasi penurunan suhu air kolam : 1. Pergantian air 2. Sistem buka – tutup plastik 3. Pemberian aerasi
0
0
Suhu air kolam 25 C - 30 C
Selesai
Gambar 3. Rancangan penelitian
9
Adapun tahapan penelitian seperti pada Gambar 3. dijelaskan sebagai berikut : 1. Studi pustaka dan pengamatan lapang pada kolam petani Studi pustaka dilakukan untuk mengetahui teknik pengendalian suhu air pada pembenihan ikan dan model – model pendugaan dengan artifial neural network. 2. Persiapan kolam percobaan Kolam percobaan untuk kegiatan penelitian ini disiapkan sebanyak 12 kolam seperti pada Gambar 4. dan pada setiap kolam dilakukan pemberian perlakuan yang berbeda-beda dan setiap perlakuan dilakukan dua kali pengulangan, antara lain : a. Kolam A1 yaitu dengan ketinggian 15 cm ditutup dengan plastik PE bening. b. Kolam A2 yaitu dengan ketinggian air 35 cm ditutup dengan plastik PE bening. c. Kolam B1 yaitu dengan ketinggian air 15 cm ditutup dengan plastik PE biru. d. Kolam B2 yaitu dengan ketinggian air 35 cm ditutup dengan plastik PE biru. e. Kolam C1 yaitu dengan ketinggian air 15 cm tanpa penutup (sebagai kontrol). f. Kolam C2 yaitu dengan ketinggian air 35 cm tanpa penutup (sebagai kontrol).
Gambar 4. Kolam percobaan Pada setiap kolam seperti pada gambar 4. diberi thermometer dan Pengamatan dilakukan selama 11 hari setiap jam. 3. Pengamatan dan pengukuran lapang. Pengamatan dan pengukuran lapang dilakukan untuk mendapatkan kondisi lingkungan dan suhu air kolam. Adapun data-data yang diukur dalam kegiatan penelitian ini adalah : a. Suhu air kolam Suhu air kolam (oC) diukur dengan termometer yang dimasukkan ke dalam air sehingga suhu air di dalam kolam dapat diketahui. b. Suhu udara lingkungan Suhu udara (oC) diukur dengan memasang termometer di lingkungan sekitar kolam. Suhu udara ini dipengaruhi oleh cuaca harian. c. Intensitas cahaya Pengukuran intensitas cahaya di lingkungan sekitar kolam dilakukan diatas kolam dengan menggunakan luxmeter. d. Kelembaban lingkungan Pengukuran kelembaban relatif udara di lingkungan sekitar kolam dilakukan dengan menggunakan thermohigrometer. e. Kecepatan angin Pengukuran kecepatan angin dilakukan dengan menggunakan alat anemometer.
10
4.
Penyusunan model pendugaan suhu optimum air kolam dari hasil identifikasi dan pengukuran data di lapangan. Pada program backpropagation Neural network, jumlah noda yang digunakan untuk input layer adalah 6 unit, dengan data masukan yaitu waktu (pukul) (X1), suhu udara lingkungan (X2), kelembaban (X3), kecepatan angin (X4), intensitas cahaya (X5), dan suhu kolam pada saat t (X6). Jumlah noda untuk output layer adalah 1 noda, yaitu suhu kolam pembenihan saat t+1 (Y), sedangkan jumlah noda yang digunakan pada hidden layer adalah 12 noda. Penulisan data-data parameter output dan input dilakukan pada text editor Microsoft Notepad dengan format penulisan yang disesuaikan dengan program JST tersebut. Struktur model artificial neural network dapat dilihat pada Gambar 5. Input Layer
Hidden Layer
Output Layer
H0
H1 X0
H2
X1
H3
H4 X2
H5
Y X3
H6
H7 X4
H8
H9 X5
H10 X6
H11
H12
11
Gambar 5. Model ANN yang digunakan untuk pendugaan suhu Keterangan gambar : Xi : variable input noda i pada lapisan input, i = 0,1,2,…,I Hj : output noda j pada lapisan hidden, j = 0,1,2,…,J Y : output pada lapisan output Wij : bobot yang menghubungkan pada noda I pada lapisan input dengan noda j pada lapisan hidden Vjk : bobot yang menghubungkan noda j pada lapisan hidden dengan noda k pada lapisan output Di dalam ANN, data-data yang merupakan hasil pengamatan tersebut dibagi menjadi 2 tipe data, yaitu data training ANN dan data validasi ANN. Dalam penelitian ini terdapat 6 buah ANN, yaitu ANN dengan plastik bening ketinggian air 15 cm, ANN dengan plastik bening ketinggian air 35 cm, ANN dengan plastik biru ketinggian air 15 cm, ANN dengan plastik biru ketinggian air 35 cm, ANN dengan tanpa plastik ketinggian air 15 cm, dan ANN dengan tanpa plastik ketinggian air 35 cm. Program simulasi dengan artificial neural network didesain dengan menggunakan bahasa pemrograman Visual Basic dan metode model artificial neural network yang digunakan adalah algoritma backpropagation. 5.
Proses pembelajaran (training) algoritma dengan metode backpropagation.
Proses pelatihan (training) pada program backpropagation neural network diawali dengan memasukkan data-data input dan output yang telah disusun sesuai dengan format program sehingga program dapat mempelajari contoh input dan output yang diberikan tersebut. Dari proses training ini diperoleh nilai bobot (weight) yang akan menjadi masukan (input) untuk proses validasi. 6.
Validasi model pendugaan suhu air dengan cara membandingkan hasil simulasi dan nilai aktual.
Validasi dilakukan sebagai proses pengujian kinerja jaringan terhadap contoh yang belum diberikan selama proses training. Apabila proses training telah selesai dilakukan dengan mendapatkan nilai RMSE yang cukup rendah maka selanjutnya dilakukan proses validasi atau pengujian kinerja JST dengan memasukkan data-data waktu (pukul) (X1), suhu udara lingkungan (X2), kelembaban (X3), kecepatan angin (X4), intensitas cahaya (X5), dan suhu kolam pada saat t (X6) yang baru untuk menduga suhu air kolam berdasarkan data-data bobot yang dihasilkan selama proses training. Datadata input yang digunakan dalam proses validasi JST ini adalah data-data yang berbeda dengan data – data yang digunakan dalam proses training JST.
12
