OPTIMISASI NILAI KONDUKTIVITAS LISTRIK LARUTAN NUTRISI PADA SISTEM HIDROPONIK TANAMAN TOMAT
CHUSNUL ARIF
SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008
PERNYATAAN Dengan ini saya menyatakan bahwa tesis Optimisasi Nilai Konduktivitas Listrik Larutan Nutrisi pada Sistem Hidroponik Tanaman Tomat adalah karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Bogor, Januari 2008
Chusnul Arif F151040021
ABSTRACT
CHUSNUL ARIF. Optimization of EC values of Nutrient Solution on Hydroponics System for Tomato Fruits. Supervised by HERRY SUHARDIYANTO and BUDI INDRA SETIAWAN. In order to produce tomato fruits with high quality, it is important to consider customer requirement. Total soluble solids (TSS) of tomato fruits is one of indicators to show the quality. The higher TSS, the better quality of tomato fruits. TSS consists of sucrose, fructose, and glucose, which are sugar component. The previous studies showed that increasing concentration of nutrient solution could improve tomato fruit quality by increasing the number of TSS. Unfortunely, this treatment is accompanied by yield loss through reduction in fruit weight and diameter. The concentration of nutrient solution commonly represented by Electrical Conductivity (EC) value. However, it is important to determine the optimal EC value to gain tomato fruit with high TSS value and fruit weight. To optimize EC value, it is important to identify the relationship between differences EC value treatments with TSS value and fruit weight. It is difficult to explain the relationship in mathematical model due to the complexity of the physical and physiological processes involved. Artificial Neural Network (ANN) is suitable for identification this relationship. ANN has the ability to identify unknown dynamic plant system. Furthermore, Genetic Algorithms (GA) is powerful in the optimization process of EC value. GA is one combinatorial optimization technique. This technique dealing with a complex objective function, with a multi-point search procedure, by simulating the biological evolutionary process based on crossover and mutation in genetics. The objectives of this research were; a) to identify the effect of different EC values and planting densities treatments on TSS value and fruit fresh weight, b) to determine the correlation between the different EC values and planting densities with TSS value and fruit fresh weight, c) to determine the optimal EC values on each plant growth. The experiment was conducted in November 2006 to April 2007 in a hydroponics system inside a greenhouse located in Agricultural and Forestry Research Center, University of Tsukuba, Japan. Tomato plants (Lycopersicum esculentum, Mill.) cultivar ‘Money Maker’ were used in this research. Steps of reseach were; a) designing the treatments for tomato plants; b) cultivating tomato plants; c) identifying the correlation between the differences EC values and planting densities with TSS value and fruit weight by using ANN; d) optimizing the EC value by using GA. Nutrient Film Technique (NFT) system was used in which the nutrient solution is circulated by pump. It is known that in the cultivation of tomato plants, the plants focused on development of root, stem and leaf in vegetative growth. Therefore, optimization of EC value of nutrient solution was conducted only in generative growth. The generative growth were divided into three stages; (1) flowering, (2) fruiting, (3) harvesting. The result of EC treatments from 1,4–10,2 mS/cm showed that the higher EC value, the higher TSS value and the smaller weight and diameter tomato fruit. The average values of TSS value were 6,0% and 8,3% in the low and high EC value, respectively. While, the average values of fruit fresh weight and diameter were 68,1 g, 5,05 cm and 43,4 g, 4,22 cm in the low and high EC, respectively.
To identify TSS value and fruit fresh weight, three models of ANN with different number of node hidden layer and error analysis were developed. The result showed that the highest number of node-hidden layer (7 nodes), the smallest error between actual and predicted data. The identification process of TSS value, the number of Standard Error Prediction (SEP) were 0,08 and 0,12 in the training and validation process of ANN respectively. Even as in the identification process of fruit fresh weight, the number of Average Percentage Deviation (APD) were 4% and 3% for the training and validation process, respectively. Therefore, ANN model can be used to predict TSS value and fruit fresh weight. The optimization process using GA resulted the optimal EC values are 1,4 mS/cm, 10,2 mS/cm and 9,7 mS/cm in the flowering stage, the fruiting stage and the harvesting stage, respectively. Under these condition, The NFT system will produce tomato fruits with TSS value of 7,9% and fruit fresh weight of 51,33 g. Keywords: optimization, hydroponics system, computer program, artificial neural network, genetic algorithm
RINGKASAN
CHUSNUL ARIF. Optimisasi Nilai Kondukvitas Listrik Larutan Nutrisi pada Sistem Hidroponik Tanaman Tomat. Dibimbing oleh HERRY SUHARDIYANTO dan BUDI INDRA SETIAWAN. Keinginan konsumen terhadap kualitas buah buah tomat perlu diperhatikan dalam proses produksinya. Buah tomat berkualitas tinggi salah satunya dicirikan dengan nilai Total Padatan Terlarut (TPT) yang tinggi. Total padatan terlarut (total soluble solids) dalam buah tomat terdiri dari sukrosa, fruktosa dan glukosa yang merupakan komponen dari gula. Beberapa penelitian terdahulu menunjukkan bahwa semakin tinggi konsentrasi larutan nutrisi akan menghasilkan buah tomat dengan total padatan terlarut semakin tinggi pula. Akan tetapi, perlakuan tersebut akan menurunkan berat dan diameter buah tomat yang berakibat penurunan total produksi (yield loss). Konsentrasi larutan nutrisi tersebut direpresentasikan dengan nilai Konduktivitas Listrik atau Daya Hantar Listrik (DHL). Untuk itu, diperlukan penelitian dalam menentukan nilai DHL larutan nutrisi yang optimal dalam menghasilkan nilai TPT buah tomat yang tinggi sekaligus mempertahankan berat buah tomat. Untuk menentukan nilai DHL larutan nutrisi yang optimal ini, diperlukan pengetahuan tentang pemberian konsentrasi larutan nutrisi terhadap kualitas tomat yang dihasilkan. Hubungan ini merupakan hubungan yang sangat kompleks dan sangat sulit dimodelkan secara matematis. Disini, Jaringan Syaraf Tiruan (JST) digunakan untuk mengindentifikasi hubungan tersebut. JST mempunyai kemampuan untuk mengidentifikasi sistem tanaman dinamik kompleks yang tidak diketahui. Selanjutnya, penentuan nilai DHL larutan nutrisi yang optimal dilakukan dengan Algoritma Genetika (AG) yang bertujuan memaksimalkan nilai TPT dan berat buah tomat. AG merupakan metode pencarian solusi melalui algoritma berdasarkan mekanisme seleksi dan genetika secara natural. AG bekerja dengan prosedur pencarian multi-point dengan simulasi melalui proses evolusi biologi berdasarkan penyilangan dan mutasi dalam genetika. Tujuan dari penelitian ini adalah; a) mengidentifikasi pengaruh perlakuan konsentrasi larutan nutrisi, jarak tanam dan cahaya buatan terhadap nilai TPT dan berat buah tomat, b) menentukan hubungan antara nilai DHL larutan nutrisi yang berbeda, jarak tanam dan cahaya buatan terhadap TPT dan berat buah tomat, c) menentukan nilai DHL larutan nutrisi yang optimal pada setiap fase pertumbuhan Penelitian ini dilaksanakan pada bulan November 2006 – April 2007 di greenhouse Pusat Teknologi Pertanian dan Kehutanan, University of Tsukuba, Jepang. Tahapan penelitian yang dilaksanakan adalah perancangan perlakuan terhadap tanaman tomat, budidaya tanaman tomat, tabulasi hubungan antara perlakuan yang diberikan dengan nilai TPT dan berat buah tomat dengan JST dan optimisasi nilai DHL larutan nutrisi untuk menghasilkan nilai TPT dan berat buah tomat yang maksimal dengan AG. Sistem hidroponik yang digunakan adalah Nutrient Film Technique (NFT) dimana larutan nutrisi dialirkan secara sirkulasi dengan menggunakan pompa. Tahap pertumbuhan tanaman dibagi menjadi dua, yaitu fase vegetatif dan fase reproduktif. Pada fase vegetatif, tanaman fokus dalam pembentukan batang, akar dan daun sehingga pada fase ini nilai DHL larutan nutrisi yang digunakan sama. Sedangkan pada fase generatif tanaman fokus pada pembentukan bunga dan buah, sehingga nilai DHL larutan nutrisi diberikan berbeda untuk mengetahui respon
buah tomat yang akan dihasilkan. Fase generatif ini dibagi menjadi tiga fase, yaitu: fase pembungaan, fase pembuahan dan fase pemanenan. Sehingga optimisasi nilai DHL larutan nutrisi akan dilakukan pada masing–masing fase tersebut. Hasil perlakuan nilai DHL larutan nutrisi yang berbeda pada selang 1,4-10,2 mS/cm menunjukkan bahwa semakin tinggi nilai DHL larutan nutrisi akan menghasilkan buah tomat dengan nilai TPT yang semakin tinggi, tetapi akan menurunkan berat dan diameter buah. Pada nilai DHL larutan nutrisi tinggi dihasilkan nilai TPT rata–rata 8,3% dengan berat tomat 43,4 g dan diamater tomat sebesar 4,22 cm. Sedangkan pada nilai DHL larutan nutrisi yang rendah dihasilkan nilai TPT, berat dan diameter buah tomat rata–rata masing - masing sebesar 6,0%, 68,1 g dan 5,05 cm. Untuk mengindentifikasi nilai TPT dan berat buah tomat, dikembangkan 3 model JST dengan jumlah noda hidden layer yang berbeda dan beberapa analisis nilai error. Hasilnya menunjukkan bahwa model dengan jumlah noda hidden layer terbanyak (7 noda) memberikan nilai error terkecil. Adapun analisis error dengan persamaan Standard Error of Prediction (SEP) memberikan nilai yang terkecil pada pendugaan nilai TPT buah tomat sebesar 0,08 dan 0,12 pada proses pembelajaran dan validasi. Sedangkan pada pendugaan berat buah tomat dihasilkan nilai Average Percentage Deviation (APD) terkecil baik pada proses pembelajaran dan validasi masing–masing sebesar 4% dan 3%. Dengan hasil tersebut menggambarkan bahwa model JST yang dikembangkan dapat digunakan untuk menduga nilai TPT dan berat buah tomat. Hasil optimisasi menunjukkan bahwa nilai DHL larutan nutrisi pada fase pembungaan memiliki kecenderungan yang berbeda dari fase pembuahan dan pemanenan. Nilai DHL larutan nutrisi pada fase pembungaan cenderung semakin kecil, sedangkan pada fase pembuahan dan pemanenan semakin besar. Namur masing – masing nlai DHL laruan nutrisi tersebut telah konvergen pada suatu nilai tertentu. Nilai DHL larutan nutrisi yang optimum pada fase pembungaan sebesar 1,4 mS/cm, sedangkan pada fase pembuahan dan pemanenan masing–masing sebesar 10,2 mS/cm dan 9,7 mS/cm. Dengan nilai tersebut diprediksikan akan menghasilkan nilai total padatan terlarut rata-rata sebesar 7,9% dan berat rata–ata buah sebesar 51,33 g. Kata kunci: optimisasi, larutan nutrisi, sistem hidroponik, komputer program, jaringan syaraf tiruan, algoritma genetika
© Hak cipta milik IPB, tahun 2008 Hak cipta dilindungi Dilarang mengutip dan memperbanyak tanpa seizin tertulis dari Institut Pertanian Bogor, sebagian atau seluruhnya dalam Bentuk apa pun, baik cetak, fotokopi, mikrofilm, dan sebagainya
OPTIMISASI NILAI KONDUKTIVITAS LISTRIK LARUTAN NUTRISI PADA SISTEM HIDROPONIK TANAMAN TOMAT
CHUSNUL ARIF
Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Departemen Ilmu Keteknikan Pertanian
SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008
Judul Tesis
:
Nama
:
Optimisasi Nilai Konduktivitas Listrik Larutan Nutrisi pada Sistem Hidroponik Tanaman Tomat Chusnul Arif
NIM
:
F151040021
Disetujui Komisi Pembimbing
Dr. Ir. H. Herry Suhardiyanto, MSc
Prof. Dr. Ir. Budi Indra Setiawan, M.Agr
Ketua
Anggota
Diketahui Ketua Program Studi
Dekan Sekolah Pascasarjana
Ilmu Keteknikan Pertanian
Prof. Dr. Ir. Armansyah H. Tambunan, M.Agr
Tanggal Lulus :
Prof. Dr. Ir. Khairil Anwar Notodiputro, MSc.
Tanggal Ujian : 14 Desember 2007
PRAKATA Alhamdulillah, penulis panjatkan puji dan syukur ke hadirat Allah SWT yang telah memberikan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan penelitian dengan judul “Optimisasi Nilai Konduktivitas Listrik Larutan Nutrisi pada Sistem Hidroponik Tanaman Tomat”. Penulis mengucapkan penghargaan dan rasa terima kasih kepada: 1. Dr. Ir. Herry Suhardiyanto, M.Sc sebagai ketua komisi pembimbing yang telah memberikan dukungan dan bimbingan dalam studi ini. Beliau juga yang memberikan kesempatan dan dukungan kepada penulis untuk melanjutkan studi S2 ini melalui beasiswa BPPS. Selain itu, beliau juga telah dan terus memberikan bimbingan dan motivasi untuk terus menekuni bidang ini. Bimbingan yang diberikan tidak hanya untuk masalah studi tetapi juga masalah lain dalam peningkatan softskill penulis. 2. Prof. Dr. Ir. Budi Indra Setiawan sebagai anggota komisi pembimbing yang telah memberikan dukungan dan bimbingan dalam studi ini. Selain itu, beliau juga terus memberikan motivasi dan ilmunya untuk terus berkarya di perguruan tinggi. Ketekunan dalam mengerjakan sesuatu menjadi teladan tersendiri bagi penulis. 3. Yudi Chadirin, S.TP, M.Agr selaku dosen penguji luar yang telah memberikan masukan yang berarti dalam tesis ini. 4. Istri dan anak tercinta, serta keempat orang tua dan kerabat-kerabat penulis atas doa dan dukungan dalam studi ini. 5. Rekan-rekan di wisma wageningen, Sdr Ahmad Mulyatullah, Sdri Hilda Agustina, Bapak Gardjito, Sdr Rudiyanto, Sdr Berti, dan teman-teman seperjuangan lainnya. 6. Pihak-pihak lain yang tidak bisa disebutkan satu persatu atas bantuannya dalam menyelesaikan studi ini. Akhir kata semoga karya ini memberikan manfaat dan mendapatkan ridho Allah SWT. Bogor, Januari 2008 Chusnul Arif
RIWAYAT HIDUP Penulis dilahirkan di Bojonegoro pada tanggal 6 Desember 1980 sebagai anak terakhir dari pasangan H. Masjhudi dan Hj. Siti Zaenab. Pendidikan S1 ditempuh di Departemen Teknik Pertanian Fakultas Teknologi Pertanian IPB, lulus pada tahun 2003. Pada tahun 2004, penulis diterima di Program Studi Ilmu Keteknikan Pertanian pada program Pascasarjana IPB untuk program S2 dan lulus pada tahun 2007. Selama menempuh studi S2 ini, penulis mendapatkan beasiswa BPPS dari DIKTI selama 2 tahun dan mengikuti program exchange research student selama 1 tahun di University of Tsukuba, Jepang melalui beasiswa JASSO. Penulis diterima kerja sebagai dosen tetap di Departemen Teknik Pertanian IPB pada tahun 2004 sewaktu mengikuti studi S2 ini. Bidang minat yang ditekuni adalah teknologi greenhouse dan hidroponik. Penulis juga menjadi anggota pada organisasi profesi ilmiah PERTETA (Perhimpunan Teknik Pertanian Indonesia). Beberapa makalah yang pernah ditulis dan telah dipubilkasikan baik di jurnal nasional maupun proceeding : a. Chusnul Arif, Budi I Setiawan, Radite P.A Setiawan, “ Error analysis in the Measurement of Evapotranspiration, in Agricultural Engineering Journal, Indonesian Society of Agricultural Engineering, Indonesia, Vol 19. No 3 : December, 2005. b. Chusnul Arif, Herry Suhardiyanto, Suroso, “Penerapan Jaringan Syaraf Tiruan dan Algoritma Genetika Untuk Optimisasi Pemberian Air dan Unsur Hara Pada Pertumbuhan Tanaman dalam Rumah Kaca”, The 7th Seminar on Intelligent Technology and Its Applications, May 2nd, 2006, Surabaya, Indonesia : II-I-15 – 20.
DAFTAR ISI Halaman DAFTAR ISI ................................................................................................ xi DAFTAR GAMBAR ................................................................................... xii DAFTAR TABEL ....................................................................................... xiii DAFTAR LAMPIRAN ............................................................................... xiv I. PENDAHULUAN.................................................................................. 1 Latar Belakang ........................................................................................ 1 Tujuan ..................................................................................................... 2 Manfaat Penelitian .................................................................................. 3 II. TINJAUAN PUSTAKA ........................................................................ 4 Sistem Hidroponik .................................................................................. 4 Tanaman Tomat ...................................................................................... 6 Teknik Identifikasi dengan Jaringan Syaraf Tiruan (JST) ...................... 7 Teknik Optimisasi dengan Algoritma Genetika (AG) ............................ 10 III. METODOLOGI .................................................................................... 13 Tempat dan Waktu Penelitian ................................................................. 13 Alat dan Bahan ........................................................................................ 13 Tahapan Penelitian .................................................................................. 14 IV. HASIL DAN PEMBAHASAN ............................................................. 24 Pengaruh Nilai DHL Larutan Nutrisi terhadap Buah Tomat .................. 24 Pengaruh Jarak Tanam terhadap buah Tomat yang dihasilkan ............... 26 Identifikasi nilai Total Padatan Terlarut buah Tomat ............................. 27 Identifikasi berat buah Tomat ................................................................. 32 Optimisasi Nilai DHL Larutan Nutrisi.................................................... 35 V. KESIMPULAN DAN SARAN ............................................................. 41 Kesimpulan ............................................................................................. 41 Saran........................................................................................................ 41 DAFTAR PUSTAKA .................................................................................. 42 LAMPIRAN ................................................................................................. 44
DAFTAR GAMBAR Halaman 1. Skema sistem NFT untuk budidaya tanaman .......................................... 5 2. Struktur JST Backpropagation................................................................ 7 3. Greenhouse tempat penelitian ................................................................. 13 4. Layout sistem NFT yang digunakan ....................................................... 14 5. Model JST yang dikembangkan .............................................................. 18 6. Prosedur optimisasi menggunakan Algoritma Genetika ......................... 21 7. Tahapan penelitian .................................................................................. 23 8. Pengaruh nilai DHL larutan nutrisi terhadap nilai TPT buah tomat. ...... 24 9. Pengaruh nilai DHL larutan nutrisi terhadap berat dan diameter buah tomat yang dihasilkan ..................................................................... 25 10. Nilai error masing–masing model pada setiap pengulangan; A: model 1; B: model 2; C: model 3 ....................................................... 29 11. Hasil validasi masing–masing model dengan berbagai fungsi error; A: model 1; B: model 2; C: model 3 ....................................................... 31 12. Hasil validasi masing–masing model dengan berbagai fungsi error A: model 1; B: model 2; C: model 3 ....................................................... 33 13. Ilustrasi proses penyilangan pada Algoritma Genetika........................... 37 14. Fitness hasil optimisasi dengan peluang crossover (Pc) : 0,6 dan Pm:0,05 ............................................................................................ 38 15. Nilai DHL larutan nutrisi pada masing–masing fase reproduktif ........... 39 16. Nilai total padatan terlarut rata–rata buah tomat hasil prediksi dengan nilai DHL larutan nutrisi hasil optimisasi................................... 39 17. Nilai berat rata – rata buah tomat hasil prediksi dengan nilai DHL larutan nutrisi hasil optimisasi ................................................................ 40
DAFTAR TABEL Halaman 1. Nilai TPT, berat dan diameter rata-rata buah tomat ................................ 26 2. Nilai error proses pembelajaran JST pada pengulangan ke-1000 ........... 30 3. Nilai error proses pembelajaran JST pada pengulangan ke-1000 ........... 32 4. Nilai pembobot pada Model 3 ................................................................. 35
DAFTAR LAMPIRAN Halaman 1. Data hasil pengukuran untuk proses identifikasi .................................... 44 2. Data proses pembelajaran model JST ..................................................... 48 3. Data validasi model JST ......................................................................... 50 4. Tampilan program identifikasi model JST dengan bahasa Delphi 6.0 ... 51 5. Tampilan program optimisasi AG dengan bahasa Dephi 6.0 ................. 52 6. Nilai pembobot hasil proses identifikasi ................................................. 53 7. Data hasil proses pembelajaran model JST............................................. 54 8. Data hasil proses validasi model JST ...................................................... 56
