ADAPTIF LINGKUNGAN-BIOLOGIK
DALAM RUMAH TANAMAN
TAMRIN
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
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.
TAMRIN
Disertasi
sebagai salah satu syarat untuk memperoleh gelar
Doktor pada
Program Studi Ilmu Keteknikan Pertanian
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2005
Disetujui
Komisi Pembimbing
Diketahui
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 doa 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 ...........................................................................................
xi
xv
PENDAHULUAN ...........................................................................................
Latar Belakang .......................................................................................
Tujuan Penelitian ....................................................................................
Manfaat Penelitian ..................................................................................
1
1
8
8
9
9
12
17
20
24
24
27
30
48
48
48
48
67
67
82
97
99
104
126
128
LAMPIRAN ....................................................................................................
133
ix
DAFTAR TABEL
Halaman
1 Matriks aturan kontrol fazi ...........................................................................
41
49
54
106
106
117
DAFTAR GAMBAR
Halaman
1 Buah ketimun mini .......................................................................................
13
20
26
28
29
30
30
31
32
35
38
39
39
40
40
42
42
42
46
47
50
56
57
58
xi
Halaman
29 Tata letak perlakuan tanaman di lapangan .................................................
61
61
66
32 Alat perekam data suhu bola basah dan kering di lapangan ......................
66
69
70
72
72
73
73
77
78
78
79
81
83
84
84
85
85
49
87
87
87
88
88
xii
Halaman
55 Fluktuasi harian nilai rasio kanopi-diameter aktual
dan hasil prediksi pada proses validasi ......................................................
88
89
89
92
92
92
94
95
95
95
96
96
96
97
99
101
102
102
103
108
109
110
111
xiii
Halaman
78 Kurva performansi kontrol fazi pada suhu dan kelembaban
dengan parameter hasil kurva evolusi optimum lokal ................................
112
113
118
119
120
121
122
123
124
125
xiv
DAFTAR LAMPIRAN
Halaman
1 Potongan memanjang greenhouse tipe single span ......................................
134
135
136
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.
diproduksi di Greenhouse Saung Mirwan adalah ketimun mini (Gambar 1), tomat
beef (Gambar 2), tomat cherri, paprika, bunga hias (Gambar 3), dan lain- lain.
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 lain- lain (tergantung sistem budidaya).
Apabila dapat menciptakan keadaan lingkungan yang sesuai dengan
kebutuhan tanaman maka dapat diperoleh beberapa keuntungan, antara lain adalah
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).
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.
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
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.
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.
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.
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 masing- masing 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
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.
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)
11
Qc = UA( t i to )
(2)
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)
12
Melalui paket
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
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
14
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)
(6)
z k = f (I k )
(7)
z k = f (I k ) = f wkj y j =
j
f wkj f (H j ) =
j
f wkj f v ji x i
i
(8)
dengan fungsi aktivasi berupa fungsi sigmoid sebagai mana berikut ini:
f (x ) =
1
1 + e x
(9)
f ' (x) =
dimana
ex
(1 + e )
x 2
= f ( x )(1 f ( x ))
(10)
adalah gain atau slope fungsi sigmoid. Selanjutnya pelatihan pada JST
keluaran untuk semua pasang data training yang dapat ditulis sebagai berikut,
Etot =
1 p p
E
p p =1
(11)
15
(12)
(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)
1 m p
p
t k zk
2 k =1
(15)
E
= wkj = k y j = (t k t z ) f ' (I k ) y j
wkj
(16)
dimana
k = (t k t z ) f ' ( I k )
(17)
E
= v ji = j xi = x i f ' (H j ) k wkj
v ji
k
(18)
dimana,
j = f ' (H j ) k wkj
k
(19)
16
pembobot sekarang.
wkj (t + 1) =
v ji (t + 1) =
E
+ wkj (t )
wkj
(20)
E
+ v ji (t )
v ji
(21)
(22)
( )
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).
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.
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
terdiri
dari
individu- individu
yang
masing- masing
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.
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.
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
1) AG bekerja
aturan-aturan
transisi
probabilistik,
bukan
aturan-aturan
deterministik.
Variabel-variabel yang digunakan pada algoritma genetika adalah sebagai
berikut: 1) Fungsi fitness, yang dimiliki oleh masing- masing 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
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.
22
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
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
Hal yang
Hal yang
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).
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
direkam. Data yang direkam dapat diekspor ke program umum, seperti excel dan
notepad.
26
Identifikasi
JST
Optimasi
ALGORITMA GENETIKA
LINGKUNGAN
DI LUAR RUMAH TANAMAN
Model
PINDAH PANAS
Model lingkungan
PARAMETER OPTIMAL
KONTROL
ACUAN
Kontrol
PID dan FAZI
LINGKUNGAN
BIOLOGIK
PRODUK
TANAMAN
PROSES
CITRA
_
Identifikasi
JST
Sensor
Identifikasi acuan
optimal
LINGKUNGAN
OPTIMAL
Model tanaman
Optimasi
ALGORITMA GENETIKA
Gambar 7 Arsitektur struktur sistem kontrol adaptif lingkungan-biologik dalam rumah tanaman.
27
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).
28
LINGKUNGAN
BIOLOGIK
ACUAN
PRODUK
TANAMAN
PROSES CITRA
Identifikasi
JST
Model tanaman
LINGKUNGAN
OPTIMAL
Optimasi
ALGORITMA GENETIKA
29
Identifikasi
JST
Optimasi
ALGORITMA GENETIKA
LINGKUNGAN
DI LUAR RUMAH TANAMAN
Model
PINDAH PANAS
Model lingkungan
PARAMETER OPTIMAL
KONTROL
ACUAN
e
+
Kontrol
PID & FUZI
LINGKUNGAN
BIOLOGIK
_
Gambar 9 Struktur sistem estimasi parameter optimal kontrol melalui simulasi
30
PARAMETER OPTIMAL
KONTROL
Optimal
ACUAN
e
+
Kontrol
PID dan FAZI
LINGKUNGAN
BIOLOGIK
_
Sensor
LINGKUNGAN
BIOLOGIK
PRODUK
TANAMAN
PROSES CITRA
Identifikasi
JST
31
Identifikasi
JST
LINGKUNGAN
DI LUAR RUMAH TANAMAN
Model
PINDAH PANAS
LINGKUNGAN
BIOLOGIK
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
M ok = W ojk M hj
j =1
( )
(26)
M ko = f o M ko
(27)
d ok = Y k M ok
(28)
d hj = ( M hj )( Y k M ok )W ojk )
(29)
(30)
(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
.
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
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.
33
n
1
F1 = Yc (t ) +
Y (t )+ c
i
l
(32)
n Yc ( t )
l
=
F2 = Yc ( t ) *
Y
(
t
)
+
c
i
l
i Yl ( t ) + c
(33)
34
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.
populasi adalah 25 solusi, masing- masing 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
36
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
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)
(37)
(38
37
ketiganya dibuat sama, yaitu NB, NS, NK, ZO, PK, PS dan PB.
Fungsi
y y2
x x2
=
y1 y 2 x1 x 2
(39)
Pada Gambar 12, x adalah error (e), y adalah derajat keanggotaan error
(x (e)), x2 adalah error dengan derajat keanggotan sama dengan 0 (x2 (e) = 0),
dan x1 adalah error dengan derajat keanggotaan sama dengan 1 (x1 (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,
x( e ) =
x( e ) =
e e1
e0 e1
x ( de ) =
de de1
de0 de1
(41)
(42)
38
(43)
w2 = ZO ( e ) x PS ( de )
(44)
w3 = NK ( e )x PS ( de )
(45)
w4 = ZO ( e )x PK ( de )
(46)
ACUAN
KONTROL FAZI
LINGKUNGAN
_
de = e(n) e(n 1)
masukan
keluaran
Fazifikasi
Defazifikasi
Basis aturan
(aturan kendali)
Mekanisme inferensi
(reasoning) fazi
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
wi
(47)
i =1
Tac T
ak
P1
e e2
de = 1
P2
NB
NS
NK
ZO
PK
PS
PB
-1r
1r
2r
3r ) x P3
0
(-3r
-2r
40
NB
NS
NK
ZO
PK
PS
PB
-1r
1r
2r
3r ) x P4
0
(-3r
-2r
NB
NS
NK
ZO
PK
PS
PB
1r
2r
3r ) x P5
0
(-3r
-2r
-1r
x1 ,y1
x2 ,y2
41
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.
(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)
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 ) ,
(54)
e (t ) pada t = (k + 1)T
ACUAN
(55)
KONTROL PID
LINGKUNGAN
_
de = e(k + 1)T e(k )T
keluaran
masukan
K P e[(k + 1)T ]
M [(k + 1)T ]
e (t )
E[(k )T ]
E[(k + 1)T ]
E[(k + 2 )T ]
(k )T (k + 1)T (k + 2 )T
43
e (t )
E [(k )T ]
E [(k + 1)T ]
(k )T
(k + 1)T
model
suhu
dan
kelembaban
disusun
dengan
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 ) + Alt 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)
1
1 f1 + x k + 1 f 2
(59)
2 Kelembaban mutlak
Hr =
0 ,6219 Pv
Patm Pv
(60)
Pv =
H r Patm
0,6219 + H r
(61)
P
RH = v
Ps
(62)
Ps = R Exp A + BT + CT 2 + DT 3 + ET 4
) (FT GT 2 )
(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
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 ), 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
)AIr + 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.
3.
5.
7.
9.
Rumah kaca
Sensor suhu
Kamera
Aktuator Suhu
Lingkungan-biologik
2.
4.
6.
8.
Tanaman
Sensor RH
Aktuator RH
Komputer
47
Iradiasi matahari
Lantai
(P emanas)
S
(Pelembab)
Lingkungan
METODE PENELITIAN
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
Fungsi
Lokasi Penggunaan
Tanaman
Bahan campuran larutan
nutrisi yang diberikan
kepada tanaman
3.
4.
Media tanaman
Wadah arang sekam
sda
sda
5.
Tali ajir,
sda
6.
Jangka sorong
7.
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.
16.
Kelengkapan teknologi
irigasi tetes
Satu set komputer PC
17.
18.
19.
20
21.
Saung Mirwan
sda
sda
sda
sda
sda
sda
sda
sda
sda
sda
sda
sda
sda
Lab Ergotrons IPB
sda
sda
sda
50
Hasil
Mulai
Siap?
Belum
Pengolahan citra
Ya
Siap?
Belum
Ya
Perumusan aplikasi
Pengolahan data
Cukup
Belum
Ya
Selesai
51
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.
52
dalam rumah tanaman. Karena kondisi nutrisi dan lingkungan relatif terpenuhi,
tidak jarang pertumbuhan vegetatif tanaman ini berlebihan dan
hal ini
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.
tanaman.
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
54
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
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 0,51 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
C. Penyiraman
55
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
7070
Perlakuan 3
Perlakuan 4
50
50
Perlakuan 5
30
Perlakuan 6
Perlakuan 7
30
Perlakuan 8
Tertutup
Tertutup
Perlakuan 9
0
0
Hari ke-
10
15
57
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
Hari ke-
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
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
62
Suhu dan
dengan
pembacaan
kurva
psikrometrik
untuk
menentukan
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.
digunakan untuk
63
tingkat kesalahan (pers 67), dimana a adalah nilai aktual, p adalah nilai prediksi
serta i dan N masing- masing adalah data ke-i dan data ke-N.
RMSE =
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 )
i =1
100
APD =
N
ai pi
(67)
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 = Yc (t ) +
Y (t )+ c
i
l
n Yc ( t )
l
=
F2 = Yc ( t ) *
i
Yl ( t ) + c i Yl ( t ) + c
untuk
menghindari
variabel
Yl(t)
sama
dengan
nol,
untuk
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 e suhu 2 + e rh 2
i
i
(68)
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 masing- masing modus kontrol
adalah nilai- nilai minimum dan maksimum dari masing- masing 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, masing- masing 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 masing- masing individu terdiri dari delapan puluh gen
untuk modus kontrol fuzi dan enam puluh gen untuk modus kontrol PID.
66
Gambar 32 Alat perekam data suhu bola basah dan kering di lapangan
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.
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
68
Kelompok
Kelompok
ketiga, yaitu Interface Analog Output Testing, dan Interface Digital Output
Testing
Masing masing
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
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.
parameternya masing- masing. 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 masing- masing 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 masing- masing tampilan ini
terdapat fasilitas pengalamatan dan saluran yang akan digunakan (bekerja),
berturut-turut terdiri 2 saluran dan 8 saluran.
72
73
74
75
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, masing- masing 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.
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
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, masing- masing 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.
parameter kontrol, selain hal di atas dilengkapi dengan Groupbox Select Control
dan Tabsheet Control Parameter, masing- masing terdiri dari modus kontrol
Fuzzy, PID, PI, PD, dan P.
78
79
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
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.
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.
82
Model Tanaman
Citra Kanopi Tanaman.
83
perkembangan fase generatif (bunga dan buah) maksimal. Selanjutnya bersamasama data nutrisi yang diberikan, out flow dan lingkungan digunakan untuk
mengembangkan model JST respon dinamik.
84
validasi.
1200
Pola 1
1000
Pola 2
Pola 3
800
Pola 4
600
Pola 5
400
Pola 6
200
Pola 7
Pola 8
0
10
Pola 9
15
Hari ke-
700
(%)
400
60
300
200
40
100
20
0
0
10
Hari ke-
15
500
Iradiasi (w/m )
600
Suhu
RH
Iradiasi
80
100
Pola 1
800
Pola 2
85
Pola 3
600
Pola 4
Pola 5
400
Pola 6
200
Pola 7
Pola 8
Pola 9
0
10
15
Hari ke-
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
10
15
Hari ke-
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,
masing- masing dapat dilihat pada Gambar 49, 50, 51 dan 52. Fluktuasi harian
(time series) untuk masing- masing 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
Rasio kanopi-diameter
800
400
200
0
0
200
400
600
800
Rasio kanopi-diameter aktual (cm2 /cm)
87
800
EI = 99%
APD = 4,8%
600
400
200
0
0
200
400
600
Out flow nutrisi aktual (ml)
800
Rasio kanopi-diameter
600
EI = 93%
APD
= 0.62%
400
200
0
0
200
400
600
2
Rasio kanopi-diameter aktual (cm /cm)
600
EI = 96%
APD = 4,3%
400
200
0
0
200
400
Out flow aktual (ml)
600
88
800
Prediksi
Aktual
700
600
500
400
300
200
100
0
I
II
III
VI
Pola
VII
VIII
IX
IX
700
600
Prediksi
500
Aktual
400
300
200
100
0
I
II
III
VI
VII
VIII
IX
IX
Pola
Gambar 54 Fluktuasi harian nilai out flow aktual dan hasil prediksi pada
proses pembelajaran
600
Prediksi
500
Aktual
400
300
200
100
0
1
10
11
12 13 14 15
Hari ke-
89
600
500
Prediksi
400
Aktual
300
200
100
0
1
10 11 12 13 14 15
Hari ke-
600
dan
Limpasan nutrisi (ml)
Gambar 56 Fluktuasi harian nilai out flow aktual dan hasil prediksi pada
proses validasi
400
200
Rasio kanopi-diameter
Limpasan
0
1
8
9
Hari ke-
10
11
12
13
14
15
90
F1 = Yc (t ) +
Y (t )+ c
i
l
n Yc ( t )
l
=
F2 = Yc ( t ) *
Y
(
t
)
+
c
i
l
i 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.
menghasilkan nilai fitness yang jauh lebih tinggi, diharapkan berimplikasi kepada
pencapaian optimum global lebih cepat.
Namun demikian pada aplikasinya tidaklah demikian.
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, masing- masing 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 W1W48
Bobot
-4
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-
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-
93
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 masing- masing dapat
dilihat pada Gambar 62 dan 66.
94
Hal ini
1200
(%), dan Suhu ( oC)
Suhu
Iradiasi
1000
800
600
400
200
0
1
10 11 12 13 14 15
Hari ke-
Rasio kanopi-diameter
(cm2 /cm), dan Limpasan nutrisi
(ml)
95
800
600
400
200
Rasio kanopi-diameter
Limpasan nutrisi
0
1
10
11
12
13
14
15
Hari ke-
Suhu
Iradiasi
1200
1000
800
600
400
200
0
1
10 11 12 13 14 15
Hari ke-
800
nutrisi (ml)
Rasio kanopi-diameter
Rasio kanopi-diameter
Limpasan nutrisi
600
400
200
0
1
11
13
15
Hari ke-
Suhu
Iradiasi
1000
(%), dan Suhu ( oC)
96
800
600
400
200
0
1
10 11 12 13 14 15
Hari ke-
Rasio kanopi-diameter
(cm2/cm), dan Limpasan
nutrisi (ml)
800
Rasio kanopi-diameter
Limpasan nutrisi
600
400
200
0
1
9 10 11 12 13 14 15
Hari ke-
Suhu
Iradiasi
1200
(%), dan Suhu (oC)
1000
800
600
400
200
0
1
9 10 11 12 13 14 15
Hari ke-
Rasio kanopi-diameter
(cm2/cm), dan Limpasan
nutrisi (ml)
97
800
Rasio kanopi-diameter
Limpasan nutrisi
600
400
200
0
1
10 11 12 13 14 15
Hari ke-
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.
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
98
238,8
(69)
ETc = ETo K c
(70)
ET c
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
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
Evapotranspirasi tanaman
(mm/hari)
0
1
10 11 12 13 14 15
Hari ke-
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, masing- masing dapat
dilihat pada Gambar 72 dan 73.
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
78
88
90
98
100
40
EI = 88%
APD = 0.49%
Suhu prediksil ( C)
35
30
25
20
15
15
20
25
30
35
40
Suhu aktual (o C)
100
RH prediksi (%)
95
90
85
EI = 77%
APD =0. 29%
80
75
70
70
75
80
85
90
95
100
RH aktual (%)
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
48
80
90
104
F = 1 e suhu 2 + e rh 2
i
i
Probabilitas rekombinasi
terlalu tinggi, memberikan eksplorasi ruang solusi yang terlalu besar sehingga
105
menghindari optimum lokal, yaitu solusi yang lebih baik dari beberapa solusi lain
tetapi kurang baik dari solusi optimum global.
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).
106
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)
jumlah iterasi mulai stabil untuk masing- masing 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, masing- masing dapat
dilihat pada Gambar 76 dan 77.
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
penelusuran optimum lokal kurva evolusi diatas, masing- masing 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, masing- masing 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 masing- masing 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-
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-
400
500
110
100
98
88
68
80
Suhu ( C),
RH (%)
78
58
70
48
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
RH (%)
78
88
90
98
38
60
28
50
18
0
24
48
72
Waktu (jam)
RH rumah tanaman
Suhu_lingkungan
RH_lingkungan
Iradiasi rumah tanaman
Gambar 77 Kurva performansi kontrol PID pada suhu dan kelembaban dengan parameter hasil kurva evolusi optimum global
112
100
98
88
68
80
Suhu ( C),
RH (%)
78
58
70
48
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 78 Kurva performansi kontrol fazi pada suhu dan kelembaban dengan parameter hasil kurva evolusi optimum lokal
113
100
98
88
68
80
Suhu ( C),
RH (%)
78
58
70
48
38
60
28
50
18
0
24
RHr_simulasi
Suhu lingkungan
48
Waktu (jam)
RH lingkungan
Iradiasi rumah tanaman
90
72
SR_simulasi
Gambar 79 Performansi kontrol PID pada suhu dan kelembaban dengan parameter hasil kurva evolusi optimum lokal
112
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.
Hal ini
menunjukkan bahwa parameter kedua kontrol pada daerah operasi tersebut, yaitu
untuk kelembaban 70%-90% dan suhu 21 o C31 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.
114
dibedakan menjadi dua, besaran yang hanya berperan sebagai gangguan yaitu
iradiasi matahari.
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, masing- masing memiliki
kelebihan.
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%.
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
Suhu
24
24 24
24 24
Kelembaban 82
82 82
82 83
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
116
100
50
30
90
10
Suhu ( C),
RH (%)
20
80
0
70
-10
-20
60
-30
-40
50
-50
0
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
40
117
50
40
30
90
10
Suhu ( C),
RH (%)
20
80
0
70
-10
-20
60
-30
-40
50
-50
0
12
18
24
Waktu (jam)
RH ruang tanaman
Ganbar 81 Kurva transien kontrol PID dengan gangguan pada suhu dan kelembaban
Qhum
Qdaya
100
118
100
68
80
58
70
48
RH (%)
78
88
90
98
38
60
28
50
18
0
24
Waktu (jam)
48
RH rumah tanaman
RH lingkungan
Suhu lingkungan
72
Suhu rumah tanaman
Gambar 82 Kurva Performansi kontrol fazi pada suhu dan kelembaban dengan tiga acuan ke atas
119
100
68
80
58
70
48
RH (%)
78
88
90
98
38
60
28
50
18
0
24
Waktu (jam)
48
RH rumah tanaman
RH lingkungan
Suhu lingkungan
72
Suhu rumah tanaman
Gambar 83 Kurva performansi kontrol fazi pada suhu dan kelembaban dengan tiga acuan ke bawah
120
100
68
80
58
70
48
RH (%)
78
88
90
98
38
60
28
50
18
0
24
Waktu (jam)
48
RH rumah tanaman
RH lingkungan
Suhu lingkungan
72
Suhu rumah tanaman
Gambar 84 Kurva performans i kontrol PID pada suhu dan kelembaban dengan tiga acuan ke atas
121
100
68
80
58
70
48
RH (%)
78
88
90
98
38
60
28
50
18
0
24
Waktu (jam)
48
RH rumah tanaman
RH lingkungan
Suhu lingkungan
72
Suhu rumah tanaman
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
10
11
12
13
14
RH lingkungan
Suhu lingkungan
Gambar 86 Performansi sistem kontrol fazi untuk suhu dan kelembaban dengan 15 hari acuan optimal
15
18
90
98
123
100
88
RH (%)
78
68
80
58
70
48
38
60
28
50
10
11
12
13
14
15
RH lingkungan
Suhu lingkungan
Gambar 87 Performansi kontrol PID dengan parameter untuk suhu dan kelembaban dengan 15 hari acuan optimal
18
90
98
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.
127
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.
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
bakers 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
129
130
Bogor:
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 Engeiners Notebook
106:1-2.
L A M P IR AN
1
2
3
5
6
4.00
4.00
4.00
40.00
4.00
135
1
0,30
2
3
0,75
0,85
2,90
6
1,10
7
0,25
0,65
6,4
135
136
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 = (
t
t
)( hA )lt Trt + t (
)( hAlt )Tltt + t
( mCp )lt
( mCp )lt
t
+(
) AIr
( mCp )lt
Tltt + t = (
t
t
)( hA )lt Trt + t (
)( hA )lt Tltt + t
( mCp )lt
( mCp )lt
t
+(
)AI r + Tltt
( mCp )lt
Tltt + t (
t
t
)( hA )lt Trt + t + (
)( hA )lt Tltt + t
( mCp )lt
( mCp )lt
t
=(
)AI r + Tltt
( mCp )lt
Tltt + t + (
t
t
)( hA )lt Tltt + t (
)( hA )lt Trt + t
( mCp )lt
( mCp )lt
t
=(
)AI r + Tltt
( mCp )lt
( 1+(
t
t
)( hA )lt )Tltt + t (
)( hA )lt Trt + t
( mCp )lt
( mCp )lt
t
=(
)AI 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
)AIr + Tltt
( mCp)lt
T
mCp )r r
(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
Lampiran 3 (Lanjutan)
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
Lampiran 3 (Lanjutan)
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
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
(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
t + t
a23 . Tr
= b 2
t
+
t
a33 H r
b3
(5)
) + H rt
(6)
140
Tinjauan Pustaka
Tanaman, Lingkungan, dan Rumah Tanaman
Simbol
Keterangan
Satuan
Qs
Panas iradiasi
watt
Intensitas radiasi
watt/m2
Luas
m2
w/m2 K
Temperatur
kJ/detik
Cp
kJ/kg.K
Subskrip
Rumah kaca
Konduksi
sa
Panas sensibel
Jaringan Syaraf Tiruan (JST)
Simbol
Keterangan
Lapisan masukan
v,w
bobot
Lapisan tersembunyi
Fungsi aktivasi
Target keluaran
Satuan
141
Lampiran 4 (lanjutan)
Subskrip
i, j , p
1, 2,3,...
ji
kj
pj
pk
Keterangan
XT
Vektor masukan
Lapisan
Bobot
Target
Error
Satuan
Superskrip
Tersembunyi
Keluaran
Subskrip
cm2 /cm
Limpasan nutrisi
ml
142
Lampiran 4 (lanjutan)
Waktu
detik
Algoritama Genetika (AG)
Simbol
Keterangan
Satuan
F1
fungsi fitness 1,
F2
fungsi fitness 2,
Koefisien
Pc
Probalitas rekombinasi
Pm
Probalitas mutasi
Target
Subskrip
Simbol
Keterangan
Satuan
cm2 /cm
Limpasan nutrisi
ml
Waktu
detik
Konstanta
Data ke- i
Data ke- n
Kontrol Fazi
Simbol
Keterangan
Error
waktu
Target
Searah sumbu x
Searah sumbu y
Keluaran kontrol
Derajat keanggoaan
bobot
Satuan
detik
143
Lampiran 4 (lanjutan)
P1
P2
P3
P4
P5
Simbol
Keterangan
Satuan
ac
Acuan
ak
Aktual
Label ke- i
Simbol
Keterangan
Satuan
Keluaran kontrol
Error
Waktu
Proporsional
Integral
Diferensial
KP
Konstanta proporsional,
KI
Konstanta integral
KD
Konstanta diferensial
ST
Sampling time
detik
TI
Waktu integrasi
detik
TD
Waktu diferensial
detik
Rf
detik
144
Lampiran 4 (lanjutan)
Lf
seperempat periode
Pemodelan Suhu dan Kelembaban
Simbol
Keterangan
Satuan
Cp
m
kJ/kgo K
kg
m
T
t
A
I
U
Qref
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
Lampiran 4 (lanjutan)
Metode Penelitian
Prosedur Kerja
Pengolahan Data
Simbol
Keterangan
Satuan
RMSE
EI
Efficiency indicator
APD
Simbol
Keterangan
Suhu
Kelembaban
Satuan
Keterangan
Satuan
ETo
Evapotranspirasi acuan
mm/hari
Suhu
Rs
Iradiasi
MJ/m2 /hari
ET c
Evapotranspirasi tanaman
mm/hari
Kc
Koefisien tanaman.