2005 Tam

DESAIN DAN PEMODELAN SISTEM KONTROL
ADAPTIF LINGKUNGAN-BIOLOGIK
DALAM RUMAH TANAMAN
TAMRIN
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2005
PERNYATAAN MENGENAI DISERTASI DAN

SUMBER INFORMASI
Dengan ini saya menyatakan bahwa disertasi Desain dan Pemodelan Sistem
Kontrol Adaptif Lingkungan-biologik dalam Rumah Tanaman adalah karya saya
sendiri dan belum diajukan dalam bentuk apapun kepada perguruan tinggi
manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir disertasi ini.
Bogor, Oktober 2005
Tamrin
NIM 995173
ABSTRAK
TAMRIN. Desain dan Pemodelan Sistem Kontrol Adaptif Lingkungan-biologik
dalam Rumah Tanaman. Dibimbing oleh KUDANG BORO SEMINAR, HERRY
SUHARDIYANTO, dan SOEDODO HARDJOAMIDJOJO.
Ada kecenderungan pengusaha di bidang agro bisnis, terutama di bidang
hortikultura, lebih memilih memproduksi komoditas yang spesifik, yaitu yang
membutuhkan teknologi dan perlakuan khusus dimana tidak semua orang bisa
memproduksinya. Untuk memenuhi kebutuhan itu, perlu teknologi yang dapat
melakukan identifikasi antara masukan yang dibutuhkan dengan keluaran yang
diinginkan dan mewujudkan hasil identifikasi tersebut, dengan kata lain teknologi
yang dapat digunakan untuk kegiatan praktis dan sekaligus riset (fleksibel).
Sehubungan hal di atas, dirancang sistem kontrol adaptif lingkunganbiologik untuk rumah tanaman dalam bentuk perangkat lunak yang juga
memadukannya dengan fasilitas pilihan modus kontrol. Identifikasi lingkunganbiologik disini didasarkan pada pemahaman model yang menggambarkan
hubungan antara faktor lingkungan optimal dengan produk maksimum tanaman
yang dipane n, baik didasarkan pada kualitas, atau kuantitas, atau selera, atau
kombinasi diantaranya, tergantung kondisi produk yang diinginkan. Produk
tanaman yang dipanen dapat berupa hasil generatif maupun vegetatif.
Penelitian, mencakup desain sistem kontrol adaptif lingkungan-biologik,
membangun perangkat lunak dan model lingkungan-biologik (pindah panas),
eksperimen dan pengamatan di lapangan (data volume nutrisi yang diberikan, out
flow, citra kanopi, diameter batang, suhu udara, kelembaban relatif udara, dan
iradiasi matahari), pengolahan data mencakup model tanaman dengan jaringan
syaraf tiruan, optimasi lingkungan-biologik dengan algoritma genetika, model
lingkungan-biologik dengan pindah panas, optimasi parameter kontrol fazi dan
PID dengan algoritma genetika, dan simulasi sistem kontrol adaptif lingkunganbiologik berdasarkan acuan lingkungan optimal dengan menggunakan parameter
optimal untuk modus kontrol fazi dan PID.
Prototipe perangkat lunak sistem kontrol adaptif lingkungan-biologik yang
dibangun telah dilengkapi dengan fasilitas real time sehingga memungkinkan
digunakan untuk kebutuha n akuisisidata dan kontrol dengan fasilitas pilihan
modus kontrol fa zi, PID, P, PI, dan PD. Selain hal itu, juga telah dilengkapi
dengan fasilitas sistem pengolah citra, sistem penentuan acuan optimal, dan sistem
penentuan parameter kontrol optimal. Model tanaman untuk memprediksi
pertumbuhan tanaman timun mini (rasio kanopi-diameter) pada fase vegetatif dan
out flow adalah berdasarkan larutan nutrisi yang diberikan dan lingkunganbiologik (suhu, kelembaban, dan iradiasi) telah memadai atau baik. Adapun nilainilai EI dan APD pada hasil pembelajaran untuk rasio kanopi-diameter adalah
95% dan 1,3%; untuk out flow adalah 99% dan 4,9%, sedangkan pada hasil
validasi untuk rasio kanopi-diameter adalah 93% dan 0,62%; untuk out flow
adalah 96% dan 0,43%. Model lingkungan-biologik yang dibangun cukup
memadai untuk kasus rumah tanaman yang cukup luas dengan penyekat kasa.
Adapun Nilai EI dan APD untuk suhu dan kelembaban berturut-turut adalah 88%
dan 0,49%, sedangkan untuk kelembaban adalah 77% dan 0,29%. Performansi
sistem kontrol modus fazi dan PID dalam rumah tanaman yang sangat sensitif
terhadap perubahan iradiasi matahari adalah baik.
ABSTRACT
TAMRIN. The Design and Modelling of Biological- Environment Adaptive
Control System in Agriculturalhouse.
Supervised by KUDANG BORO
SEMINAR, HERRY SUHARDIYANTO, and SOEDODO HARDJOAMIDJOJO.
The design of biological-environment adaptive control system in
agriculturalhouse was aimed to produce the specific characterictics of crop. The
technology that was applied could identify the required input and the expected
output. The control system facilitated the alternatives control modes. The
identification of biological-environment was based on the understanding of model
that described the relation between optimal environment factors and the maximum
crop productions. The expected specific characteristics depends on the quality
and quantity, or the preferences of consumers, or the combination between those
factors. The harvested crop might be the generative yield such as fruits, or
vegetative yields (stem, leaves, or roots).
The research included (1) the design of biological-environment control
system, (2) the establishment of the software system and biological-environment
model using the approach of heat and mass transfer, (3) experiments and
observation in the field (data of the added nutrient volume, the amount of out
flow, the image of canopy, stem diameter, air temperature, relative air humidity,
and solar irradiation), and (4) data processing (plant model using artificial neural
network, optimizing biological-environment using genetic algorithm, biologicalenvironment model using heat and mass transfer, optimizing the parameters of
fuzzy and PID control, using genetic algorithm, and the simulation of biologicalenvironment control system based on the set point (optimal environment) and
optimal parameter of fuzzy and PID control.
The prototype of the biological-environment adaptive control system in
agriculturalhouse software was facilitated with the real time condition. Therefore,
it was able to be applied for the requirement of acquisition data and control with
the alternatives fuzzy control mode, PID, P, PI, and PD. In addition, the system
was facilitated with the image processing system, the determination of optimal
environment (set point), and optimal parameter of control. The plant model used
in the research was baby cucumber.
The results showed that the plant model gave the satisfactory results which
indicated by the values of EI (95%) and APD (1.3%) in the training of the canopy
-diameter ratio, 99% and 4.9%, respectively in the training of the out flow. The
validation of canopy and diameter ratio gave the results of EI (93%) and APD
(0.62%), whereas the validation of out flow were 96% and 0.43%, respectively.
The biological-environment of the plant house which was facilitated with an
adequate area and ventilated booth showed satisfactory result. This was indicated
by the EI and APD values for the temperature of 88% and 0.49%, respectively,
and for the humidity was 77% and 0.29%, respectively. The performance of
fuzzy and PID control system in the greenhouse which was very sensitive towards
the changes of the solar irradiation was satisfactory.
Hak cipta milik Tamrin, tahun 2005

Hak cipta dilindungi
Dilarang mengutip dan memperbanyak tanpa izin tertulis dari
Institut Pertanian Bogor, sebagian atau seluruhnya dalam
bentuk apa pun, baik cetak, fotokopi, mikrofilm, dan sebagainya
DESAIN DAN PEMODELAN SISTEM KONTROL

ADAPTIF LINGKUNGAN-BIOLOGIK
DALAM RUMAH TANAMAN
TAMRIN
Disertasi
sebagai salah satu syarat untuk memperoleh gelar
Doktor pada
Program Studi Ilmu Keteknikan Pertanian
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2005
Judul Disertasi: Desain dan Pemodelan Sistem Kontrol Adaptif

Lingkungan-biologik dalam Rumah Tanaman
Nama
: Tamrin
NIM
: 995173
Disetujui
Komisi Pembimbing
Dr. Ir. Kudang Boro Seminar, M.Sc.

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

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

Anggota
Diketahui
Ketua Program Studi

Ilmu Keteknikan Pertanian
Prof. Dr. Ir. Budi Indra Setiawan, M.Agr.
Tanggal Ujian: 29 September 2005
Dekan Sekolah Pascasarjana
Prof. Dr. Ir. Syafrida Manuwoto, M.Sc.
Tanggal Lulus:
PRAKATA
Bismillaahirrohmaanirrohiim. Penyusunan disertasi yang berjudul Desain
Sistem Kontrol Adaptif Lingkungan-biologik dalam Rumah Tanaman ini,
mencakup tahapan: desain sistem, membangun perangkat lunak dan model,
pengumpulan dan pengolahan data, serta penulisan.
Kegiatan tersebut
dilaksanakan di Laboratorium Ergotron Departemen Teknik Pertanian FATETA
IPB dan di PT Saung Mirwan Bogor, dari April 2002 sampai Agustus 2005.
Penulis menyadari dalam setiap tahapan di atas telah melibatkan banyak
pihak. Dengan segala keikhlasan, penulis ucapkan terima kasih kepada Bapak Dr.
Ir. H. Kudang Boro Seminar, M.Sc.; Bapak Dr. Ir. H. Herry Suhardiyanto, M.Sc;
dan Bapak Prof. Dr. Ir. H. Soedodo Hardjoamidjojo, M.Sc., selaku pembimbing.
Disamping itu, penghargaan yang tulus penulis sampaikan kepada semua pihak
yang telah sangat membantu baik dalam bentuk diskusi maupun dalam bentuk
lainnya.
Ungkapan terima kasih disampaikan juga kepada Ayahanda (alm); Ibunda;
saudara-saudara ku; ananda: Ayeshah Augusta Rosdah, Elisha Rosalyn Rosdah
dan Muhammad Rajarief Latief; serta istriku: Ir. Filli Pratama, M.Sc.(Hons),
PhD, atas segala 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 ...........................................................................................
DAFTAR GAMBAR ......................................................................................
xi
DAFTAR LAMPIRAN ...................................................................................
xv
PENDAHULUAN ...........................................................................................
Latar Belakang .......................................................................................
Tujuan Penelitian ....................................................................................
Manfaat Penelitian ..................................................................................
1
1
8
8
TINJAUAN PUSTAKA ..................................................................................

Tanaman, Lingkungan, dan Rumah Tanaman .....................................
Jaringan Syaraf Tiruan (JST) .................................................................
Algoritma Genetika (AG) .......................................................................
Sistem Kontrol Umpan Balik .................................................................
9
9
12
17
20
PENDEKATAN SISTEM KONTROL ADAPTIF

LINGKUNGAN-BIOLOGIK .........................................................................
Konsep Sistem Kontrol Adaptif Lingkungan-biologik ..........................
Struktur Sistem Kontrol Adaptif Lingkungan-biologik .........................
Komponen Struktur Sistem Kontrol Adaptif
Lingkungan-biologik ..............................................................................
24
24
27
30
METODE PENELITIAN ................................................................................

Tempat dan Waktu .................................................................................
Bahan dan Alat .......................................................................................
Prosedur Kerja ........................................................................................
48
48
48
48
HASIL DAN PEMBAHASAN .......................................................................

Perangkat Lunak .....................................................................................
Penentuan Acuan Optimal Lingkungan .................................................
Evapotranspirasi Tanaman .....................................................................
Model Lingk ungan-biologik ..................................................................
Penentuan Parameter Optimal
dan Performansi Kontrol Fazi dan PID ..................................................
67
67
82
97
99
104
KESIMPULAN DAN SARAN .......................................................................
126
DAFTAR PUSTAKA .....................................................................................
128
LAMPIRAN ....................................................................................................
133
ix
DAFTAR TABEL
Halaman
1 Matriks aturan kontrol fazi ...........................................................................
41
2 Fungsi dan lokasi penggunaan bahan dan alat .............................................
49
3 Perlakuan berdasarkan pendekatan teoritis dan pola ....................................
54
4 Pembandingan parameter algoritma genetika Pc dan Pm ..............................
106
5 Parameter optimal kontrol fazi dan PID .......................................................
106
6 Suhu dan kelembaban untuk fase vegetatif ketimun mini ............................
117
DAFTAR GAMBAR
Halaman
1 Buah ketimun mini .......................................................................................
2 Buah tomat beef ............................................................................................
3 Bunga hias ....................................................................................................
4 Rumah tanaman ............................................................................................
5 Struktur jaringan syaraf tiruan dengan banyak lapisan ................................
13
6 Tahapan algoritma genetika .........................................................................
20
7 Arsitektur struktur sistem kontrol adaptif

lingkunga n-biologik dalam rumah tanaman ................................................
26
8 Struktur sistem identifikasi acuan optimal ...................................................
28
9 Struktur sistem estimasi parameter optimal kontrol melalui simulasi .........
29
10 Struktur sistem kontrol real time ................................................................
30
11 Struktur model tanaman .............................................................................
30
12 Struktur model lingkungan .........................................................................
31
13 Arsitektur JST respon dinamik ...................................................................
32
14 Arsitektur algoritma genetika dengan fungsi fitness

JST repon dinamik ......................................................................................
35
15 Struktur komponen kontrol fazi .................................................................
38
16 Fungsi keanggotaan error (e) .....................................................................
39
17 Fungsi keanggotaan beda error (de) ..........................................................
39
18 Fungsi keanggotaan keluaran (u) ...............................................................
40
19 Metode penentuan derajat keanggotaan error dan beda error ...................
40
20 Struktur komponen kontrol PID .................................................................
42
21 Pendekatan numerik Euler untuk pemecahan integral ...............................
42
22 Pendekatan numerik Euler untuk pemecahan diferensial ..........................
42
23 Skema aplikasi sistem kontrol adaptif lingkungan-biologik ......................
46
24 Skema konsep pemodelan suhu dan kelembaban

dalam rumah tanaman ................................................................................
47
25 Diagram alir prosedur kerja ........................................................................
50
26 Skema pendekatan perlakuan teoritis .........................................................
56
27 Perlakuan efektif di lapangan .....................................................................
57
28 Skema tata letak perlakuan tanaman di rumah tanaman ............................
58
xi
Halaman
29 Tata letak perlakuan tanaman di lapangan .................................................
61
30 Tangki larutan nutrisi .................................................................................
61
31 Penempatan pengukur iradiasi dan kecepatan angin di lapangan ..............
66
32 Alat perekam data suhu bola basah dan kering di lapangan ......................
66
33 Diagram menu utama perangkat lunak sistem kontrol adaptif

lingkungan-biologik ..................................................................................
69
34 Tampilan menu utama ................................................................................
70
35 Tampilan untuk real time ...........................................................................
72
36 Tampilan time set up ..................................................................................
72
37 Tampilan untuk setting masukan dan keluaran hardware .........................
73
38 Tampilan untuk setting acuan dan pilihan modus kontrol .........................
73
39 Tampilan untuk pengolahan citra ...............................................................
77
40 Tampilan operator JST ...............................................................................
78
41 Tampilan operator algoritma genetika .......................................................
78
42 Tampilan untuk menentukan parameter optimal kontrol ...........................
79
43 Tampilan simulasi ......................................................................................
81
44 Citra sebelum dan setelah diproses ............................................................
83
45 Pengukuran perubahan larutan nutrisi yang diberikan ...............................
84
46 Pengukuran perubahan iklim mikro ...........................................................
84
47 Pengukuran perubahan rasio kanopi-diameter ...........................................
85
48 Pengukuran perubahan out flow .................................................................
85
49 Perbandingan nilai rasio kanopi-diameter aktual

dengan hasil prediksi pada proses pembelajaran ........................................
49
50 Perbandingan nilai out flow aktual dengan

hasil prediksi pada proses pembelajaran ....................................................
87
51 Perbandingan nilai rasio kanopi-diameter aktual

dengan hasil prediksi pada proses validasi .................................................
87
52 Perbandingan nilai out flow aktual

dengan hasil prediksi pada proses validasi .................................................
87
53 Fluktuasi harian nilai rasio kanopi-diameter aktual

dan hasil prediksi pada proses pembelajaran .............................................
88
54 Fluktuasi harian nilai out flow aktual

dan hasil prediksi pada proses pembelajaran .............................................
88
xii
Halaman
55 Fluktuasi harian nilai rasio kanopi-diameter aktual
dan hasil prediksi pada proses validasi ......................................................
88
56 Fluktuasi harian nilai out flow aktual

dan hasil prediksi pada proses validasi ......................................................
89
57 Hasil simulasi untuk larutan nutrisi dan suhu sama

sedangkan kelembaban dan iradiasi berfluktuatif ......................................
89
58 Bobot model komputasi JST respon dinamik ............................................
92
59 Kurva evolusi penelusuran fitness dengan pers 32 .....................................
92
60 Kurva evolusi penelusuran fitness dengan pers 33 .....................................
92
61 Hasil optimal kurva pers 32 skenario (Pc=0,6; Pm=0,01) ...........................
94
62 Hasil simulasi model JST dengan masukan hasil

optimal kurva pers 32 skenario (Pc=0,6; Pm=0,01) ....................................
95
63 Hasil penelusuran kurva pers 32 skenario (Pc=0,6; Pm=0,1) ......................
95

penelusuran kurva pers 32 skenario (Pc=0,6; Pm=0,1) ...............................
95
65 Hasil penelusuran kurva pers 33 skenario (Pc=0,6;P m=0,01) .....................
96

penelusuran kurva pers 33 skenario (Pc=0,6; Pm=0,01) .............................
96
67 Hasil penelusuran kurva pers 33 skenario (Pc=0,6;P m=0,1) .......................
96

penelusuran kurva pers 33 skenario (Pc=0,6; Pm=0,1) ...............................
97
69 Pola evapotranspirasi tanaman ketimun mini dan

volume nutrisi yang diberikan ....................................................................
99
70 Kurva kelembaban relatif, suhu, dan iradiasi rumah tanaman,

dan lingkungan ...........................................................................................
101
71 Perbandingan suhu aktual dengan hasil prediksi ........................................
102
72 Perbandingan kelembaban rela tif aktual dengan hasil prediksi .................
102
73 Kurva fluktuasi kelembaban relatif hitung dan aktual;

dan suhu hitung dan aktual .........................................................................
103
74 Kurva evolusi penentuan parameter optimal kontrol fazi ..........................
108
75 Kurva evolusi penentuan parameter optimal kontrol PID ..........................
109
76 Kurva performansi kontrol fazi pada suhu dan kelembaban

dengan parameter hasil kurva evolusi optimum global ..............................
110
77 Kurva performansi kontrol PID pada suhu dan kelembaban

dengan parameter hasil kurva evolusi optimum global ..............................
111
xiii
Halaman
78 Kurva performansi kontrol fazi pada suhu dan kelembaban
dengan parameter hasil kurva evolusi optimum lokal ................................
112
79 Kurva performansi kontrol PID pada suhu dan kelembaban

dengan parameter hasil kurva evolusi optimum lokal ................................
113
80 Kurva transien kontrol fazi dengan gangguan

pada suhu dan kelembaban .........................................................................
118
81 Kurva transien kontrol PID dengan gangguan

pada suhu dan kelembaban .........................................................................
119
82 Kurva Performansi kontrol fazi pada suhu dan kelembaban

dengan tiga acuan ke atas ...........................................................................
120
83 Kurva Performansi kontrol fazi pada suhu dan kelembaban

dengan tiga acuan ke bawah .......................................................................
121
84 Kurva Performansi kontrol PID pada suhu dan kelembaban

dengan tiga acuan ke atas ...........................................................................
122
85 Kurva Performansi kontrol PID pada suhu dan kelembaban

dengan tiga acuan ke bawah .......................................................................
123
86 Performansi sistem kontrol fazi untuk suhu dan kelembaban

dengan 15 hari acuan optimal ....................................................................
124
87 Performansi sistem kontrol PID untuk suhu dan kelembaban

dengan 15 hari acuan optimal ....................................................................
125
xiv
DAFTAR LAMPIRAN
Halaman
1 Potongan memanjang greenhouse tipe single span ......................................
134
2 Potongan melintang greenhouse tipe single span ........................................
135
3 Pemecahan persamaan-persamaan pendugaan suhu

dan kelembaban di dalam greenhouse tipe single span ...............................
136
4 Tata nama simbol berdasarkan bab ..............................................................
140
xv
PENDAHULUAN
Latar Belakang
Hubungan lingkungan dengan tanaman sangat kompleks, karena jumlah
kombinasi faktor lingkungan dengan jenis tanaman, dan interaksi secara kontinyu
antara semua faktor lingkungan pada semua tingkatan adalah tak terhingga.
Dikemukakan ole h Seminar (2000) bahwa kesulitan dalam masalah produksi
tanaman baik secara kuantitas maupun kualitas didasarkan pada kenyataan bahwa
tanaman adalah agen sistem kehidupan (bio system) yang bersifat kompleks dan
dinamik. Hal ini dicirikan dengan sifat-sifat tidak linieritas, pewarisan genetik,
peka waktu, dan pengendalian aktivitas fotosintesis yang menjadi perilaku kunci
agen sistem bio.
Di Indonesia khususnya, ada kecenderungan pengusaha di bidang agro
bisnis, terutama di bidang hortikultura, lebih memilih memproduksi komoditas
yang spesifik, yaitu yang membutuhkan teknologi dan perlakuan khusus dimana
tidak semua orang bisa memproduksinya. Komoditas ini biasanya dikonsumsi
oleh kalangan menengah ke atas.
Adapun komoditas tersebut, seperti yang
diproduksi di Greenhouse Saung Mirwan adalah ketimun mini (Gambar 1), tomat
beef (Gambar 2), tomat cherri, paprika, bunga hias (Gambar 3), dan lainlain.
Lingkungan berperanan penting untuk pertumbuhan dan perkembangan
tanaman dengan kualitas prima. Karakteristik gen tertentu suatu tanaman atau
kondisi produk yang diinginkan tidak akan muncul seperti yang diharapkan bila
tidak didukung oleh penyediaan kondisi lingkungan yang sesuai.
Secara fisik, faktor lingkungan yang mempengaruhi tanaman dalam rumah
tanaman dapat diklasifikasikan menjadi 2 bagian (Esmay dan Dixon 1986), yaitu
faktor lingkungan udara sekitar (di bagian atas tanaman) dan faktor lingkungan
pada media tumbuh tanaman (di bagian bawah tanaman).
Faktor lingkungan
udara sekitar meliputi suhu, cahaya, kelembaban, dan CO2 , sedangkan faktor
lingkungan di media tumbuh, meliputi suhu tanah, kadar air tanah, pH, nutrisi,
konduktivitas listrik, evaporasi dan lainlain (tergantung sistem budidaya).
Apabila dapat menciptakan keadaan lingkungan yang sesuai dengan
kebutuhan tanaman maka dapat diperoleh beberapa keuntungan, antara lain adalah
produksi yang sesuai dengan yang diinginkan, penghematan energi dan ramah
lingkungan. Selain itu, bila tersedia sistem kontrol adaptif juga memungkinkan
untuk dikembangkan lebih lanjut dengan cara memanipulasi lingkungan yang
diinginkan dengan menggunakan sistem kontrol adaptif sehingga dapat
menghasilkan produk yang berkualitas dan dengan nilai tambah yang lebih tinggi.
Namun demikian, sebelum dilakukan upaya pengontrolan secara optimal terhadap
kondisi lingkungan tersebut, perlu ditentukan atau diketahui terlebih dahulu
kondisi lingkungan yang optimum dalam memproduksi bagian tanaman (biologik)
yang diinginkan, sehingga upaya pengontrolan mencapai tujuan.
Misalnya,
pemberian air yang ekstrim pada kondisi-kondisi tertentu pada tanaman sayuran
mungkin dapat menentukan tingkat kerenyahan sayuran, sehingga berimplikasi
pada peningkatan kualitas sayuran tersebut dan pada gilirannya sayuran lokal
yang budidayanya relatif lebih mudah dapat ditingkatkan daya saingnya dengan
sayuran impor.
Pada umumnya upaya untuk mengendalikan atau mengontrol tanaman
menggunakan rumah tanaman (Gambar 4).
Adapun yang dimaksud dengan
rumah tanaman di sini adalah bangunan atau struktur yang difungsikan untuk
produksi tanaman, misalnya greenhouse, plastichouse, rumah bayang, dan lainlain. Salah satu metode meminimalkan pengaruh lingkungan terhadap tanaman
adalah menggunakan teknologi greenhouse.
Di dalam greenhouse, faktor
lingkungan lebih mungkin dikendalikan untuk mendapatkan kondisi pertumbuhan

yang lebih baik.
Salah satu alasan penggunaan rumah tanaman adalah
memungkinkannya pengendalian dan modifikasi di dalam rumah tanaman.

Modifikasi lingkungan dalam rumah tanaman untuk pertumbuhan tanaman
dengan tujuan untuk menghasilkan produksi tanaman yang bermutu telah banyak
dilakukan oleh peneliti terdahulu (Boulard et al. 2005, Kostov et al. 2002, Lefas
dan Santamouris 1984, Nielsen dan Madsen 2005, Schmidt 2005, Straten 2005,
Young dan Lees 2005).
Penelitian-penelitian mengenai pengendalian lingkungan di dalam rumah
tanaman sudah banyak dilakukan di antaranya pengendalian terhadap cahaya, pH,
kelembaban, nutrisi dan sebagainya.
Ferentinos dan Albright (2005)
mengoptimasi desain untuk sistem pencahayaan dengan menggunakan algoritma
genetika dalam rumah tanaman.
Korner dan Cha lla (2003) melakukan
pendendalian kelembaban untuk pertumbuhan optimal tanaman Chrysanthemum

dalam rumah tanaman. Pengendalian suhu udara didalam rumah tanaman juga
dilakukan oleh Nishina et al. (2005) dengan menggunakan sistem identifikasi dan
menganalisa aplikasi dari sistem identifikasi tersebut.
Nilsson dan Nybrant
(2005) mengembangkan algoritma berbasis komputer untuk mengendalikan

pembungaan tanaman.
Adapun tujuannya agar dapat diperoleh waktu
pembungaan pada saat yang diinginkan.
Pengendalian lingkungan rumah
tanaman juga dilakukan dengan menggunakan pengukuran secara on-line terhadap

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

setempat atau literatur.
Identifikasi lingkungan-biologik disini didasarkan pada pemahaman model
yang menggambarkan hubungan antara faktor lingkungan dengan produk tanaman
yang akan dipanen.
Produk tanaman yang dipanen tidak selalu berupa hasil
generatif, dapat juga berupa hasil vegetatif yang dilihat dari jumlahnya atau
mutunya, atau kedua-duanya. Pemahaman berdasarkan respon produk tanaman
yang diinginkan dalam situasi demikian inilah diistilahkan dengan lingkunganbiologik.
Menurut beberapa pakar, paling tidak sampai tahun 1995, secara prinsip
masih sangat sulit untuk mengembangkan sensor yang dapat digunakan untuk
mengevaluasi performansi tanaman secara langsung (real time).
Namun
demikian, hal ini terus berkembang dan telah ada upaya untuk mengidentifikasi
sistem kontrol lingkungan-biologik, yaitu melalui sistem pengontrolan berbasis
respon tanaman (speaking plant approach) yang dikembangkan diantaranya oleh
Berckmans (1998); Morimoto dan Hashimoto (1998); dan Subrata et al. (2001).
Namun demikian, sistem kontrol lingkungan-biologik masih jarang dalam
bentuk perangkat lunak (software) yang juga memadukannya dengan fasilitas
pilihan modus kontrol, terutama di Indonesia.
Karena itu masih perlu
dikembangkan suatu sistem yang bersifat fleksibel, yaitu menyediakan mekanisme

untuk pemilihan modus kontrol dan identifikasi (model) tanaman dan lingkungan
secara terintegrasi.
Sistem kontrol adaptif lingkungan-biologik (SKALB) dalam rumah tanaman
ini didesain dengan kebutuhan sensor keluaran pada properti produk yang
diinginkan tidak perlu secara langsung. Maksudnya pada waktu pengontrolan
(real time) pendeteksian keluaran (produk) tidak diperlukan lagi.
Karena
pendeteksian properti produk tidak diperlukan dalam operasi real time kontrol,
maka data keluaran dapat dikumpulkan baik secara destruktif maupun tidak
destruktif. Dengan kata lain bagian produk yang diinginkan dapat dianalisa atau
diukur dengan cara dirusak atau dengan tidak dirusak. Hal ini memungkinkan
untuk memilih properti produk apa yang menjadi target, dan keluwesan ini
menjadikan SKALB lebih aplikabel.
Pada konsep speaking plant yang dikemukakan Hashimoto (1989), kondisi

lingkungan optimal (acuan optimal) ditentukan oleh oleh komputer secara on-line.
Proses pengambilan keputusan ini memerlukan waktu sedangkan kondisi
lingkungan terus berubah (tidak konstan).
Bila dikembangkan di Indonesia,
khususnya untuk saat ini, maka konsep ini kurang berdaya guna.
Hal ini
disebabkan kecepatan komputer dan sistem sensor juga belum memadai untuk
mendukung proses yang demikian.
Sehubungan dengan hal di atas maka SKALB didesain secara off-line untuk
menentukan lingkungan optimal dan parameter kontrol optimal dengan tidak
menutup kemungkinan untuk operasi on-line, yang tentunya perlu penyesuaian
seperlunya bila memang perangkat keras yang mendukungnya tersedia.
Aplikasi kontrol secara real time dilakukan setelah penentuan acuan optimal
dan parameter optimal kontrol.
Acuan dalam pengontrolan, selain dapat
ditentukan melalui fasilitas yang disediakan, juga dapat didasarkan dari literatur
atau pengalaman setempat, sesuai dengan kebutuhan. Fasilitas SKALB dapat
digunakan untuk mengontrol kebutuhan penggunaan sarana produksi agar tidak
berlebihan, yang pada gilirannya bila tidak dikontrol akan berakibat pada kerugian
ekonomi atau lingkungan. Selain itu, juga dapat digunakan untuk manipulasi
lingkungan-biologik dalam upaya untuk mendapatkan produk dengan kuantitas,
kualitas dan selera sesuai kebutuhan.
Dengan fasilitas seperti disebutkan di atas, maka teknologi SKALB yang
dikembangkan ini dapat digunakan untuk mendukung usaha agribisnis yang lebih
memilih memproduksi komoditas yang spesifik, yaitu yang membutuhkan
teknologi dan perlakuan khusus dimana tidak semua orang bisa memproduksinya.
Dengan kata lain, teknologi SKALB ini sangat menjanjikan untuk agro bisnis
yang berbasis kepada paradigma produksi prospektif.
Gambar 1 Buah ketimun mini
Gambar 2 Buah tomat beef
Gambar 3 Bunga hias
Gambar 4 Rumah tanaman
Tujuan Penelitian
Adapun tujuan dalam penelitian ini adalah: 1) mendesain sistem kontrol
lingkungan-biologik (acuan optimal dan parameter optimal kontrol) berbasis
komputer untuk produksi tanaman pada rumah tanaman dalam bentuk perangkat
lunak (software prototype) yang juga memadukannnya dengan fasilitas pilihan
modus kontrol, 2) mengimplementasikan perangkat lunak yang dibangun (sebagai
salah satu contoh aplikasi), yaitu memprediksi lingkungan optimal (acuan) guna
mendapatkan produksi maksimum melalui pendugaan rasio luas kanopi-diameter
batang tanaman maksimum dan volume larutan nutrisi yang hilang (out flow)
minimum, 3) membangun model lingkungan-biologik dalam rumah tanaman,
dalam hal ini suhu dan kelembaban, 4) menentukan parameter optimal kontrol
modus fazi, dan PID sekaligus melakukan simulasi pada model lingkunganbiologik yang didapat, dan 5) melakukan simulasi kontrol dengan menggunakan
parameter optimal masingmasing modus kontrol pada lingkungan optimal yang
dihasilkan.
Manfaat Penelitian
Manfaat yang diharapkan dari hasil penelitian ini adalah: 1) memberikan
alternatif perangkat lunak untuk kontrol lingkungan-biologik bagi industri
tanaman dalam memproduksi komoditas hortikultura yang spesifik melalui
penyediaan fasilitas identifikasi dan optimasi, 2) memfasilitasi tersedianya pilihan
modus kontrol dalam bentuk perangkat lunak yang siap digunakan untuk berbagai
kebutuhan, dan 3) menyediakan informasi hasil implementasi dan simulasi
perangkat lunak sistem kontrol optimal lingkungan-biologik dalam rumah
tanaman sebagai bahan pertimbangan pemanfaatan dan pengembangan lebih
lanjut.
TINJAUAN PUSTAKA
Tanaman, Lingkungan, dan Rumah Tanaman

Faktor lingkungan berperanan sangat penting untuk pertumbuhan dan
perkembangan tanaman dengan kualitas prima. Karakteristik gen tertentu suatu
tanaman tidak akan muncul seperti yang diharapkan bila tidak didukung oleh
penyediaan kondisi lingkungan yang sesuai.
Parameter suhu dan cahaya mempengaruhi banyak reaksi kimia pada
tanaman, seperti proses fotosintesa dan respirasi. Tanaman yang ditanam pada
malam hari dengan suhu tinggi akan tumbuh lebih lambat dibandingkan bila
tanaman tersebut ditanam dengan suhu rendah. Hal ini disebabkan karbohidrat
yang terbentuk pada proses fotosintesa lebih banyak digunakan untuk respirasi
dari pada untuk pembentukan sel (Esmay dan Dixon 1986).
Salah satu upaya untuk mengendalikan lingkungan untuk kepentingan
tanaman digunakan rumah kaca.
Menurut Bot (1993), rumah kaca adalah
bangunan yang dirancang dengan struktur tertutup tembus cahaya (material

transparan) dalam upaya memanipulasi lingkungan untuk produksi tana man.
Energi matahari yang datang berupa gelombang pendek ditransmisikan
(dilalukan) melalui material transparan, ada yang terserap oleh tanah dan ada yang
terserap oleh tanaman.
Energi yang diemisikan (dipantulkan) kembali berupa
radiasi gelombang panjang yang tidak dapat dilepas ke udara luar.
Hal ini
kontribusinya sekitar 20% dari total energi didalam rumah kaca, (Takakura 1991).
Faktor utama yang menjadikan rumah kaca menjadi panas adalah udara yang
terhambat (stagnan) di dalam rumah kaca dan sedikitnya ventilasi.
Rumah tanaman berfungsi untuk memodifikasi lingkungan luar. Hal ini
bertujuan untuk pengontrolan lingkungan yang diperlukan tanaman pada kondisi
tertentu.
Modifikasi lingkungan dan pengontrolan dimungkinkan melalui
manipulasi pertukaran udara. Perbedaan antara cuaca di dalam rumah kaca dan
cuaca di luar rumah kaca disebabkan dua hal (Bot 1993).
Pertama adalah
terjebaknya udara. Udara di dalam rumah kaca terhalang oleh struktur, sehingga
pertukaran udara di rumah kaca dengan udara sekitar (di luar) sangat sedikit
10
dibandingkan udara bebas di luar. Selain itu kecepatan udara di dalam rumah
kaca kecil dibandingkan kecepatan udara di luar. Berkurangnya pertukaran udara
(ventilasi) mempengaruhi langsung keseimbangan energi, dan massa udara rumah
kaca. Kecepatan udara rendah di dalam mempengaruhi pertukaran energi, uap air,
dan CO2 antara udara rumah kaca dengan benda didalam rumah kaca (tanaman,
permukaan tanah, struktur rumah kaca dan sistem pendinginan).
Kedua adalah mekanisme radiasi. Radiasi gelombang pendek yang datang
langsung dari matahari yang terbias oleh langit dan awan berkurang karena
intersepsi cahaya oleh komponen opak dan transparan rumah kaca, sedangkan
pertukaran radiasi gelombang panjang di luar dan didalam rumah kaca berubah
karena sifat-sifat radiatif material penutup.
Gelas yang sebagian transparan untuk radiasi gelombang pendek yang
datang dan opak untuk radiasi gelombang panjang yang diemisikan dari dalam,
sehingga energi terjebak. Efeknya selain penting untuk menjelaskan peningkatan
temperatur di dalam rumah kaca juga diperlukan untuk menjelaskan iklim rumah
kaca karena secara langsung mempengaruhi semua keseimbangan energi dan
temperatur di dalam rumah kaca.
Penutup rumah kaca dengan koefisien transmisivitas tinggi akan
menghasilkan suhu yang lebih tinggi dari pada yang diharapkan karena solar gain.
Menurut Esmay dan Dixon (1986), solar gain mengikuti persamaan,
Qs = TI s A f
(1)
dimana Qs adalah Solar gain (watt), T adalah koefisien transmisivitas

penutup terhadap radiasi matahari, I s adalah Intensitas solar radiasi terhadap
bidang horizontal (watt/m2 ), dan A f adalah luas lantai rumah kaca (m2 ).
Aliran energi panas yang mengalir ke dalam dan ke luar rumah kaca dapat
melalui beberapa cara. Laju aliran yang paling besar adalah konduksi melalui
penutup dan material permukaan rumah kaca yang lain. Menurut Esmay dan
Dixon (1986), di dalam rumah kaca yang dibangun secara baik, kehilangan karena
konduktivitas mungkin lebih dari 90% dari total kehilangn panas. Kehilangan
panas karena konduksi dapat digunakan persamaan standar untuk keadaan mantap
berikut (Esmay dan Dixon 1986),
11
Qc = UA( t i to )
(2)
dimana: Qc adalah kehilangan panas karena konduksi (watt), U adalah

koefisien transmisi panas secara keseluruhan (w/m2 K), A adalah luas permukaan
rumah kaca (m2 ), ti adalah temperatur dalam (o C), dan to adalah temperatur luar
(o C).
Kehilangan panas yang terbesar kedua adalah melalui pertukaran udara di
dalam dan diluar (panas sensibel dan panas laten). Panas sensibel bergerak karena
perbedaan suhu udara yang datang dan yang keluar.
Panas laten berpindah
sebagai uap air evaporasi dan transpirasi. Menurut Esmay dan Dixon (1986),
panas sensibel dapat dihitung dengan persamaan berikut,
Qsa = WCp( t i t o )
(3)
dimana: Qsa adalah kehilangan panas sensibel (watt), W adalah aliran

massa udara (kj/detik), Cp adalah panas spesifik dari udara kering (kj/kg.K), ti
adalah suhu udara luar (o C), dan to adalah suhu udara dalam (o C).
Salah satu metode untuk menciptakan lingkungan tumbuh tanaman yang
terkontrol adalah dengan menggunakan teknologi rumah kaca (Bot 1993). Di
dalam rumah kaca, faktor lingkungan dapat lebih mudah dikendalikan untuk
mendapatkan kondisi pertumbuhan yang baik.
Pertumbuhan tanaman adalah kemajuan tanaman melalui tingkatan
hidupnya yang mungkin diukur dengan karakteristik vegetatif dan reproduktif,
seperti jumlah daun pada tanaman. Laju pertumbuhan tanaman sangat sensitif
dengan temperatur dan kadang-kadang dengan panjang hari, tetapi biasanya tidak
sensitif terhadap cahaya, CO2 dan faktor lain seperti air dan stres nutrisi kecuali
kondisi faktor tersebut dalam keadaan buruk (Jones 1991).
12
Jaringan Syaraf Tiruan (JST)

Secara struktur JST teridri dari simpul-simpul yang terhubung oleh
pembobot. Simpul-simpul masukan menerima nilai dari variabel- variabel bebas
dan dihubungkan melalui satu set pembobot ke satu atau lebih simpul
tersembunyi.
Simpul- simpul tersembunyi meniru terhubung melalui satu set
pembobot terhadap simpul-simpul keluaran yang menghasilkan nilainilai

perkiraan dari variabel- variabel terikat dari sistem jaringan.
Melalui paket
pembelajaran, nilainilai pembobot jaringan dimodifikasi sedemikian rupa yang

menggunakan suatu algoritma tertentu, misalnya Penjalaran balik.
Metode penjalaran balik telah terbukti sukses dalam proses training JST
multi lapisan. Jaringan tidak hanya diberi bantuan bagaimana mengerjakan tugas.
informasi tentang error juga dikontrol melalui sistem dan digunakan untuk
menjustifikasi hubungan antara lapisan- lapisan sehingga performa nsi jaringan
meningkat.
Penjalaran balik adalah suatu algoritma yang umumnya digunakan untuk
membelajarkan JST. Bobot jaringan dimodifikasi dengan cara meminimumkan
jumlah kuadrat error yang dihitung terhadap semua simpul-simpul keluaran.
Algoritma penjalaran balik adalah suatu bentuk penurunan gradien:
jaringan menurun bila terdefinisi dalam cakupan bobot jaringan.
Gradien
Probabilitas
bahwa nilai tersebut akan merupakan minimum local akan menurun dengan makin
meningkatnnya besar bobot.
Simpul, dalam konteks jaringan syaraf buatan, adalah suatu model syaraf
yang disederhanakan. Simpul-simpul menerima sejumlah sinyal masukan, dan
membangk itkan satu sinyal keluaran. Sinyal keluaran dapat merupakan fungsi
tidak linier, seperti fungsi sigmoid atau fungsi tangen hiperbola, dari penjumlahan
masukan.
13
x1
v ji
H1
y1
x2
w kj
I1
z1
x3
I2
z2
x4
zm
Im
xn-1
yh
Output layer
Hh
xn
Hidden layer
Input layer
Gambar 5 Struktur jaringan syaraf tiruan dengan banyak lapisan
Pada Gambar 5, struktur JST terdiri tiga lapisan yaitu lapisan masukan
(input layer), lapisan tersembunyi (hidden layer) dan lapisan keluaran (output
layer). Lapisan masukan mempunyai n simpul, lapisan tersembunyi mempunyai
h simpul dan lapisan keluaran mempunyai m simpul. Dimana xi adalah vektor

masukan,
i =1,2,3 n ; v ji adalah pembobot antara lapisan masukan dengan
lapisan tersembunyi, i =1,2,3n dan j =1,2,3 h ; wkj adalah pembobot antara

lapisan tersembunyi dengan lapisan keluaran, k =1,2,3 m ; xp adalah data
masukan training, p =1,2,3 p ; y pj adalah keluaran pada lapisan tersembunyi
unit ke- j dengan masukan xp ,, z pk adalah keluaran pada lapisan keluaran unit
ke- k ; t pk adalah target keluaran; dan f adalah fungsi aktivasi.
Algoritma aturan belajar penjalaran balik menurut Patterson (1996) adalah
sebagai berikut: pembobot awal pada JST diberi nilai secara acak. Perhitungan
nilai aktivasi feedforward dimulai dengan menjumlahkan hasil perkalian masukan
xi dengan pembobot vji dan menghasilkan Hj yang merupakan nilai masukan ke
14
fungsi aktivasi lapisan tersembunyi.
Kemudian keluaran yj pada lapisan
tersembunyi unit j merupakan hasil fungsi aktivasi f dengan masukan Hj. Hal ini
telah diformulasikan dalam persamaan 4 dan 5.
H j = v ji xi
i
(4)
y j = f (H j )
(5)
Nilai keluaran pada lapisan tersembunyi kemudian dikalikan dengan pembobot

wkj dan menghasilkan nilai Ik yang merupakan nilai masukan fungsi aktivasi
lapisan keluaran.
Nilai masukan zk pada lapisan keluaran dihitung dengan
menggunakan fungsi aktivasi f dengan masukan Ik . Hal ini telah diformulasikan

dalam persamaan 6 dan 7.
I k = wkj y j
j
(6)
z k = f (I k )
(7)
Secara ringkas zk dapat ditulis dalam persamaan berikut:
z k = f (I k ) = f wkj y j =
j
f wkj f (H j ) =
j
f wkj f v ji x i
i
(8)
dengan fungsi aktivasi berupa fungsi sigmoid sebagai mana berikut ini:
f (x ) =
1
1 + e x
(9)
turunan pertama fungsi sigmoid tersebut adalah sebagai berikut,
f ' (x) =
dimana
ex
(1 + e )
x 2
= f ( x )(1 f ( x ))
(10)
adalah gain atau slope fungsi sigmoid. Selanjutnya pelatihan pada JST
(pembobotan) dilakukan dengan menimumkan total error untuk semua data

melalui koreksi pembobot.
Rata-rata total error merupakan merupakan error
keluaran untuk semua pasang data training yang dapat ditulis sebagai berikut,
Etot =
1 p p
E
p p =1
(11)
Pada pembelajaran dengan prosedur koreksi pembobot (delta rule),nilai

koreksi pembobot sebanding dengan pengurangan error relative terhadap
15
perubahan pembobot yang disebut Gradient Descent Method. Koreksi pembobot

dapat ditulis sebagai persamaan berikut:
W (s + 1) = E p / W (s )
(12)
dimana ? adalah laju pembelajaran (konstanta yang nilainya 0< ? <1).

Persamaan di atas dapat ditulis lebih lengkap untuk setiap pembobot
adalah sebai berikut:,
E p / W = E p / v11, E p / v12 ,...., E p / w11,....., E p / whm
(13)
Berdasarkan persamaan 8 dan 10 maka perubahan total error sistem dapat ditulis
sebagai berikut
Etot 1 p E p
=
W
p p=1 W
(14)
dimana E adalah sebagai berikut:

E=
1 m p
p
t k zk
2 k =1
(15)
dengan demikian koreksi pembobot (weight adjustment) adalah parsial E

terhadap pembobot vji dan wkj. Secara ringkas pengkoreksi pembobot antara
lapisan keluaran dengan lapisan tersembunyi adalah sebagai berikut,
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)
dan pengkoreksi pembobot antara lapisan tersembunyi dengan lapisan masukan

adalah sebagai berikut,
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)
Untuk mempercepat konvergen, ditambahkan inersia atau momentum,

yaitu dengan menambahkan pengkoreksi pembobot sebelumnya ke pengkoreksi
16
pembobot sekarang.
Sehingga pengkoreksi pembobot antara lapisan keluaran
dengan lapisan tersembunyi berturut-turut ditulis seperti berikut ini,
wkj (t + 1) =
v ji (t + 1) =
E
+ wkj (t )
wkj
(20)
E
+ v ji (t )
v ji
(21)
dimana a adalah momentum (konstanta 0<a<1).

Proses perhitungan pembobot antara lapisan keluaran dan lapisan
tersembunyi dilakukan dengan persamaan berikut:
wkjnew = wkjold + wkj (t + 1)
(22)
dan pembobot antara lapisan tersembunyi dengan lapisan masukan dilakukan

dengan persamaan berikut,
( )
v new
= v old
ji
ji + v ji t + 1
(23)
Keseluruhan proses ini dilakukan pada setiap contoh dan setiap iterasi.
Proses pemberian contoh atau pasangan masukan dan keluaran, perhitungan nilai
aktifasi dan pembelajaran dengan mengkoreksi pembobot dilakukan terus
menerus sampai didapatkan nilai pembobot dengan nilai total error sistem
mencapai minimum global.
Laju pembelajaran (learning rate).
Penentuan laju pembelajaran akan
sangat menentukan kecepatan pelatihan sampai JST mencapai keadaan optimal.

Nilai laju pembelajaran dipilih 0< ? <1. Penentuan laju pembelajaran merupakan
yang penting karena laju pembelajaran yang besar akan membuat JST melewati
minimum lokal akan tetapi sistem akan berisolasi sehingga tidak mencapai
konvergensi. Sebaliknya jika nilainya terlalu kecil menyebabkab sistem terjebak
pada pada minimum lokal dan memerlukan waktu yang lama untuk proses
pelatihan. Sehingga tujuan pelatihan algoritma back propogation untuk
memperkecil error hingga mencapai minimum global tidak tercapai.
Untuk
menghindari hal tersebut maka suatu konstanta momentum yang nilainya 0< ? <1
perlu ditambahkan kedalam sistem. Dengan cara tersebut laju pembelajaran bisa
dipilih dengan nilai cukup besar dan osilasi sistem dapat diminimalkan.
17
Penghentian Pelatihan
Pelatihan JST dengan back propagation dilakukan terus menerus sehingga
nilai error minimum global tercapai. Penghentian berdasarkan gradien adalah
pelatihan dihentikan bila harga error telah mencapai nilai nilai sangat kecil. Akan
tetapi gradien yang bernilai kecil tidak selalu berati bahwa JST berada dekat titik
minimum, karena semua titik minimum, titik maksimum dan titik belok stasioner
mempunyai nilai gradien sama dengan nol. Sehingga kelemahan metode ini
adalah terletak pada penghentian pada titik yang mungkin keliru.
Penghentian
berdasarkan
jumlah
kuadrat
error
adalah
dengan
menghentikan pelatihan jika kesalahan telah mencapai nilai dibawah ambang yang
telah ditentukan.
Metode ini membutuhkan pengetahuan mengenai nilai
minimum tersebut.
Penghentian berdasarkan jumlah iterasi, yaitu proses pelatihan dihentikan
bila jumlah iterasi telah dilakukan dengan suatu kepercayaan bahwa jumlah iterasi
tertentu akan mencapai minimum global.
Validasi silang, suatu metode yang dalam pelatihannya menggunakan
suatu set data lain untuk menguji proses pelatihan. Pelatihan dihentikan jika
kinerja generalisasi tidak lagi membaik. Metode ini dilakukan dengan membagi
pasangan pelatihan menjadi dua kelompok yaitu: himpunan pelatihan dan
himpunan validasi.
Algoritma Genetika (AG)

Salah satu teknik optimasi yang makin banyak digunakan akhir-akhir ini
adalah algoritma genetika (Gambar 6).
Penggunaannya dalam kontrol
greenhouse, diantaranya dikemukakan oleh Ursem et al. (2002).
Algoritma
genetika menggunakan analog fenomena natural, yaitu adaptasi evolusi biologis,

dimana individu- individu terbaik dalam suatu populasi akan mengalami
persilangan-persilangan dan mutasi- mutasi dimana yang lebih baik dapat
bertahan, sedangkan yang lemah akan punah.
Populasi
terdiri
dari
individu- individu
yang
masingmasing
mempresentasikan penyelesaian yang mungkin untuk suatu permasalahan.
18
Masing- masing individu, yang dalam hal ini dipersamakan dengan kromosom,
mempunyai nilai fitness yang bersesuaian dengan kelayakan solusi permasalahan.
Beberapa individu dalam populasi dengan nilai fitness lebih baik berpeluang
untuk beriterasi (reproduksi). Dalam prosesnya akan terjadi rekombinasi (cross
over) dan mutasi.
Setelah mengalami seleksi akan menghasilkan individu-
individu baru yang diharapkan merupakan sekumpulan solusi yang paling

mungkin, yang pada gilirannya iterasi dihentikan dan dipilih satu solusi yang
paling mungkin.
Salah satu kelebihan algoritma genetika adalah relatif sederhana karena
kemampuannya untuk belajar dan beradaptasi, yaitu hanya memerlukan informasi
tentang struktur kromosom (individu) dan bentuk fungsi fitness dari permasalahan
yang dihadapi kemudian akan mencari sendiri solusi terbaik untuk permasalahan
yang dihadapi (Yandra dan Hermawan 2000).
Algoritma genetika menggunakan analogi langsung dari sifat natural.
Algoritma ini menggunakan populasi dari individu- individu yang masingmasing
mewakili penyelesaian yang mungkin untuk problem yang diberikan.
Masing-
masing individu mempunyai nilai fungsi fitness sesuai dengan kelayakan pada
penyelesaian problem. Individu yang sangat fit memperoleh kesempatan untuk
rekmobinasi dengan individu- individu dalam populasi. Proses ini menghasilkan
individu- individu baru sebagai keturunannya yang memiliki sifat induknya.
Individu yang nilai fungsi fitness lemah tidak akan dipilih untuk reproduksi
sehingga spesiesnya akan punah.
Selain cross over antar individu, pada evolusi alam juga dikenal mutasi.
Yaitu perubahan pada individu yang tidak dipengaruhui oleh individu yang lain.
Setelah mengalami cross over jumlah individu bertambah dalam populasi. Untuk
menghasilkan generasi berikutnya hanya dipilih individu yang mempunyai nilai
fitness yang terbaik.
Agar jumlah populasi sama dengan populasi generasi
sebelumnya maka individu dengan nilai fitness rendah dibuang. Proses ini diulang
sampai generasi yang diinginkan atau nilai fungsi fitness yang tinggi untuk
penyelesaian permasalahan.
Algoritma genetika (AG) mempunyai karakteristik yang berbeda dengan
prosedure pencarian atau teknik optimasi lainnya. Berikut ini adalah karakteristik
19
GA sehingga membedakan dengan teknik optimasi lainnya:
1) AG bekerja
dengan pengkodean dari himpunan solusi permasalahan berdasarkan parameter

yang telah ditetapkan, dan bukan parameter itu sendiri, 2) AG melakukan
pencarian pada sebuah populasi dari sejumlah individu- individu yang merupakan
solusi permasalahan, bukan dari hanya sebuah individu, 3) AG menggunakan
informasi fungsi objektif (fitness), sebagai cara untuk mengevaluasi individu yang
mempunyai solusi yang terbaik, bukan turunan dari suatu fungsi, dan 4) AG
menggunakan
aturan-aturan
transisi
probabilistik,
bukan
aturan-aturan
deterministik.
Variabel-variabel yang digunakan pada algoritma genetika adalah sebagai
berikut: 1) Fungsi fitness, yang dimiliki oleh masingmasing individu untuk
menentukan tingkat kesesuaian individu tersebut dengan kreteria yang ingin
dicapai. Fitness ini yang akan dimaksimalkan dengan penerapan algoritma
genetika, 2) Populasi jumlah individu yang dilibatkan dalam setiap generasi, 3)
Peluang (probabilitas) terjadi rekombinasi pada suatu generasi, 4) Peluang terjadi
mutasi pada setiap transfer bit, dan 5) Jumlah generasi yang akan dibentuk yang
menentukan lama dari penerapan algoritma genetika.
Representasi atau pengkodean merupakan bagian terpenting dari AG.
Setiap individu diwakili oleh sebuah kromosom yang tersusun beberapa gen.
Setiap parameter dipresentasikan oleh gen. Gen-gen tersebut berbentuk nilai
dalam tipe string. String tersebut biasanya dalam bentuk biner, desimal, alfabet
ataupun kode lain yang dapat digunakan untuk mempresentasikan suatu parameter
yang akan dicari. Jika menggunakan biner maka nilai biner tersebut dijadikan
desimal dan dinormalisasi kedalam nilai minimum dan maksimum setiap
parameter.
20
Populasi awal
Fungsi fitness
Pengurutan
dan seleksi
Rekombinasi
Mutasi
Tidak
Fungsi fitness
Seleksi
Generasi > target generasi

Ya
Selesai
Gambar 6 Tahapan algoritma genetika
Sistem Kontrol Umpan Balik

Menurut terminologi, kontrol umpan balik (feedback control) adalah
algoritma kontrol atau sistem dimana keluaran kontrol dihitung berdasarkan hasil
keluaran variabel proses. Kontrol adaptif adalah kontrol yang parameternya dapat
disesuaikan menurut kondisi ril dan mekanisme untuk menyesuaikan parameter
tersebut tersedia.
Kontrol optimal adalah kontrol yang mengkombinasikan
optimisasi dengan teori kontrol untuk menentukan performansi sistem kontrol

sehingga sistem kontrol memberikan respon seefisien mungkin terhadap variabel
21
yang berubah menurut waktu atau dengan kata lain mendapatkan performansi
kontrol yang dapat meminimalkan fungsi biaya.
Sistem kontrol adaptif lingkungan-biologik (SKALB) adalah sistem
perangkat lunak yang menyediakan fasilitas kontrol yang acuannya atau set point
(lingkungan optimal) dapat disesuaikan menurut kondisi produk tanaman yang
diinginkan, dapat berbasis kuantitas, kualitas, maupun selera dan menyediakan
fasilitas pilihan modus kontrol agar variabel proses besarnya sama dengan acuan
atau dengan kata lain agar error hasil respon sistem kontrol kecil dan stabil
disemua daerah operasi. Disini terdapat dua pemecahan optimasi, yaitu
lingkungan optimal untuk dijadikan acuan dan parameter optimal kontrol untuk
mendapat performansi yang diinginkan.
Dari penjelasan di atas, terdapat perbedaan antara SKALB dengan kontrol
adaptif.
Istilah adaptif pada SKALB dikaitkan dengan penyesuaian acuan
terhadap produk yang diinginkan sedangkan pada kontrol adaptif dikaitkan

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

Kontrol yang didesain dalam sistem kontrol adaptif lingkungan-biologik
ini merupakan kontrol umpan balik yang mencakup empat tahap pengontrolan,
yaitu mengukur, membandingkan, menghitung, dan mengoreksi. Tiga tahap dari
empat langkah pengontrolan dikelompokkan ke pengontrol (controller), yaitu
membandingkan antara acuan dengan variabel proses (besaran lingkungan-
22
biologik), menghitung berapa banyak koreksi yang perlu dilakukan, dan

mengeluarkan sinyal koreksi sesuai dengan hasil perhitungan.
Sedangkan langkah atau algoritma menghitung besarnya koreksi dilakukan
oleh modus kontrol, seperti fazi dan PID. Masukan modus kontrol adalah error
dan perubahan error dan keluarannya adalah sinyal koreksi atau variabel
manipulasi yang dapat diubah-ubah besarnya agar variabel proses atau varabel
kontrol besarnya sama dengan acuan.
Upaya untuk mempertahankan varibel
proses dengan acuannya, masing masing modus kontrol mempunyai parameterparameter. Parameter-parameter ini harus optimal. Bila tidak, sistem kontrol
akan mudah menjadi tidak stabil bila terjadi perubahan acuan atau gangguan.
Untuk menentukan parameter optimal kontrol dalam SKALB ini menggunakan
operator algoritma genetika.
Kontrol menggunakan logika fazi diklasifikasikan dalam kontrol moderen
(advanced control) sedangkan PID diklasifikasikan dalam kont rol klasik (Haley
dan Mulvaney 1995). Namun demikian bukan berarti kontrol moderen selalu
lebih baik dari kontrol klasik. Banyak faktor yang mempengaruhinya, antara lain
karakteristik dari proses yang akan dikontrol dan kondisi aktuator.
Hasil
penelitian Shieh et al. (1992) menunjukan bahwa pengontrolan suhu produk pada
temperatur tinggi dalam waktu singkat (high-temperature short-time heat
exchanger), dengan kontrol PID lebih baik dibandingkan dengan kontrol fazi.
Hasil penelitian lainnya, yaitu oleh Morimoto dan Hashimoto (1991)
menunjukkan bahwa performansi
penerapan modus kontrol fazi dan jaringan
syaraf buatan untuk pengontrolan pH pada budidaya hidroponik lebih baik dari
kontrol klasik.
Selain penerapannya untuk mengontrol suhu, modus kontrol PID juga
pernah diterapkan untuk mengontrol konsentrasi O2 terlarut dan derajat keasaman
(Oeggerli et al. 1995). Bagaimanapun modus kontrol PID tidak dapat diterapkan
untuk mengontrol semua variabel proses. Akhir-akhir ini, dalam perkembangan
kontrol, kontrol PID biasanya dijadikan pembanding (standar), atau juga
pengembangan kontrol baru tersebut bertitik-tolak dari kontrol ini, seperti yang
dilakukan oleh Chao dan Gates (1996); Chotai dan Young (1991); Chotai et al.
(1991), Dantigny dan Lakrori (1991); dan Driscoll et al. (1995).
23
Sistem kontrol adaptif lingkungan-biologik (SKALB) dikembangkan

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

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

LINGKUNGAN-BIOLOGIK
Konsep Sistem Kontrol Adaptif Lingkungan-biologik

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

optimal sebelum dilakukan pengontrolan. Untuk menentukan kondisi lingkungan
optimal perlu dicari hubungan matematis (model) antara lingkunga n dengan
produk yang diinginkan, dapat berbasis kuantitas, kualitas, maupun selera.
Pengertian lingkungan-biologik yang kedua adalah penempatan sensor
masukan disekitar kanopi untuk mendeteksi lingkungan di sekitar tanaman berikut
respirasi, dan transpirasi. Hal ini dianggap representasi dari rata-rata kondisi yang
ingin dikontrol guna menghasilkan produk panen yang diinginkan.
Kebutuhan sensor keluaran pada properti produk yang diinginkan tidak
perlu secara langsung.
Maksudnya pada waktu pengontrolan pendeteksian
keluaran (produk) tidak diperlukan lagi. Karena pendeteksian properti produk

tidak diperlukan dalam operasi real time kontrol maka data keluaran dapat
dikumpulkan baik secara destruktif maupun tidak destruktif. Dengan kata lain
bagian produk yang diinginkan dapat dianalisa atau diukur dengan cara dirusak
25
atau dengan tidak dirusak. Hal ini memungkinkan untuk memilih properti produk
apa yang menjadi target, dan keluwesan ini menjadikan SKALB lebih aplikatif.
Pada konsep speaking plant yang dikemukakan Hashimoto (1989), kondisi
lingkungan optimal (acuan optimal) ditentukan oleh komputer secara on-line.
Proses pengambilan keputusan ini memerlukan waktu sedangkan kondisi
lingkungan terus berubah (tidak konstan).
Bila dikembangkan di Indonesia,
khususnya untuk saat ini, maka konsep ini kurang berdaya guna.
Karena
kecepatan komputer dan sistem sensor juga belum memadai untuk mendukung
proses yang demikian.
Sehubungan hal di atas, maka SKALB didesain secara off-line untuk
menentukan lingkungan optimal dan parameter kontrol optimal dengan tidak
menutup kemungkinan untuk operasi on-line, yang tentunya perlu penyesuaian
seperlunya bila memang perangkat keras yang mendukungnya tersedia.
Aplikasi kontrol adaptif secara real time (Gambar 10) dilakukan setelah
penentuan acuan optimal dan parameter optimal kontrol. Acuan selain dapat
ditentukan melalui fasilitas yang disediakan juga dapat didasarkan dari literatur
atau pengalaman setempat, sesuai dengan kebutuhan. Fasilitas sistem kontrol
optimal lingkungan-biologik dapat digunakan untuk mengontrol kebutuhan
penggunaan sarana produksi agar tidak berlebihan, yang pada gilirannya bila tidak
dikontrol akan berakibat pada kerugian ekonomi atau lingkungan. Selain itu, juga
dapat
digunakan
untuk
mamanipulasi
lingkungan-biologik
dalam
upaya
mendapatkan produk dengan kuantitas, kualitas dan selera yang diharapkan.

Perangkat lunak sistem kontrol optimal lingkungan-biologik yang
dikembangkan ini dapat digunakan mendukung usaha agribisnis yang lebih
memilih teknologi spesifik dalam memproduksi komoditas pertanian dengan
kualitas prima di dalam rumah tanaman, khususnya tanaman hortikultura.
Aplikasi real time SKALB dirancang untuk mengakomodasi interface
card PCL 812 PG.
akuisisi data.
Selain untuk pengontrolan juga dapat digunakan untuk
Data dapat ditampilkan secara langsung melalui layar maupun
direkam. Data yang direkam dapat diekspor ke program umum, seperti excel dan
notepad.
26
Estimasi parameter optimal

kontrol melalui simulasi
Identifikasi
JST
Optimasi
ALGORITMA GENETIKA
LINGKUNGAN
DI LUAR RUMAH TANAMAN
Model
PINDAH PANAS
Model lingkungan
PARAMETER OPTIMAL
KONTROL
ACUAN
Kontrol
PID dan FAZI
LINGKUNGAN
BIOLOGIK
PRODUK
TANAMAN
PROSES
CITRA
_
Identifikasi
JST
Sensor
Kontrol (real time)
Identifikasi acuan
optimal
LINGKUNGAN
OPTIMAL
Model tanaman
Optimasi
ALGORITMA GENETIKA
Gambar 7 Arsitektur struktur sistem kontrol adaptif lingkungan-biologik dalam rumah tanaman.
27
Struktur Sistem Kontrol Adaptif Lingkungan-biologik

Acuan optimal diperoleh dari parameter lingkungan optimal yang
didasarkan pada hasil maksimal produk ya ng dipanen baik secara kualitas,
kuantitas, maupun selera, tergantung kondisi produk yang diinginkan. Kondisi
lingkungan optimal tidak selalu berarti lingkungan diharapkan meningkatkan
pertumbuhan tanaman.
Kadang-kadang cekaman (stress) lingkungan dapat
menghambat pertumbuhan tetapi meningkatkan kualitas, seperti perlakuan

cekaman air terhadap tanaman sayuran yang dapat meningkatkan kerenyahan, hal
ini termasuk kondisi optimal yang dikaitkan dengan peningkatan kualitas.
Perlakuan lingkungan dapat mempengaruhi rasa pada nenas, bau pada
tembakau, dan lainlain. Disamping itu, tanaman juga mempunyai daya adaptasi
terhadap perubahan kondisi lingkungan. Jadi kondisi lingkungan optimal dapat
berbeda-beda, tergantung untuk kebutuhan apa lingkunga n itu dimanipulasi.
Hal di atas menunjukkan bahwa kondisi lingkungan-biologik optimal
tanaman tidak konstan, sehingga perlu disediakan fasilitas penentuan acuan
tersebut untuk mengantisipasi kebutuhan yang diinginkan.
Pada fasilitas
penentuan acuan optimal (Gambar 8) terdapat sub sistem model tanaman dan
sensor citra (Gambar 11). Operator model tanaman dan optimasi yang digunakan,
masing masing adalah jaringan syaraf buatan (JST) dan algoritma genetika (AG).
Parameter optimal kontrol dihubungkan dengan bias (error) yang
minimum dan performansi kontrol yang stabil. Pada fasilitas penentuan parameter
optimal kontrol terintegrasi dengan sistem simulasi (Gambar 9). Disini parameter
optimal kontrol ditentukan melalui simulasi dengan pilihan menggunakan
operator JST atau model pindah panas. Hubungan lingkungan di luar dan di
dalam rumah tanaman (lingkungan biologik) dijelaskan oleh model lingkungan
(Gambar 12).
Kemudian ditentukan parameter kontrol optimal menggunakan
operator algoritma genetika.
Adapun fasilitas pilihan menu kontrol yang
disediakan adalah fazi, PID, P, PI dan PD.
28
LINGKUNGAN
BIOLOGIK
ACUAN
PRODUK
TANAMAN
PROSES CITRA
Identifikasi
JST
Model tanaman
LINGKUNGAN
OPTIMAL
Gambar 8 Struktur sistem identifikasi acuan optimal
Optimasi
ALGORITMA GENETIKA
29
Identifikasi
JST
Optimasi
ALGORITMA GENETIKA
LINGKUNGAN
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
Gambar 10 Struktur sistem kontrol real time
LINGKUNGAN
BIOLOGIK
PRODUK
TANAMAN
PROSES CITRA
Identifikasi
JST
Gambar 11 Struktur model tanaman
Komponen Struktur Sistem Kontrol Adaptif Lingkungan-biologik

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

Adapun algoritma komponen JST penjalaran balik (Gambar 13) adalah
pertama-tama memberikan vektor masukan X=(1,2, 6)T . Kemudian secara
berturut-turut menghitung: masukan total dari setiap simpul pada lapisan
tersembunyi (pers 24), keluaran dari setiap simpul pada lapisan tersembunyi (pers
25), masukan total dari setiap simpul pada lapisan keluaran (pers 26),
31
Identifikasi
JST
LINGKUNGAN
Model
PINDAH PANAS
LINGKUNGAN
BIOLOGIK
Gambar 12 Struktur model lingkungan
keluaran dari setiap simpul pada lapisan keluaran (pers 27), error dari setiap
simpul pada lapisan keluaran (pers 28), error dari setiap simpul pada lapisan
tersembunyi (pers 29), bobot pada lapisan tersembunyi (pers 30), dan mengubah
harga bobot pada lapisan keluaran (pers 31).
Adapun persamaan-persamaan yang dimaksud adalah sebagai berikut,
n
M hj = W hij X i
(24)
h
M hj = f j ( M hj)
(25)
i =1
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)
W ijo (t + 1) = W oij (t) + ? d hj X i
(30)
W ojk (t + 1) = W ojk (t) + ? d ok X hj
(31)
k =1
32
Waktu Tunda
Waktu Tunda
M hj
Xi
Yc(t -1)
x=1
.
Yl(t -1)
x=2
.
Xn(t)
x=3
.
Xs(t)
x=4
.
Xh(t)
x=5
.
Xr(t)
x=6
.
Wijh
J=1
.
J=2
.
o
W jk
M ko
k=1
.
Yc(t)
k=2
.
Yl(t)
.
.
.
J=n
.
Gambar 13 Arsitektur JST respon dinamik
Algoritma Genetika
Komponen algoritma genetika tiruan (Gambar 14) dicirikan dengan
kodefikasi kumpulan solusi acak yang disebut populasi.
(kromosom) dalam populasi merupakan calon solusi.
Setiap individu
Individu- individu ini
kemudian berevolusi melalui beberapa iterasi atau sering disebut generasi. Pada
setiap iterasi, individu dievaluasi menggunakan fungsi fitness. Individu yang nilai
fitness lebih tinggi akan terus dipertahankan dan akan mengalami rekombinasi dan
mutasi.
Hasil dari rekombinasi dan mutasi adalah individu- individu baru yang
mewarisi sifat solusi dari iterasi sebelumnya. Rekombinasi antara individu yang
nilai fitness lebih baik diharapkan menghasilkan individu yang nilai fitnessnya
lebih baik pula.
Setelah beberapa iterasi algoritma ini akan menghasilkan
individu terbaik yang diharapkan merupakan solusi optimal dari permasalahan

yang dihadapi.
Proses-proses dalam algoritma genetika tiruan, seperti pada proses
kodefikasi, rekombinasi, mutasi dan evaluasi mempunyai banyak metode, dan kini
semakin berkembang. Algoritma ini biasanya dibangun dalam bentuk perangkat
33
lunak (komputasi) dan pada aplikasinya menggunakan parameter-parameter

ukuran populasi, probabilitas rekombinasi (Pc), probabilitas mutasi (Pm) dan
banyaknya iterasi.
Kesemuanya ditujukan untuk menghasilkan iterasi yang
konvergen dan menghindari optimum lokal. Adapun algoritma genetika dengan

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

penelitian ini dicobakan dua fungsi fitness sebagai berikut,
n
1
F1 = 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)
dimana F1 adalah fungsi fitness 1, F2 adalah fungsi fitness 2, dan , adalah

koefisien untuk Yc (t) adalah rasio luas kanopi-diameter batang (rasio kanopidiameter) pada saat t (cm2 /cm), Yl (t) adalah outflow (nutrisi yang hilang) pada saat
t (ml), c adalah konstanta, i adalah data ke-i, dan n adalah data ke-n.
Persamaan (32) dan (33) disusun dengan tujuan untuk memaksimalkan
nilai fitness (f), yang pada prinsipnya untuk memaksimalkan rasio kanopidiameter dan meminimalkan limpasan nutrisi.
Jadi disini limpasan nutrisi
34
merupakan faktor pembatas atau pengendali dari faktor rasio kanopi-diameter.

Konstanta c sebagai antisipasi untuk menghindari variabel Yl(t) sama dengan nol,
untuk mengakomodasi keperluan tersebut tetapi juga diharapkan nilai c ini tidak
berpengaruh signifikan, maka ditentukan nilai c adalah 10-6 . Fungsi tujuan yang
digunakan adalah jaringan syaraf tiruan (JST) respon dinamik.
Seleksi dan Urutan Data.
Seleksi didasarkan pada parameter ukuran
populasi (jumlah solusi) mula- mula, artinya jumlah solusi dipertahankan tetap.
Banyaknya penambahan solusi sabagai hasil dari rekombinasi, banyaknya
tergantung nilai parameter ukuran populasi dan probalitas rekombinasi (Pc),
ditiadakan.
Adapun prosesnya adalah dengan cara mengabungkan terlebih dahulu
seluruh individu sebelumnya dengan individu hasil rekombinasi, kemudian
diurutkan sesuai dengan nilai fitness dan diambil sejumlah yang terbaik sesuai
dengan parameter ukuran populasi mula-mula. Nilai fitness disusun berurut, yang
disimpan dalam array 1 sedangkan data populasi (kumpulan solusi) disimpan
dalam string array 2. Series data didasarkan pada perubahan nilai fitness yang
disimpan di array 1 sedangkan string solusi pada array 2 hanya menyesuaikan.
Dengan cara demikian urutan nilai fitness akan bersesuaian dengan urutan solusi.
Rekombinasi. Rekombinasi (cross over) dilakukan secara acak pada solusisolusi terseleksi yang mempunyai nilai fungsi fitness tertinggi dalam satu iterasi.
Dan jumlahnya yang mengalami rekombinasi didasarkan pada besarnya parameter
probabilitas rekombinasi (Pc). Misalnya nilai Pc adalah 0,2, maka diharapkan
20% dari populasi akan mengalami rekombinasi, yaitu 5 dari 25 solusi. Karena
untuk melakukan rekombinasi jumlah solusi harus genap, maka jumlah yang
ganjil digenapkan ke bawah. Untuk kasus di atas, jumlah solusi yang mengalami
rekombinasi adalah empat. Pada Solusi-solusi tersebut dilakukan pemotongan
pada empat tempat (karena ada 4 variabel). Rekombinasi hanya terjadi pada
variabel variabel yang bersesuaian, misalnya antara variabel suhu pada solusi 1
dengan variabel suhu pada solusi 2, demikian seterusnya.
35
Mutasi. Mutasi terjadi pada level gen dan dilakukan secara acak dengan
cara membangkitkan bilangan random. Bilangan random dibangkitkan sebanyak
jumlah gen pada populasi. Bila bilangan random untuk gen pada solusi tersebut
lebih kecil dibandingkan dengan parameter probabilitas mutasi (Pm) maka gen itu
akan mengalami mutasi, yaitu string 0 akan berubah menjadi 1 atau sebaliknya.
Jumlah gen yang mengalami mutasi didasarkan pada. parameter Pm. Misalnya
nilai Pm adalah 0,01, maka diharapkan 1% dari populasi akan mengalami mutasi,
yaitu 8 dari 800 gen.
Jumlah 800 gen merupakan hasil dari asumsi jumlah
populasi adalah 25 solusi, masingmasing solusi terdiri 4 variabel, dan masingmasing variabel mempunyai panjang 8 gen.
Mulai
Kumpulan solusi mula-mula
Fungsi fitness =(JST d inamik)
Seleksi (e litis)
Rekombinasi
Mutasi
Fungsi fitness =(JST d inamik)
Seleksi (elitis)
Belum
Target generasi,
Ya
Solusi terbaik
Selesai
Gambar 14 Arsitektur algoritma genetika dengan fungsi fitness JST

respon dinamik
36
Iterasi. Iterasi adalah proses pengulangan pada tahap rekombinasi, mutasi,

evaluasi (penghitungan nilai fitness, dalam hal ini menggunakan bobot JST respon
dinamik), dan seleksi. Penentuan banyaknya iterasi memperhatikan kemungkinan
terjebak pada maksimum lokal, artinya kalaupun hasil iterasi konvergen tetapi
terkondisi pada optimum lokal tujuan penyelesaian optimasi dengan algoritma
genetika tidak akan tercapai.
Kontrol Fazi
Teknik logika fazi telah banyak diaplikasikan dalam sistem kont rol. Antara
lain, aplikasi pada pengontrolan posisi (Rohmanuddin 1994) dan aplikasi pada
pengendalian suhu (Saptomo 1995).
Struktur komponen kontrol fazi dapat dilihat pada Gambar 15.
Adapun
tahapannya secara ringkas adalah: 1) menghitung error dan beda error, 2)

fazifikasi, 3) menentukan aturan kontrol (matrik keputusan) dan menghitung nilai
maksimum, dan 4) defazifikasi.
Pertama-tama dilakukan fazifikasi terhadap error (e) dan beda error (de)
yang didapat dari selisih antara acuan dengan kondisi aktual.
Beda error
merupakan selisih antara error pada saat waktu t(e(t)) dengan error pada saat
waktu t (e(t - t)). Secara matematik error dan beda error dinyatakan dalam
persamaan berikut,
e( t ) = Tac ( t ) Tak ( t )
(34)
de e( t ) e( t t )
=
dt
t
(35
bila t=1, dan pers 34 disubtitusikan ke pers 35, maka persamaan menjadi,
de = e( t ) e( t 1 )
(36)
de( t ) ( Tac( t ) Tak ( t )) ( Tac( t t ) Tak ( t t ))

=
dt
t
(37)
de( t ) Tak ( t t ) Tak ( t )

=
dt
t
(38
37
Kemudian menentukan himpunan fazi dari kedua masukan kontrol, yaitu

error (e) dan beda error (de), serta keluaran kontrol (u) ke dalam nilai linguistik
dan ditentukan derajat keanggotaannya (Gambar 16).
Nilai linguistik untuk
ketiganya dibuat sama, yaitu NB, NS, NK, ZO, PK, PS dan PB.
Fungsi
keanggotaan yang digunakan adalah fungsi segitiga. Adapun penentuan derajat

keanggotaan adalah mengikuti persamaan berikut,
y y2
x x2
=
y1 y 2 x1 x 2
(39)
Pada Gambar 12, x adalah error (e), y adalah derajat keanggotaan error
(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)
Setelah hasil penentuan derajat keanggotan dan nilai linguistik (fazifikasi)

dan disimpan sebagai basis data, kemudian dilanjutkan dengan menentukan aturan
kendali. Aturan kontrol fazi (Tabel 1) dibuat dalam bentuk aturan jika- maka dan
terdapat hubungan antar aturan (fuzzy reasoning).
Misalnya, terdapat hubungan empat aturan berikut: 1) Error (e) adalah
NK dengan derajat keanggotaan NK(e), beda error (de) adalah PK dengan derajat
keanggotaan PK(de), 2) error (e) adalah ZO dengan derajat keanggotaan ZO(e),
beda error (de) adalah PS dengan derajat keanggotaan PS(de), 3) error (e) adalah
NK dengan derajat keanggotaan NK(e), beda error (de) adalah PS dengan derajat
keanggotaan PS(de), dan 4) error (e) adalah ZO dengan derajat keanggotaan
ZO(e).
38
Kemudian e dan de dengan derajat keanggotaan masingmasing dijadikan

masukan untuk menentukan keluaran (U). Adapun aturan dibuat sebagai berikut:
1) jika e adalah NK dan de adalah PK maka u adalah ZO, 2) jika e adalah ZO dan
de adalah PS maka u adalah PS, 3) jika e adalah NK dan de adalah PS maka u
adalah PK, dan 4) jika e adalah ZO dan de adalah PK maka u adalah PK.
Adapun bobot nilai w1 , w2 , w3 , dan w4 adalah,
w1 = NK ( e ) x PK ( de )
(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
Gambar 15 Struktur komponen kontrol fazi
Keluaran dari inferensi (fuzzy reasoning) masih berupa label linguistik

dengan derajat keanggotaan tertentu. Untuk itu perlu proses defazifikasi , yaitu
menterjemahkan keputusan dalam label linguistik kedalam nilai numerik sehingga
dapat digunakan dalam proses kontrol.
Pada kontrol ini, fungsi keanggotaan
keluaran u dianggap singleton, yaitu setiap label memiliki satu anggota dan
39
derajat keanggotaannya satu. Bila nilai w mempunyai nilai label yang sama pada
fungsi output u maka nilai w yang digunakan adalah nilai w yang terbesar dan
yang lainnya dianggap nol. Sehingga persamaan defazifikasi adalah sebagai
berikut,
n
u = wi ui
i =1
wi
(47)
i =1
dimana u adalah keluaran kontrol, wi adalah bobot nilai, ui adalah nilai

label ke- i, dan n banyaknya derajat keanggotaan.
Secara ringkas algoritma kontrol fazi adalah:
menghitung error, beda
error, fazifikasi, menentukan aturan kontrol (matriks keputusan) dan menghitung

nilai maksimum, defazifikasi dan keluaran ke aktuator.
Untuk kebutuhan tuning, error dan beda error dibagi dengan suatu faktor,
masingmasing disebut dengan parameter P1 dan P2 .
e=
Tac T
ak
P1
e e2
de = 1
P2
Demikian juga, kisaran (range) nilai numerik untuk fungsi keanggotaan

error, beda error dan keluaran dikalikan dengan suatu faktor, secara berturut-turut
disebut parameter P3 , P4 , dan P5 . Nilai optimal dari lima parameter ini (P1 , P2 , P3 ,
P4 , dan P5 .) ditentukan sehingga fungsi tujuan minimum, karena itu parameterparameter tersebut merupakan variabel keputusan (decision variable).
NB
NS
NK
ZO
PK
PS
PB
-1r
1r
2r
3r ) x P3
0
(-3r
-2r
Gambar 16 Fungsi keanggotaan error (e)
40
NB
NS
NK
ZO
PK
PS
PB
-1r
1r
2r
3r ) x P4
0
(-3r
-2r
Gambar 17 Fungsi keanggotaan beda error (de)
NB
NS
NK
ZO
PK
PS
PB
1r
2r
3r ) x P5
0
(-3r
-2r
-1r
Gambar 18 Fungsi keanggotaan keluaran (u)
x1 ,y1
x2 ,y2
Gambar 19 Metode penentuan derajat keanggotaan error dan beda error
41
Tabel 1 Matriks aturan kontrol fazi
Beda error (de)
NB
NS
NK
ZO
PK
PS
PB
E
r
r
o
r
(e)
NB
-1
-1
-1
-3r
-2r
-r
0
NS
-1
-1
-3r
-2r
-r
0
r
NK
-1
-3r
-2r
-r
0
r
2r
ZO
-3r
-2r
-r
0
r
2r
3r
PK
-3r
-2r
0
r
2r
3r
1
PS
r
0
r
2r
3r
1
1
PB
0
r
2r
3r
1
1
1
Kontrol PID
Adapun struktur mekanisme kontrol proporsional- integral-diferensial
(PID) dapat dilihat pada Gambar 20.
Mode kontrol PID dan penentuan
parameternya dengan metode Ziegler dan Nichols adalah mengikuti persamaan

berikut (Phillips dan Harbor 1988),
m(t ) = K P e(t ) + K I
e(t )dt + K D d e(t ) dt
(48)
K I = ( ST TI ) K P
(49)
K D = (T D S T ) K P
(50)
K P = 1,2
(R f L f )
(51)
TI = 2 L f
(52)
TD = 0,5 L f
(53)
dimana m(t ) adalah keluaran PID, e (t ) adalah error, K P adalah konstanta

proporsional, K I adalah konstanta integral, K D adalah konstanta diferensial, ST
adalah sampling time (detik), T I adalah waktu integrasi (detik), T D adalah waktu
diferensial(detik), R f
adalah gradien besaran fisik, L f
adalah seperempat
periode.
Pemecahan persamaan integral dan diferensial mengikuti pendekatan
Euler. Adapun pemecahan persamaan integral (Gambar 21), besarnya luasan
42
daerah di bawah kurva didekati dengan menghitung besarnya luasan daerah empat
persegi panjang. Jika m(t ) adalah integral dari e (t ) ,
m[(k + 1)T ] = m[(k )T ] + Te[(k + 1)T ]
(54)
Pemecahan persamaan diferensial (Gambar 22) dengan mengasumsikan

gradien
e (t ) pada t = (k + 1)T
sama dengan gradien garis lurus yang
menghubungkan e(k )T dengan e[(k + 1)T ] , maka

m[(k + 1)T ]
= e[(k + 1)T ] e[(k )T ]
T
ACUAN
(55)
KONTROL PID
LINGKUNGAN
_
de = e(k + 1)T e(k )T
keluaran
masukan
K P e[(k + 1)T ]
M [(k + 1)T ]
K I [e(k + 1)T + e(k )T + e (k 1)T + ...]

K D [e(k + 1)T e(k )T ]
Gambar 20 Struktur komponen kontrol PID
e (t )
E[(k )T ]
E[(k + 1)T ]
E[(k + 2 )T ]
(k )T (k + 1)T (k + 2 )T
Gambar 21 Pendekatan numerik Euler untuk pemecahan integral
43
e (t )
E [(k )T ]
E [(k + 1)T ]
(k )T
(k + 1)T
Gambar 22 Pendekatan numerik Euler untuk pemecahan diferensial

Pemodelan Suhu dan Kelembaban
Suhu dan kelembaban relatif (RH) di dalam rumah tanaman dipengaruhi
oleh kondisi lingkungan di luar dan kondisi di dalam rumah tanaman itu sendiri,
seperti lantai, ventilasi, dan bahan penyekat rumah tanaman.
Pendekatan
model
suhu
dan
kelembaban
disusun
dengan
mempertimbangkan penempatan sensor-sensor lingkungan di sekitar kanopi

tanaman dan mempertimbangkan faktor yang paling berpengaruh terhadap
perubahan suhu dan kelembaban relatif disekitar penempatan sensor tersebut.
Secara skematik sistem itu dapat dilihat pada Gambar 23.
Konsep pemodelan suhu dan kelembaban dalam rumah tanaman (Gambar
24) menggambarkan bahwa rumah tanaman mendapatkan energi iradiasi matahari
yang jatuh melalui atap transparan dan melepas panasnya bersama aliran udara
menuju udara di dalam rumah tanaman dan lantai. Lantai secara konveksi akan
melepas panas ke udara. Bersamaan dengan iradiasi yang jatuh ke atap, terjadi
juga kehilangan panas lewat penetrasi lingkungan. Dari lingkungan ke udara
dalam rumah tanaman atau sebaliknya, terjadi pindah panas dan massa melalui
dinding secara konduksi dan konveksi atau aliran. Source (Q dan S) adalah untuk
menurunkan atau menaikan suhu dan kelembaban.
Asumsi yang digunakan dalam konsep pemodelan suhu dan kelembaban
ini adalah:
1) suhu lantai dan udara dalam rumah tanaman seragam, 2)
kelembaban udara dalam rumah tanaman seragam, 3) suhu dan kelembaban udara
lingkungan seragam, dan 4) kondisi lingkungan di sekitar kanopi tanaman berikut
44
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)
Persamaan-persamaan untuk mendapatkan nilai koefisien pindah panas

total dan fungsi- fungsi psikrometrik adalah sebagai berikut:
1 Koefisien pindah panas total
U =
1
1 f1 + x k + 1 f 2
(59)
2 Kelembaban mutlak
Hr =
0 ,6219 Pv
Patm Pv
(60)
3 Tekanan uap pada suhu T
Pv =
H r Patm
0,6219 + H r
(61)
4 Kelembaban relatif (RH)
P
RH = v
Ps
(62)
5 Tekanan uap jenuh pada suhu jenuh T
Ps = R Exp A + BT + CT 2 + DT 3 + ET 4
) (FT GT 2 )
dimana konstatanta-konstanta adalah sebagai berikut:
(63)
45
R = 22105649 ,25
A = 27405 ,526
B = 97 ,5413
C = 0 ,146244
D = 0,000126
E = 0,00000004 85
F = 4,34903
G = 0,00394
Patm = 101325Pa
lt adalah lantai, r adalah di dalam rumah tanaman, umk adalah
dimana:
udara masuk dan keluar rumah tanaman, l adalah lingkungan, d adalah dinding, a
adalah atap, Cp adalah Panas jenis, panas spesifik (kJ/kgo C), m adalah massa
(kg), T adalah Suhu (o C), t adalah waktu (detik), h adalah koefisien pindah
panas konveksi (watt/m2o C), A adalah luas (m2 ), 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
Gambar 23 Skema aplikasi sistem kontrol adaptif lingkungan-biologik
Iradiasi matahari
Lantai
Udara dalam rumah tanaman
(P emanas)
S
(Pelembab)
Lingkungan
Gambar 24 Skema konsep pemodelan suhu dan kelembaban dalam

rumah tanaman
METODE PENELITIAN
Tempat dan Waktu

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

Bahan yang digunakan adalah: 1) benih ketimun mini (Cucumis sativus L.
Var. Marla), 2) larutan nutrisi berupa campuran Ca(NO3 )4 , Urea, FeEDTA 13%,
K2 SO4 , KHPO4 , MgSO4 , MnSO4 , ZnSO4, borax, dan CuSO4 , dan 3) media tanam
arang sekam.
Alat yang digunakan: 1) kantong plastik (poly bag) 2) tali ajir, 3) jangka
sorong-tipe: SK, karton putih, 4) karton merah, 5) plastik, 6) mistar-ukuran 30 cm,
7) baki air, 8) camera digital-tipe/model: N50CE/DSC-P31, 9) Multi points
recorder-tipe/model:T -50 sd 150 o C/3038, 10) pyranometer- model:Ms-401, 11)
gelas ukur-ukuran 1000 ml, 12) pengukur pH/EC/TDS - model:HI9812 13)
anemometer- model: Lutron AM-4204HA, 14) interface PCL 812 PG,15) bahasa
pemrograman Delphi 5.0, 16) perangkat lunak sistem operasi Windows XP, 17)
satu set komputer PC dengan spesifikasi CPU Pentium (R) 4, memori RAM 512
MB dan hardisk 40 GB, 18) psycrometric chart, 19) kaca pembesar, dan 20) unit
rumah tanaman (greenhouse) yang dilengkapi dengan jaringan irigasi tetes.
Adapun fungsi dan lokasi penggunaan bahan dan alat dapat dilihat pada Tabel 2.
Prosedur Kerja
Diagram alir prosedur kerja dalam penelitian ini dapat dilihat pada
Gambar 25. Pada diagram alir terlihat untuk tahapan yang belum siap atau masih
ada yang perlu ditambahkan dapat dirunut ke belakang sesuai dengan arah
diagram alirnya.
49
Tabel 2 Fungsi dan lokasi penggunaan bahan dan alat

No.
1.
2.
Bahan dan Alat
Fungsi
Lokasi Penggunaan
Tanaman
Bahan campuran larutan
nutrisi yang diberikan
kepada tanaman
3.
4.
Benih ketimun mini

Ca(NO 3 )4 , Urea, FeEDTA
13%, K2 SO4 , KHPO 4 ,
MgSO 4 , MnSO4 , ZnSO 4,
borax, dan CuSO 4
Arang sekam
Kantong plastik (poly bag)
Media tanaman
Wadah arang sekam
sda
sda
5.
Tali ajir,
sda
6.
Jangka sorong
7.
Plastik dan karton manila
Agar pertumbuhan
tanaman merambat lurus
Mengukur diameter
batang
Pengaturan objek tuntun
dan sasaran untuk
perekaman citra kanopi
Menampung larutan
nutrisi
Merekam citra kanopi
Merekam suhu bola basah
dan suhu bola kering
udara
Mengukur iradiasi
Mengukur larutan nutrisi
Mengukur pH dan
konduktivitas elektrik
Mengukur kecepatan
angin
Tempat melakukan
eksperimen
Sistem pemberian nutrisi
ke tanaman
Desain SKALB,
membangun perangkat
lunak dan model,
pengolahan data, dan
simulasi
Akuisisi data dan kontrol
Sistem operasi dan
bahasa pemrograman
Menentukan kelembaban
Membaca psycrometric
chart
8.
Baki air
9.
10.
Kamera digital
Multi points recorder
11.
12.
13.
Pyranometer
Gelas ukur
Pengukur pH/EC/TDS
14.
Anemometer
15.
Unit rumah tanaman
16.
Kelengkapan teknologi
irigasi tetes
Satu set komputer PC
17.
18.
19.
20
21.
Iinterface PCL 812 PG

Perangkat lunak Windows
XP, dan Delphi 5.0
Psycrometric chart
Kaca pembesar
Saung Mirwan
sda
sda
sda
sda
sda
sda
sda
sda
sda
sda
sda
sda
sda
Lab Ergotrons IPB
sda
sda
sda
50
Hasil
Mulai
Struktur sistem kontrol adaptif

lingkungan-biologik
Desain sistem kontrol adaptif
lingkungan-biologik
Prototipe perangkat lunak

sistem kontrol adaptif
lingkungan-biologik
Real time
Siap?
Belum
Pengolahan citra
Ya
Penentuan acuan optimal
Bangun perangkat lunak;

dan model pindah panas & massa
Penentuan parameter optimal

kontrol
Simulasi sistem kontrol adaptif
Siap?
Belum
Model suhu dan kelembaban
Ya
Perumusan aplikasi
Rumusan masalah dan pemecahan

Siap?
Belum
Ya
Eksperimen di lapangan
dan pengamatan
Data: RH & suhu lingkungan-biologik, RH,

suhu & iradiasi lingkungan, volume nutrisi
yang diberikan, limpasan, citra kanopi
tanaman, diameter batang, dan lain-lain
Model tanaman
Pengolahan data
Optimasi lingkungan optimal

(acuan optimal)
Model lingkungan-biologik
Cukup
Belum
Ya
Selesai
Gambar 25 Diagram alir prosedur kerja
Optimasi parameter kontrol

optimal Fuzi, PID, P, PI, & PD
Simulasi sistem kontrol adaptif
lingkungan-biologik
51
Setelah merancang arsitektur sistem kontrol adaptif lingkungan-biologik

dan antarmuka perangkat lunak yang secara garis besar meliputi menu utama, real
time, pengolahan citra, identifikasi JST, optimasi algoritma genetika (penentuan
acuan optimal dan penentuan optimal parameter kontrol), dan simulasi sistem
kontrol optimal lingkungan-biologik, dilanjutkan dengan menginstal antarmuka
perangkat keras PCL 812 PG dan bahasa pemrograman Delphi 5.0 ke komputer.
Setelah itu dilanjutkan dengan membangun perangkat lunak sistem kontrol
adaptif lingkungan-biologik dan model suhu dan kelembaban untuk single-span
greenhouse.
Perangkat lunak yang dibangun mencakup subsistem kebutuhan
aplikasi real time, pengolahan citra (image processing), penentuan acuan optimal
(optimal setpoint setting), penentuan parameter optimal kontrol (control optimal
parameter setting), dan simulasi sistem kontrol.
Persamaan diferensial suhu dan kelembaban pada single-span greenhouse
disusun untuk menduga perubahan suhu dan kelembaban lingkungan-biologik
(lingk ungan disekitar tanaman yang diasumsikan akan berpengaruh kepada
produk yang diharapkan), dipecahkan dengan metode beda hingga (finite
difference) Euler skema implisit diselesaikan secara simultan dengan metode Gaus
Jordan.
Setelah mendesain sistem kontrol adaptif lingkungan-biologik, serta
membangun perangkat lunak dan model suhu dan kelembaban, dilanjutkan
dengan tahapan aplikasi parsial, eksperimen di lapanga n dan pengamatan; dan
pengolahan data. Adapun penjelasan ketiga tahapan tersebut diuraikan berikut ini.
Perumusan Aplikasi
Di rumah tanaman PT Saung Mirwan, masa tanam ketimun mini mulai
dari semai sampai panen terakhir mengikuti jadwal berikut: minggu I adalah
waktu semai; minggu II dan III adalah fase pertumbuhan vegetatif; minggu IV dan
V adalah fase pertumbuhan generatif; minggu VI-XII adalah masa panen; dan
minggu XIII masa bongkar untuk mempersiapkan masa tanam selanjutnya.
Salah satu hal yang masih menjadi masalah adalah masih rendahnya
produksi ketimun mini dari yang direkomendasikan.
Adapun upaya untuk
meminimalkan pengaruh lingkungan, ketimun mini, ditanam secara hidroponik di
52
dalam rumah tanaman. Karena kondisi nutrisi dan lingkungan relatif terpenuhi,
tidak jarang pertumbuhan vegetatif tanaman ini berlebihan dan
hal ini
diperkirakan menjadi penghambat pertumbuhan reproduktif (pembungaan dan

pembuahan) atau dengan kata lain produksi menjadi rendah.
Yang perlu
diupayakan adalah pengontrolan optimal pada fase vegetatif ini. Hal ini tidak saja
bermanfaat untuk meningkatkan produksi tapi juga untuk menghindari pemberian
nutrisi yang berlebihan yang akhirnya tidak menguntungkan secara ekonomis dan
juga akan merusak lingkungan.
Seperti diketahui, salah satu indikator yang biasanya digunakan untuk
memprediksi fase reproduktif adalah rasio berat kering batang dan berat kering
akar, semakin kecil nilai rasio ini semakin baik. Hal ini karena makin besar
pertumbuhan batang akan mengakibatkan proses pembungaan yang buruk
Namun demikian, pengukuran pertumbuhan daun lebih mudah daripada
akar dan makin luas pertumbuhan daun akan meningkatkan produksi fotosintesis
daun.
Morimoto dan Hashimoto (1998) melakukan pengukuran daun dan
diameter batang, dan menggunakan rasio panjang daun-diameter batang tersebut

sebagai indikator peramalan fase reproduktif, makin tinggi nilai rasio ini makin
baik. Mungkin yang lebih baik bukan panjang daun tetapi luas kanopi (bukan luas
daun) karena tidak selalu daun yang panjang mempunyai luasan yang lebih besar
daripada daun pendek, tergantung dimensi lainnya, apalagi tidak semua daun pada
posisi optimal dalam penerimaan cahaya matahari. Hal ini akan berimplikasi pada
produktivitas fotosintesa.
Sehubungan dengan hal di atas, indikator peramalan fase reproduktif yang
digunakan pada penelitian ini adalah rasio luas kanopi-diameter batang. Hal ini
mempertimbangkan bahwa sebagian besar cahaya matahari yang mengenai
tanaman adalah daun bagian atas, selain itu pengukuran luas kanopi dan diameter
batang tidak merusak
tanaman.
Pengukuran kanopi dilakukan dengan cara
mengambil citra dari atas kanopi menggunakan kamera lalu diproses dengan
komputer (image processing) untuk mengetahui luas kanopinya. Hal ini
memungkinkan, terutama untuk tanaman sayuran yang kanopinya tidak terlalu
luas, seperti pada ketimun mini ini. Makin besar nilai rasio luas kanopi-diameter
53
batang (rasio kanopi diameter) akan menghasilkan pertumbuhan reproduktif yang

makin baik, yaitu buah yang memenuhi standar makin banyak atau berat.
Dalam aplikasi ini, pengontrolan lingkungan optimal diharapkan tidak
hanya produksi tanaman ketimun mini yang tinggi yang direpresentasikan oleh
rasio kanopi-diameter yang maksimum tetapi juga nutrisi yang hilang ditekan
seminimum mungkin.
Eksperimen di Lapangan dan Pengamatan

Eksperimen di Lapangan.
Rancangan eksperimen di lapangan
ditentukan berdasarkan bukaan penetes (regulator stick) yang menjadi

penghubung antara larutan nutrisi yang dialirkan dari tangki (Gambar 30) dengan
media tumbuh tanaman dan ditentukan sebanyak 9 perlakuan (disesuaikan untuk
pengolahan dengan JST). Adapun pendekatan perlakuan teoritis dan perlakuan
efektif di lapangan, masingmasing dapat dilihat pada Gambar 26 dan 27. Skema
dan tata letak perlakuan tanaman di lapangan, berturut-turut dapat dilihat pada
Gambar 28 dan 29. Pendekatan teoritis perlakuan mempertimbangkan kondisi
bukaan penetes yang biasa dilakukan setempat dan disesuaikan dengan kebutuhan
model JST respon dinamik yang akan dikembangkan, yaitu 120 pasang dataterdiri delapan pola untuk kebutuhan pembelajaran (training) dan lima belas
pasang data-terdiri satu pola untuk validasi. Pendekatan teoritis seperti Gambar
26 menghasilkan perlakuan dan pola seperti pada Tabel 3.
54
Tabel 3 Perlakuan berdasarkan pendekatan teoritis dan pola
Bukaan penetes (%), hari ke-
Perlakuan
1
2
3
4
5
6
7
8
9
Pola
1-5
6-10
11-15
70
50
30
70
50
30
70
50
30
70
50
30
50
30
70
30
70
50
70
50
30
70
50
30
70
50
30
1
2
3
4
5
6
7
8
9
Untuk memenuhi perlakuan di atas, tata letak beberapa perlakuan tanaman

di rumah kaca pada hari ke-6 sampai ke-10 dilakukan pemindahan tempat dan
pada hari ke-11 dikembalikan ke tempat semula. Adapun beberapa perlakuan
yang dipindahkan adalah perlakuan 4 ke ke tempat perlakuan 5; perlakuan 5 ke
tempat perlakuan 6; perlakuan 6 ke tempat perlakuan 4; perlakuan 7 ke tempat
perlakuan 9; perlakuan 8 ke tempat perlakuan 7; dan perlakuan 9 ke tempat
perlakuan 8.
Pengaturan tata letak perlakuan di lapangan dibuat sedemikan rupa karena
mempertimbangkan kesulitan dalam mengatur keseragaman debit penetes pada
pipa lateral.
Dengan cara demikian efektifitas perlakuan mendekati yang
diharapkan, hal ini dapat dilihat antara Gambar 26 dan 27 tidak terjadi perbedaan
yang yang signifikan.
Persiapan Tanam. Benih dengan daya tumbuh 85-95% disemai di media
arang sekam yang dimasukan ke dalam pot plastik kecil dan ditekan dengan
menggunakan jari telunjuk berkisar 0,51 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
dilakukan dengan kaleng gembor pada jarak sekitar 30 cm dari media.
55
Pengendalian hama dan penyakit dilakukan dengan menyemprotkan pestisida

setengah dari dosis tanaman dewasa.
Perlakuan yang demikian diharapkan
perkecambahan dapat berlangsung baik.

Sebelum tanaman di pindahkan ke polibag yang diletakkan di lantai rumah
kaca, lantai rumah kaca disapu, disikat dengan deterjen dan disemprot dengan air.
Demikian juga dengan peralatan irigasi, seperti selang lateral dan penetes,
direndam 1-2 jam dan dialiri ke dalam larutan asam nitrat tiga persen dengan
konsentrasi 40 cc per liter.
Dengan cara demikian diharapkan sisa tanaman,
kotoran, genangan air, lumut, dan endapan garam nutrisi tidak ada lagi dan
kemungkinan serangan penyakit selama masa tanaman telah diminimalkan.
Penanaman. Media sekam di polibag, sebelum ditanami bibit, terlebih
dahulu disiram dengan larutan nutrisi pekat sebagai pupuk dasar.
Hal ini
bertujuan agar bibit yang dipindahkan tidak mengalami stres, mudah beradaptasi,
dan akan mudah merangsang pertumbuhan akar tanaman.
Arang sekam di wadahi polibag berwarna putih; dilobangi dibagian
samping bawah melingkar, sekitar 2 cm dari bagian bawah, teridiri dua baris
dengan diameter 5 mm dan jarak antar lobang 2 cm. Adapun dimensi media,
tinggi 18 cm, lebar 18, dan panjang 25 cm.
Polibag yang telah dilubangi sedalam 5-10 cm, dimasuki bibit ketimun
mini yang sebelumnya telah dicabut dari pot penyemaian dan ditutupi kembali.
Kemudian penetes (drip irigasi) ditempatkan disekitar tanaman.
Pemeliharaan. Pendistribusian nutrisi dilakukan dengan sistem irigasi
tetes, lama pemberian larutan nutrisi untuk satu kali aplikasi 8-10 menit dan
frekuensi pemberian rata-rata 10 kali per hari, tergantung cuaca. Pendistribusian
larutan nutrisi dimulai pukul 07.00 sampai pukul 15.00. Electrical conductivity
(EC) dipertahankan 2-3 mS (milisemen) per cm, sedangkan pH 5,5-6,5. Nilai EC
yang tinggi menunjukkan terjadinya penggaraman dan diatasi dengan pemberian
larutan nutrisi 10-30%.
56
Terbuka 100
100
Perlakuan 1
Perlakuan 2
Bukaan penetes (%)
7070
Perlakuan 3
Perlakuan 4
50
50
Perlakuan 5
30
Perlakuan 6
Perlakuan 7
30
Perlakuan 8
Tertutup
Tertutup
Perlakuan 9
0
0
Hari ke-
Gambar 26 Skema pendekatan perlakuan teoritis
10
15
57
Bukaan penetes nutrisi (%)
Terbuka 100
Perlakuan 1
70
Perlakuan 2
Perlakuan 3
Perlakuan 4
50
Perlakuan 5
30
Perlakuan 6
Perlakuan 7
Perlakuan 8
Perlakuan 9
Tertutup
0
0
Hari ke-
Gambar 27 Perlakuan efektif di lapangan
10
15
58
Pipa utama
Pipa lateral
Perlakuan 1
Perlakuan 2
Perlakuan 3
Perlakuan 4
Perlakuan 5
Perlakuan 6
Perlakuan 7
Perlakuan 8
Perlakuan 9
Penetes
Baki kosong (BK)

Baki dengan tanaman (BT)
Gambar 28 Skema tata letak perlakuan tanaman di rumah tanaman
59
Pemasangan tali ajir dengan benang kasur (agar tidak melukai tanaman)
pada kawat yang membentang ditengah-tengah rumah kaca dan dilakukan pada
tanaman berumur seminggu. Tali ajir yang dipasang sedemikian rupa adalah
untuk membantu pertumbuhan tanaman agar merambat lurus ke atas sehingga
mempermudah pemeliharaan tanaman.
Pemutaran tali ajir dilakukan dua hari sekali dengan arah putaran searah
jarum jam. Tiga minggu kemudian dilakukan pemindahan tali ajir setinggi 5-6
ruas di atas ikatan semula dengan maksud agar tali tetap kencang dan memberi
giliran batang bawah tumbuh bebas tanpa terhalang ikatan tali.
Pewiwilan pada tanaman berumur dua minggu dimaksudkan untuk
membuang sulur, cabang, atau tunas samping agar tidak terjadi persaingan dengan
tunas yang berpotensi menjadi buah yang baik. Sebelum dilakukan pewiwilan jari
tangan dicelupkan kedalam larutan susu agar luka akibat pewiwilan cepat sembuh.
Dengan dilakukan pewiwilan ini berarti fase vegetatif tanaman timun diakhiri dan
dikonsentrasikan pada fase generatif agar buah tanaman yang dihasilkan baik.
Pembuangan sulur dilakukan setiap dua hari sekali. Pembuangan tunas
dilakukan pada tiga cabang pertama. Karena ketiga cabang tersebut terlalu dekat
dengan media, dan dikhawatirkan buah yang dihasilkan jelek. Cabang ke-4 dan 5
dipelihara dua daun dan dua bakal buah. Cabang ke-6 dan seterusnya dipelihara
tiga daun dan tiga bakal buah. Tujuan pembuangan tunas cabang adalah agar
energi fotosintesis dapat dimaksimalkan untuk pembesaran buah bukan untuk
pertumbuhan cabang.
Bersamaan dengan pewiwilan juga dilakukan perompesan. Perompesan
adalah pemangkasan daun tanaman yang terkena hama atau penyakit atau daundaun tua yang tidak berproduktif lagi. Sedangkan pengendalian hama penyakit
disesuaikan dengan kebutuhan di lapangan.
Pengamatan. Data pengamatan yang dikumpulkan selama lima belas hari
(fase vegetatif tanaman ketimun mini), mencakup volume nutrisi yang diberikan,
outflow (nutrisi yang hilang), luas kanopi, diame ter batang; suhu, kelembaban dan
iradiasi lingkungan-biologik (disekitar tanaman), serta suhu dan kelembaban
60
lingkungan di luar rumah kaca. Selain data utama tersebut, juga dikumpulkan
data penunjang, seperti pH dan EC untuk larutan nutrisi yang diberikan dan
limpasan, kecepatan angin, serta data untuk kebutuhan persamaan pindah panas
dan masa yang dibangun.
Volume Nutrisi. Volume nutrisi yang diberikan untuk tiap tanaman per
hari diukur dengan cara memindahkan air yang tertampung dalam baki kosong
(BK) ke dalam gelas ukur. Hal yang sama dilakukan untuk mengukur limpasan,
tetapi larutan nutrisi yang dimasukan ke gelas ukur berasal dari baki yang ada
tanaman (BT). Persentase bukaan penetes antara BT dan BK sama untuk setiap
perlakuan. Pengukuran dilakukan sore hari, pukul 16.00.
Luas Kanopi. Pengertian kanopi disini adalah objek bagian atas tanaman
timun (meliputi daun dan tangkai daun) yang terekam oleh kamera dimana posisi
pengambilannya dengan kamera relatif tegak lurus. Kanopi yang direkam dengan
cara ini menganalogkan penerimaan kanopi terhadap cahaya matahari. Bagian
daun atau tangkai tanaman yang tidak terekam berarti kontribusinya dalam
fotosintesis sangat kecil atau dapat diabaikan.
Sebelum penga mbilan citra kanopi dilakukan, terlebih dahulu disiapkan
kertas karton putih sebagai alas polibag, kemudian diantara media dengan kanopi
tanaman juga ditutup dengan karton putih, lalu di atas karton putih ini diletakkan
objek tuntun, yaitu berupa karton bentuk bujur sangkar berwarna merah yang
luasnya sudah diketahui (25 cm2 ), peletakan objek tuntun (karton merah)
diupayakan tidak overlap dengan objek sasaran (kanopi). Peletakan kesemuanya
diatur sedemikian rupa sehingga pada waktu direkam dengan kamera dalam posisi
relatif tegak lurus, yang terekam hanya objek tuntun dan objek sasaran di atas
kertas putih. Kertas karton putih yang diletakan dibawah polibag harus cukup
lebar, hal ini dimaksudkan untuk mengantisipasi pengambilan citra kanopi
tanaman yang luasnya telah melebihi permukaan polibag. Dengan cara demikian,
rekaman citra yang dihasilkan sesuai dengan yang diharapkan. Pengambilan citra
ini dilakukan setiap hari pada pukul 08.00 pagi selama lima belas hari.
61
Gambar 29 Tata letak perlakuan tana man di lapangan
Gambar 30 Tangki larutan nutrisi
62
Diameter Batang. Pengukuran diameter batang dilakukan pada bagian

tenga h batang ketimun dengan jangka sorong. Pengukuran dilakukan pada pagi
hari setelah perekaman kanopi dengan kamera.
Suhu, Kelembaban, Iradiasi, dan Kecepatan Angin.
Suhu dan
kelembaban lingkungan-biologik juga kecepatan angin diukur menggunakan

lutron-meter set (Gambar 31),
Sebagian lagi, Suhu dan kelembaban baik
lingkungan-biologik maupun lingkungan di luar rumah kaca direkam dengan alat

multi points recorder (Gambar 32) melalui suhu bola basah dan kering kemudian
dilanjutkan
kelembaban.
dengan
pembacaan
kurva
psikrometrik
untuk
menentukan
Sedangkan iradiasi matahari diukur dengan menggunakan
pyranometer.
Pengolahan Data
Data yang dikumpulkan, sebelum diolah lebih lanjut dengan perangkat
lunak yang telah dikembangkan, dipilah-pilah sesuai dengan kebutuhan
pengolahan lanjutan. Secara garis besar data dikelompokan menjadi dua, yaitu
pertama untuk kebutuhan pengembangan model tana man dengan menggunakan
operator JST dan optimasi lingkungan optimal dengan operator algoritma
genetika, dan kedua untuk kebutuhan pengembangan model suhu dan kelembaban
(lingkungan-biologik) dan penentuan parameter optimal kontrol fuzi, PID, P, PI,
dan PD dengan operator algoritma genetika.
Setelah itu dilanjutkan dengan
simulasi sistem kontrol adaptif lingkungan-biologik dengan memanfaatkan kedua

hasil tersebut.
Data citra kanopi tanaman ketimun, yang dikumpulkan dari lapangan
melalui kamera, diproses dengan menggunakan perangkat lunak proses citra yang
telah dikembangkan sebelumnya. Keluaran dari perangkat lunak ini berupa luasan
citra kanopi tanaman. Hasil penghitungan luas kanopi, kemudian dibagi dengan
hasil pengukuran diameter batang dan diistilahkan dengan rasio kanopi-diameter.
Kemudian bersama-sama data volume nutrisisi yang diberikan, limpasan, dan
lingkungan biologik (suhu, kelembaban, dan iradiasi)
mengembangkan model JST dinamik.
digunakan untuk
63
Selanjutnya untuk melihat kehandalan model dilakukan analisis error

dengan menghitung:
RMS error (pers 65), tingkat kebenaran (pers 66) dan
tingkat kesalahan (pers 67), dimana a adalah nilai aktual, p adalah nilai prediksi
serta i dan N masingmasing adalah data ke-i dan data ke-N.
RMSE =
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
Solusi Lingkungan Optimal.
(67)
Selanjutnya menggunakan operator
optimasi algoritma genetika dengan fungsi fitness JST respon dinamik ditentukan
solusi optimal dari masukan tersebut. Solusi optimal masukan ya ng dimaksud
adalah solusi optimal masukan setiap hari selama 15 hari (umur fase vegetatif
tanaman ketimun mini).
Masukan terdiri dari empat faktor (decision variable), yaitu larutan nutrisi
yang diberikan, suhu, kelembaban dan iradiasi. Sedangkan keluaran adalah dua
faktor, rasio luas kanopi-diameter batang (tanaman) dan larutan nutrisi yang
hilang (outflow).
Pada keluaran, faktor tanaman diupayakan maksimum sedangkan faktor
limpasan sebaliknya, yaitu mimum atau sekecil-kecilnya.
Untuk memenuhi
prinsip algoritma genetika yang selalu mencari solusi kearah positif (maksimum)
maka untuk mencari limpasan yang minimum, faktor outflow dalam fungsi fitness
diinverskan.
Karena kedua faktor di atas (tanaman dan outflow) bersifat dualisme, yaitu
bertentangan maka alternatif persamaan fungsi fitnessnya, diantaranya adalah
seperti pada persamaan berikut,
64
n
1
F1 = Yc (t ) +
Y (t )+ c
i
l
n Yc ( t )
l
=
F2 = Yc ( t ) *
i
Yl ( t ) + c i Yl ( t ) + c
dimana F1 adalah fungsi fitness 1, F2 adalah fungsi fitness 2, dan ,

adalah koefisien untuk Yc(t) adalah rasio luas kanopi-diameter batang (rasio
kanopi-diameter) pada saat t (cm2 /cm), Yl(t) adalah limpasan nutrisi (limpasan)
pada saat t (ml), c adalah konstanta, i adalah data ke-i, dan n adalah data ke-n.
Persamaan F1 dan F2 disusun dengan tujuan untuk memaksimalkan nilai
fitness (f), yang pada prinsipnya untuk memaksimalkan rasio kanopi-diameter dan
meminimalkan limpasan nutrisi. Jadi disini limpasan nutrisi merupakan faktor
pembatas atau pengendali dari faktor rasio kanopi-diameter. Konstanta c sebagai
antisipasi
untuk
menghindari
variabel
Yl(t)
sama
dengan
nol,
untuk
mengakomodasi keperluan tersebut tetapi juga diharapkan nilai c ini tidak

berpengaruh signifikan, maka ditentukan nilai c adalah 10-6 .
Selanjutnya
penggunaan kedua persamaan tersebut pada fungsi fitness dalam mencari solusi
optimal dieksplorasi.
Data suhu, kelembaban, dan iradiasi baik yang dikumpulkan dari dalam
rumah tanaman maupun lingkungan digunakan untuk pemodelan tanaman (JST),
verifikasi model suhu dan kelembaban (lingkungan-biologik), dan simulasi.
Untuk kebutuhan simulasi, suhu dan kelembaban lingkungan dari hasil
pengukuran dibuat suatu fungsi dengan menggunakan interpolasi kubik spline,
yaitu polinomial pangkat tiga. Sehingga suhu dan kelembaban lingkungan dapat
berubah sesuai kebutuhan. Pembuatan persamaan tersebut dengan menggunakan
aplikasi kubik spline (Setiawan 2000).
Solusi Parameter Optimal Kontrol. Pemecahan masalah optimasi disini
menggunakan operator AG (algoritma genetika). Untuk mencari solusi optimal
parameter-parameter kontrol fuzi (P1 , P2 , P3 , P4 , dan P5 ), dan parameter-parameter
kontrol PID, (K P , TI, dan TD) guna mempertahankan suhu dan kelembaban berada
disekitar acuan (meminimalkan error sebagai representasi dari performansi
kontrol) digunakan fungsi tujuan atau fungsi fitness berikut :
65
n
n
F = 1 e suhu 2 + e rh 2
i
i
(68)
dimana, dan adalah koefisien, e adalah error, yaitu selisih antara

acuan dengan kondisi aktual dari besaran fisik (suhu dan kelembaban), i adalah
data ke-i, dan n adalah data ke-n.
Seberapa besar peran yang diharapkan dari komponen esuhu dan erh di
dalam persamaan fungsi fitness, dilakukan dengan mengatur koefisien dan
yang disesuaikan dengan kebutuhan.
Pemecahan optimasi AG disini digunakan untuk melihat performansi
kontrol atau dengan kata lain untuk keperluan tuning.
Parameter-paramater
optimal kedua modus kontrol (P1 , P2 , P3 , P4 , P5 , KP, TI, dan TD) ditentukan
sehingga fungsi tujuan maksimum. Karena itu parameter-paramater P1 , P2 , P3 , P4 ,
dan P5 , merupakan decision variable untuk untuk dua besaran fisik, yaitu suhu
dan kelembaban (modus kontrol fuzi) sedangkan KP TI, dan TD merupakan
decision variable untuk dua besaran fisik, yaitu suhu dan kelembaban (modus
kontrol PID) Sedangkan Variabel kendala untuk masingmasing modus kontrol
adalah nilainilai minimum dan maksimum dari masingmasing parameter.
Dalam solusi parameter optimal ini, karena decision variable diberikan
oleh lima parameter modus kontrol fuzi dan tiga parameter dari modus kontrol
PID untuk dua besaran fisik, yaitu suhu dan kelembaban, masingmasing individu
dalam AG didefinisikan sebagai berikut:
P1S, P2S, P3S, P4S, P5S, P1K, P2K, P3K, P4K, P5K = individu modus kontrol fuzi
KPS, TI S, TDS,, KPK, TIK, TDK = individu modus kontrol PID
Masing- masing parameter kedua modus kontrol disusun dengan delapan
string binari sehingga masingmasing individu terdiri dari delapan puluh gen
untuk modus kontrol fuzi dan enam puluh gen untuk modus kontrol PID.
66
Gambar 31 Penempatan pengukur iradiasi dan kecepatan angin

di lapangan
Gambar 32 Alat perekam data suhu bola basah dan kering di lapangan
HASIL DAN PEMBAHASAN
Perangkat Lunak
Skema prototipe perangkat lunak kontrol optimal lingkungan-biologik
yang dikembangkan dapat dilihat pada Gambar 33. Perangkat lunak ini terdiri
dari 19 tampilan (form), yaitu sebuah jendela yang merupakan wadah bagi
berbagai komponen, yang menyediakan fasilitas kontrol optimal (real time),
penentuan acuan optimal dan simulasi, yang pengoperasiannya berdasarkan
pilihan menu. Tampilan-tampilan ini pada kondisi-kondisi tertentu dapat saling
akses atau juga tampilan tertentu dapat mengakses tampilan yang sama. Misalnya
pilihan controlling atau data acquisition, keduanya sama dapat memanfaatkan
fasilitas Timer Setup dan Interface Setup.
Adapun yang dimaksud dengan pengembangan prototipe perangkat lunak
sistem kontrol optimal lingkungan-biologik disini adalah menyatukan fasilitas sub
sistem penentuan acuan optimal dan sub sistem penentuan parameter kontrol
optimal yang pada gilirannya akan diaplikasikan untuk mengendalikan lingkungan
biologik secara real time (menggunakan komputer).
Acuan optimal diperoleh dari parameter lingkungan optimal yang
didasarkan pada hasil maksimal produk yang dipanen baik berbasis kualitas
kuantitas, maupun selera atau kombinasinya.
Parameter optimal kontrol
dihubungkan dengan error yang minimum dan performansi kontrol yang stabil.
Pada fasilitas penentuan acuan optimal terdapat sub sistem model tanaman dan
sensor citra (pengolahan citra). Operator model tanaman dan optimasi yang
digunakan, masing masing adalah jaringan syaraf buatan (JST) dan algoritma
genetika.
Pada fasilitas penentuan parameter optimal kontrol terintegrasi dengan
sistem simulasi. Disini parameter optimal kontrol ditentukan melalui simulasi
dengan pilihan menggunakan operator JST atau model pindah panas.
simulasi yang diaplikasikan menggunakan model pindah panas.
Pada
Hubungan
lingkungan di luar dan di dalam rumah tanaman (lingkungan biologik) dijelaskan

oleh model lingkungan.
Kemudian ditentukan parameter kontrol optimal
68
menggunakan operator algoritma genetika. Adapun fasilitas pilihan menu kontrol

yang disediakan adalah PID, P, PI PID, dan fuzi.
Perangkat lunak sistem kontrol optimal lingkungan-biologik ini juga
dilengkapi dengan ikon- ikon yang berguna untuk mengakses perintah secara
cepat.
Ikon-ikon ini secara umum dipisahkan lima kelompok.
Kelompok
pertama, yaitu ANN (identifikasi), GA for Setpoint Optimization dan GA for

controller parameter (optimisasi), image processing,simulation, dan control
simulation. Kelompok kedua, yaitu New, Save, dan Timer Setup yang merupakan
pendukung atau untuk melengkapi Fasilitas- fasilitas operasi lain.
Kelompok
ketiga, yaitu Interface Analog Output Testing, dan Interface Digital Output
Testing
untuk operasi pengujian keluaran interface yang telah dihubungkan
dengan aktuator yang akan digunakan dalam pengontrolan. Kelompok keempat,

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

Aplikasi kontrol optimal secara real time dilakukan setelah penentuan
acuan optimal dan parameter kontrol optimal. Acuan dalam pengontrolan, selain
dapat ditentukan melalui fasilitas yang disediakan juga dapat didasarkan dari
literatur atau pengalaman setempat, sesuai dengan kebutuhan.
parameter kontrol dapat disesuaikan dengan aktuator yang tersedia.
Pendugaan
69
Cover
Main Menu
File
Identification
Ne w
ANN
Save
Image
processing
Close
Optimization
GA
Simulation
Control
Setpoint
optimization
Timer
System
setup
Interface
Control
Runtime
Setup
ADC
Option
Run
Display
Interface
output
testing
Testing
Stop
Design
Control parameters
optimization
Gambar 33 Diagram menu utama perangkat lunak sistem kontrol adaptif lingkungan-biologik
Reset
Windows
Help
70
Fasilitas sistem kontrol adaptif lingkungan-biologik dapat digunakan

untuk mengontrol kebutuhan penggunaan sarana produksi agar tidak berlebihan,
yang pada gilirannya bila tidak dikontrol akan berakibat pada kerugian ekonomi
atau lingkungan.
Selain itu juga dapat digunakan untuk mamanipulasi
lingkungan-biologik dalam upaya mendapatkan produk dengan kualitas yang

diharapkan. Misalnya pengaturan cekaman air untuk mendapatkan kerenyahan
pada sayur.
Pada gilirannya perangkat lunak sistem kontrol adaptif lingkunganbiologik yang dikembangkan ini diharapkan dapat mendukung usaha agribisnis
yang lebih memilih teknologi spesifik dalam memproduksi komoditi pertanian,
khususnya tanaman hortikultura.
Gambar 34 Tampilan menu utama
Real time
Pada aplikasi real time teridiri dari tiga pilihan, yaitu Controlling, Data
aquisition,dan Interface output test (Gambar 35). Setelah diaktifkan salah satu,
maka submenu-submenu dan ikon- ikon yang mendukung fasilitas ini akan dalam
posisi aktif (enable). Ikon- ikon yang tidak dipilih, tetap pada posisi tidak aktif
(disable). Bila pilihan controlling yang dipilih maka ikon- ikon yang mendukung
71
pengoperasian, seperti Time Setup, Interface Setup, Controller Option, Run, Stop,
Reset, dan Display muncul dalam posisi enable. Tampilan Time Setup (Gambar
36) terdiri dari Month Calender, GroupBox yang berisi komponen-komponen
Current time, Duration, start dan finish operation, time sampling, dan tombol
penggunaan Timer.
Interface Setup adalah fasilitas untuk mengeset masukan analog dan
digital, dan keluaran analog dan digital. Pada Gambar 37 adalah PageControl
keluaran analog yang terdiri dari dua saluran yang dilengkapi keluaran dalam
bentuk tegangan dan bit. PageControl keluaran digital, masukan digital dan
masukan analog, berturut-turut terdiri dari delapan saluran, enam belas saluran ,
dan enam belas saluran. Pada PageControl masukan analog dilengkapi juga
dengan informasi tegangan yang masuk dan parameter kalibrasi sensor, yaitu
slope dan intercept.
Pada tampilan pilihan kontrol (Gambar 38) terdapat kotak edit pengisian
acuan yang diinginkan dan enam pilihan mode kontrol, yaitu fuzi, PID, PI, PD , P
dan on-off.
Pengaktifan salah satu mode kontrol akan diikuti fasilitas edit
parameternya masingmasing. Ikon Run, Stop, dan Reset adalah fasilitas yang
disediakan untuk mendukung kondisi run time.
Selain hal di atas fasilitas real time juga didukung dengan display yang
berupa grafik waktu untuk memantau besaran fisik (lingkungan-biologik yang
diukur), masukan analog (tegangan), dan keluaran analog dan digital, masingmasing 16 saluran, 16 saluran, dan 2 saluran dan 16 saluran.
Bila pilihan data Acquisition yang diaktifkan, maka ikon yang mendukung
pengoperasiannya, yaitu Time Setup, Interface Setup, Run, Reset, dan Display
dalam posisi enable. Tampilan masingmasing ikon sama dengan yang dijelaskan
pada pengaktifan pilihan Controlling. Sedangkan bila pilihan Interface Testing
yang diaktifkan, maka ikon Interface Analog Output dan ikon Interface Digital
Output Testing muncul dalam posisi enable. Pada masingmasing tampilan ini
terdapat fasilitas pengalamatan dan saluran yang akan digunakan (bekerja),
berturut-turut terdiri 2 saluran dan 8 saluran.
72
Gambar 35 Tampilan untuk real time
Gambar 36 Tampilan time set up
73
Gambar 37 Tampilan untuk setting masukan dan keluaran hardware
Gambar 38 Tampilan untuk setting acuan dan pilihan modus kontrol
74
Penenentuan Acuan Optimal

Pada fasilitas penentuan acuan optimal terdapat sub sistem model tanaman
yang didalamnya terdapat proses citra atau pengolahan citra yang berfungsi untuk
mengolah citra yang diperoleh dari lapangan.. Tampilan Pengolahan citra (image
processing) teridiri dari kumpulan BitBtn Load, Calibration, Process, Add to
Database, View Database, Memo Object, GroupBox Parameter Kalibrasi,
GroupBox Image Processing Result, Edit Threshold, Edit Filtering, kolom citra,
dan PageControl Display. Adapun tampilan pengolah citra dapat dilihat pada
Gambar 39.
Fasilitas load berfungsi untuk memanggil file objek tuntun dan objek
sasaran dari tempat penyimpanan untuk dimasukan atau ditampilkan pada kolom
citra 11 . BitBtn Calibration dan Process, masingmasing untuk mengolah objek
tuntun dan objek sasaran. Hasil Threshold, dan Threshold dan Filtering dalam
bentuk citra, masingmasing ditampilkan pada kolom citra 12 dan 22 . Sedangkan
Kolom citra 13 dan 23 menampilkan hasil proses Threshold, dan Threshold dan
filtering dalam bentuk bit.
Grafik hubungan antara intensitas dengan pixel untuk masingmasing citra,
yaitu citra hasil dari lapangan, hasil Threshold, hasil Threshold dan Filtering
dapat dilihat pada Display yang tersusun dalam bentuk Pagecontrol. Citra yang
telah diproses dan luasnya disimpan ke dalam basis data melalui fasilitas Add to
Database dan untuk mengeceknya menggunakan fasilitas View Data.
Citra dari lapangan sebelum diproses dengan perangkat lunak yang
dikembangkan, terlebih dahulu dipisahkan dengan program Paint Microsoft
sehingga diperoleh dua citra, yaitu yang berupa citra objek tuntun dan citra objek
sasaran. Kemudian dengan perangkat lunak proses citra yang dikembangkan,
objek tuntun diproses terlebih dahulu untuk keperluan kalibrasi, lalu objek sasaran
untuk menduga atau menghitung luas kanopi. Pada proses tersebut menggunakan
proses Thresholding, dan Thresholding dan Filtering. Tresholding mencukupi
bila intensitas objek berada dalam interval yang ditentukan dan nilai intensitas
latar belakangnya berada di luar interval. Filtering digunakan untuk memisahkan
antara objek atau citra sasaran dengan objek selainnya yang terbentuk sebagai
akibat proses Tresholding yang tidak sempurna.
75

Tampilan identifikasi JST (Gambar 40) digunakan untuk mencari
hubungan antara variabel lingkungan-biologik dengan produk tanaman pada kasus
mencari acuan optimal dan antara keluaran aktuator dengan lingkungan-biologik
untuk mencari parameter kontrol optimal. Identifikasi ini identik dengan proses
pembelajaran. Perangkat lunak JST yang dirancang dapat digunakan untuk yang
bersifat statik maupun dinamik.
Tampilan identifikasi terdiri dari Menubar, Groupbox, Image, dan
StringGrid.
Sedangkan Groupbox terdiri dari Source File Data, Net Size,
Learning Parameter, Data Condition, ANN Types, Non-time Delay, Weight

Result, dan Training Result. Selain itu terdapat Image ANN Architecture serta
StringGrid Input dan Output Training.
Menubar mencakup File, Run, Reset, View, dan Help.
Menu File
mencakup submenu Open Training Data, Open Test Data, Open Weights, Save
Weight, dan Open Last Weight. Fasilitas Run terdiri dari Run Training, Run Test
dan Run Next Training. View terdiri dari submenu ANN Architectures, Training
Result, Weight Result.
Groupbox fasiltas Source File data mencakup informasi nama file yang di
training dan di test. Group NetSize adalah editor untuk mengatur jumlah lapisan
dan jumlah nodus atau unit ditiap lapisan. Hasil pengaturan ini akan terlihat di
citra struktur JST. Di dalam Groupbox Data Condition terdapat informasi jumlah
set data pada lapisan masukan dan lapisan keluaran. Group Learning Parameter
mencakup informasi Learning Rate, Momentum, dan Gain. Groupbox Non-Time
Delay dan Weights, masingmasing berisi informasi jumlah variabel yang bukan
dinamik (variabel statik) dan total bobot, yaitu total bobot hasil dari desain pada
Editor Netsize. Groupbox Ttraining Result mencakup RMS Error, Change Error,
Iteration, dan iteration target.
StringGrid Input Training Data yang berfungsi sebagai input termasuk
yang diumpan balikan dari output.
StringGrid Output Training berisi data
keluaran (output) sebelum data ditraining. StringGrid Output Training berisi hasil
data keluaran hasil training (hasil prediksi training). StringGrid Output Test
berisi data Output hasil tes (hasil prediksi tes).
76
Adapun prinsip pengoperasian JST ini adalah menginput atau memanggil

data yang akan ditraining kemudian diatur atau dikondisikan desain struktur JST
yang diinginkan, demikian juga penggunaan parameter-parameter yang akan
digunakan seperti Learning rate, momentum, dan gain serta jumlah iterasi yang
diinginkan.
Selanjutnya training dan dilanjutkan verifikasi hasil training.
Langkah selanjutnya, menginput Data Test dan di tes lau diverifikasi. Kemudian
dilihat hasil verifikasi pada hasil training dan hasil tes. Bila hasilnya konsisten
dan layak maka pengoperasian dihentikan.
Algoritma Genetika
Optimasi identik dengan pengambilan keputusan, yaitu mencari nilai
optimum, baik untuk kegunaan mencari setpoint optimal maupun parameter
optimal kontrol. Dalam sistem ini menggunakan algoritma genetik, yaitu suatu
metode yang meniru alam. Tampilan optimasi untuk optimal setpoint dan optimal
control parameter, masingmasing dapat dilihat pada Gambar 41 dan 42. Fasilitas
yang ada pada kedua tampilan ini adalah relatif sama. Tampilan optimal setpoint
terdiri Groupbox Parameter, Menu, dan ANN Model. Disamping itu juga terdapat
Listbox nilai variabel yang dioptimasi, nilai fitness, dan fasilitas Save untuk
penyimpanan hasil optimasi dan nilai fitness.
Groupbox Parameter adalah fasilitas editor untuk mengatur parameter
algoritma genetika yang mencakup target generation, population, gen parameter,
cross over probability dan mutation probability. Pengaturan parameter dilakukan
sebelum penekanan tombol Optimize dilakukan.
Pada Groupbox Menu mencakup Optimize, Fitness, Reset dan Close.
Fasilitas Optimize berfungsi untuk menjalankan perangkat lunak. Tombol fitness
untuk melihat grafik atau nilai fitness secara real time, Reset untuk memulai
prosedur operasional dari awal, Close untuk menutup menu GA for Optimization
Controller Parameter dan kembali ke menu utama.
Groupbox ANN Model berisi tombol Load, dan informasi lain yang
berkenaan dengan model ANN yang akan digunakan sebagai fungsi fitness.
Adapun informa si tersebut adalah Learning Rate, Momentum, Gain, Data
Number, Min-Max data Input-Output dan ANN Model Structuer Model. Tombol
77
Load untuk memanggil bobot model ANN yang akan digunakan sebagai fungsi
fitness atau fungsi tujuan dari optimasi algoritma genetika.
Dalam Groupbox Optimized Parameter, terdapat Editor Parameter
Number, nilai Min-Max dan Input model ANN atau variabel-variabel yang akan
dioptimasi.
Initialized Object adalah Editor untuk menentukan kondisi awal
Output model ANN yang akan dimasimumkan.
Sedangkan tampilan optimasi
parameter kontrol, selain hal di atas dilengkapi dengan Groupbox Select Control
dan Tabsheet Control Parameter, masingmasing terdiri dari modus kontrol
Fuzzy, PID, PI, PD, dan P.
Gambar 39 Tampilan untuk pengolahan citra
78
Gambar 40 Tampilan operator JST
Gambar 41 Tampilan operator algoritma genetika
79
Gambar 42 Tampilan untuk menentukan parameter kontrol optimal
Simulasi
Pada tampilan simulasi (Gambar 43) terdiri kumpulan tombol Input, Fuzzy
Editor, Verification, Optimization, Conventional, Refresh, Close, dan Fitness;
Groupbox Parameter GA, Parameter Control; Editor Setpoint, File Name;
Radiobutton Controller Fuzzy dan PID; dan Display.
Bila tombol Input diklik akan muncul tampilan yang menyajikan
Groupbox ruang, lantai, atap dinding, kondisi awal, aliran udara, Source-Sink, dan
ruang pendingin. Masing- masing Groupbox tersebut tersedia fasilitas edit untuk
properti sistem simulasi di dalam rumah tanaman. Tampilan ini tidak saja dapat
difungsikan pada awal operasi simulasi tetapi juga dapat direvisi (update) setelah
program simulasi di operasikan.
Verifikasi diaktifkan dengan menekan tombol Verification, adapun yang
diverifikasi adalah hasil penghitungan suhu dan kelembaban relatif udara di dalam
rumah tanaman. Titik acuan, parameter algoritma genetika, parameter kontrol,
dan pilihan kontrol secara berturut-turut adalah dengan mengisikannya pada
fasilitas Editor Setpoint, Groupbox Parameter GA, dan Radiobutton Controller
Fuzzy dan PID.
80
Pada fasilitas Setpoint terdapat kemungkinan untuk mengoperasikan tiga

titik acuan yang berbeda-beda untuk masingmasing besaran fisik suhu dan
kelembaban. Tiga Editor pertama untuk suhu dan tiga lainnya untuk kelembaban.
Bila dioperasikan hanya satu titik acuan, maka ketiga kotak edit diisi dengan
acuan yang nilainya sama untuk masingmasing besaran fisik.
Untuk mencari parameter kontrol optimal, ditentukan terlebih dahulu jenis
kontrol apa yang akan digunakan pada pilihan radiobutton.
Kemudian
pagecontrol yang berisi parameter akan muncul sesuai dengan kontrol yang
dipilih. Dari pilihan mode kontrol PID dapat juga diaktifkan jenis kontrol P, PI,
dan PD dengan cara mengisikan angka nol untuk komponen yang ditiadakan.
Kotak Edit Min-Max adalah untuk mengisikan kisaran nilai parameter
yang akan dioptimasi, kemudian hasil optimasi akan muncul pada kotak Edit
Update. Hasil parameter optimal inilah yang secara otomatis akan digunakan
untuk mengontrol sistem dalam rumah tanaman, setelah tombol Optimization
diaktifkan.
Tombol konvensional adalah fasilitas yang digunakan untuk mengontrol
sistem dalam rumah tanaman dengan parameter kontrol yang tidak menggunakan
fasilitas optimasi algoritma genetika.
Groupbox GA adalah fasilitas untuk mengakses parameter-parameter
algoritma genetika, seperti jumlah generasi, populasi, jumlah gen tiap para meter,
peluang rekombinasi, dan peluang untuk terjadinya mutasi. Disamping itu juga
terdapat fasilitas untuk melihat kurva fitness secara real time, yaitu kurva fitness
untuk mencari nilai error yang minimum.
Fasilitas penyimpanan hasil Running Program mencakup untuk hasil
pengontrolan dan nilai fitness.
Kedua fasilitas ini dilengkapi dengan tombol
Browse, yaitu fasilitas untuk memudahkan lokasi penyimpanan File di dalam

Drive komputer.
Pada waktu penyimpana file disimpan dengan Extension
TextFiles. File-file ini dapat dibuka pada program aplikasi Notepad dan Excel.
Informasi yang tersimpan dalam File hasil pengontrolan, antara lain suhu dan
kelemban lingkungan; suhu, kelemban dan radiasi laktual di dalam rumah
tanaman; dan suhu dan kelembaban hasil perhitungan di dalam rumah tanaman.
81
Sedangkan informasi yang terekam dalam File Fitness, adalah nilai fitness
tertinggi, rata-rata, dan terendah.
Fasilitas Display terdiri tiga kelompok, pertama adalah kurva iradiasi di
dalam rumah tanaman yang menunjukkan unsur gangguan yang terjadi pada
waktu pengontrolan, kedua adalah kurva suhu dan kelembaban aktual dan hasil
perhitungan di dalam rumah tanaman; dan lingkungan, ketiga adalah kurva daya
Qcond dan Qhum . Masing- masing kelompok kurva muncul serentak waktu Running.
Fasilitas Refresh adalah untuk mengembalikan kondisi ke seperti semula,
yang digunakan bila ingin melakukan simulasi dengan sekenario yang lain.
Fasilitas ini harus dilakukan, bila tidak maka program aplikasi ini akan Hang.
Gambar 43 Tampilan simulasi
82
Penentuan Acuan Optimal Lingkungan

Penentuan acuan optimal yang dimaksud adalah menentukan parameter
lingkungan optimal dalam upaya menentukan rasio kanopi-diameter maksimum
dan out flow minimum, dimana kondisi lingkungan optimumnya dicari dan
dijadikan sebagai acuan optimal dalam sistem kontrol adaptif untuk lingkunganbiologik dalam rumah tanaman.
Model Tanaman
Citra Kanopi Tanaman.
Citra kanopi tanaman ketimun, yang
dikumpulkan dari lapangan melalui kamera, diproses dengan menggunakan

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

tangkai tanaman yang tidak terekam berarti kontribusinya dalam fotosintesis
sangat kecil atau dapat diabaikan.
Pada pemrosesan lebih lanjut, objek tuntun dan sasaran dalam satu citra
dipisahkan dengan program Paint Microsoft. Kemudian dengan perangkat lunak
proses citra yang dikembangkan, objek tuntun diproses terlebih dahulu untuk
keperluan kalibrasi, lalu objek sasaran untuk menduga atau menghitung luas
kanopi. Pada proses tersebut menggunakan proses thresholding dan filtering.
Thresholding mencukupi bila intensitas objek berada dalam interval yang
ditentukan dan nilai intensitas latar belakangnya berada di luar interval. Filtering
digunakan untuk memisahkan antara objek atau citra sasaran dengan objek
selainnya yang terbentuk sebagai akibat proses thresholding yang tidak sempurna.
83
Hasil pendugaan luas kanopi ini, kemudian dibagi dengan hasil

penguk uran diameter batang dan diistilahkan dengan rasio kanopi-diameter.
Rasio kanopi-diamater tanaman pada fase vegetatif ini diasumsikan sebagai
representasi pengukuran parameter tanaman untuk menyeimbangkan pertumbuhan
vegetatif dan generatif tanaman.
Semakin besar nilai rasio ini diharapkan
perkembangan fase generatif (bunga dan buah) maksimal. Selanjutnya bersamasama data nutrisi yang diberikan, out flow dan lingkungan digunakan untuk
mengembangkan model JST respon dinamik.
Gambar 44 Citra sebelum dan setelah diproses
Jaringan Syaraf Tiruan. Model JST yang dibangun mempunyai enam

masukan yang terdiri dari empat masukan statik, yaitu nutrisi yang diberikan,
suhu, kelembaban dan iradiasi; dan dua masukan dinamik, yaitu rasio kanopidiameter batang dan out flow. Masukan dinamik ini merupakan umpan balik dari
keluaran. Keluaran JST terdiri dari dua, yaitu rasio kanopi-diameter batang dan
out flow. Adapun arsitektur model JST respon dinamik ini dapat dilihat pada
Gambar 13.
Rancangan sistem perlakuan menghasilkan sembilan pola nutrisi yang
diberikan. Data nutrisi yang diberikan dikumpulkan bersama-sama data rata-rata
harian lingkungan (suhu, kelembaban dan iradiasi), data rasio kanopi-diameter
batang dan data banyaknya nutrisi yang hilang (out flow).
84
Data dikumpulkan selama 15 hari sesuai dengan umur fase vegetatif

tanaman ketimun. Data hasil pengukuran tersebut, secara berturut-turut dapat
dilihat pada Gambar 45, 46, 47, dan 48.
Jumlah data yang dikumpulkan adalah 135 pasang data yang mencakup
sembilan pola (perlakuan) untuk 15 hari. Data disusun atau disesuaikan dengan
kebutuhan model JST respon dinamik yang akan dikembangkan, yaitu 120 pasang
data-terdiri dari delapan pola, yaitu Pola I, II, III, V, VI, VII, VIII,dan IX-untuk
kebutuhan training; dan 15 pasang data-terdiri dari satu pola, yaitu pola IV-untuk
Nutrisi yang diberikan (ml)
validasi.
1200
Pola 1
1000
Pola 2
Pola 3
800
Pola 4
600
Pola 5
400
Pola 6
200
Pola 7
Pola 8
0
10
Pola 9
15
Hari ke-
Gambar 45 Pengukuran perubahan larutan nutrisi yang diberikan
700
(%)
400
60
300
200
40
100
20
0
0
10
Hari ke-
Gambar 46 Pengukuran perubahan iklim mikro
15
500
Iradiasi (w/m )
600
Suhu
RH
Iradiasi
80
Suhu ( C), Kelembaban
100
Pola 1
800
Pola 2
Rasio kanopi-diameter (cm/cm)
85
Pola 3
600
Pola 4
Pola 5
400
Pola 6
200
Pola 7
Pola 8
Pola 9
0
10
15
Hari ke-
Gambar 47 Pengukuran perubahan rasio kanopi-diameter

800
Pola 1
Pola 2
Pola 3
Pola 4
Pola 5
Pola 6
Pola 7
Pola 8
Pola 9
Out flow(ml)
600
400
200
0
0
10
15
Hari ke-
Gambar 48 Pengukuran perubahan out flow
Pemilihan data untuk validasi dipilih secara acak dari pola-pola II, IV, V,
VI, VII, VII dan IX. Pola I dan III tidak dimasukan dalam seleksi karena kedua
pola tersebut adalah pola tertinggi dan terendah. Lima belas pasang data pola IV
yang terpilih untuk digunakan pada proses validasi tidak diikutkan dalam proses
pembelajaran.
Proses pembelajaran awalnya dicobakan dengan jumlah simpul dalam
lapisan tersembunyi dan jumlah iterasi yang relatif kecil guna melihat
kecenderungan performa model, yaitu konsistensi antara hasil pembelajaran dan
validasi.
Konsistensi yang dimaksud disini adalah nilai EI dan APD kedua keluaran
pada hasil pembelajaran dan validasi dapat dipertahankan pada tingkat yang layak
86
dan relatif sama. Efisiensi model (EI) dan tingkat kesalahan model (APD) yang
dianggap layak, secara berturut-turut adalah diatas 90 % dan dibawah 5 %.
Dengan
kelayakan
yang
demikian
diharapkan
performa
model
yang
dikembangkan berada pada sekitar garis linier 45o pada diagram kartesius.
Dengan kata lain, hal ini akan mencerminkan keterandalan model pada kondisi
yang diharapkan, tidak mengalami over atau under estimate.
Hasil perbandingan rasio kanopi-diameter dan out flow antara nilai aktual
dengan hasil prediksi ( perhitungan) pada hasil pembelajaran dan validasi,
masingmasing dapat dilihat pada Gambar 49, 50, 51 dan 52. Fluktuasi harian
(time series) untuk masingmasing pola dapat dilihat pada Gambar 53, 54, 55 dan
56. Hasil simulasi dapat diha t pada Gambar 57.
Pada pembelajaran menggunakan fungsi transfer sigmoid, jumlah lapisan tigamasukan, tersembunyi, dan keluaran-jumlah simpul dalam lapisan tersembunyi
delapan, laju pembelajaran 0.63, momentum 0.85, gain 0.9, dan iterasi 15.000.
EI = 95%
APD = 1.3%
600
hasil prediksi (cm /cm)
Rasio kanopi-diameter
800
400
200
0
0
200
400
600
800
Rasio kanopi-diameter aktual (cm2 /cm)
Gambar 49 Perbandingan nilai rasio kanopi-diameter aktual

dengan hasil prediksi pada proses pembelajaran
87
Out flowhasil prediksi

(ml)
800
EI = 99%
APD = 4,8%
600
400
200
0
0
200
400
600
Out flow nutrisi aktual (ml)
800
Gambar 50 Perbandingan nilai out flow aktual dengan hasil prediksi

pada proses pembelajaran
hasil prediksi (cm2 /cm)
600
EI = 93%
APD
= 0.62%
400
200
0
0
200
400
600
2
Rasio kanopi-diameter aktual (cm /cm)
Gambar 51 Perbandingan nilai rasio kanopi-diameter aktual dengan hasil

prediksi pada proses validasi
Out flow hasil prediksi

(ml)
600
EI = 96%
APD = 4,3%
400
200
0
0
200
400
Out flow aktual (ml)
600
Gambar 52 Perbandingan nilai out flow aktual dengan hasil prediksi

pada proses validasi
88
800
Prediksi
Aktual
700
600
500
400
300
200
100
0
I
II
III
VI
Pola
VII
VIII
IX
IX
Gambar 53 Fluktuasi harian nilai rasio kanopi-diameter aktual

dan hasil prediksi pada proses pembelajaran
800
Out flow (ml)
700
600
Prediksi
500
Aktual
400
300
200
100
0
I
II
III
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-
Gambar 55 Fluktuasi harian nilai rasio kanopi-diameter aktual dan hasil

prediksi pada proses validasi
89
600
Out flow (ml)
500
Prediksi
400
Aktual
300
200
100
0
1
10 11 12 13 14 15
Hari ke-
600
dan
Limpasan nutrisi (ml)
Rasio kanopi-diameter (cm/cm),
Gambar 56 Fluktuasi harian nilai out flow aktual dan hasil prediksi pada
proses validasi
400
200
Limpasan
0
1
8
9
Hari ke-
10
11
12
13
14
15
Gambar 57 Hasil simulasi untuk larutan nutrisi dan suhu sama

sedangkan kelembaban dan iradiasi berfluktuatif
Pada Gambar 49 sampai 50 terlihat bahwa nilai EI dan APD, yang masingmasing menunjukkan tingkat efisiensi model dan kesalahan model, baik pada
hasil pembelajaran maupun validasi untuk rasio kanopi-diameter dan out flow
adalah konsisten, yaitu nilai EI minimun adalah 93% dan APD maksimum 4,9%.
Disamping itu juga, Pada gambar- gambar tersebut, terlihat bahwa antara rasio
kanopi-diameter dan out flow aktual dengan prediksi relatif tidak terjadi over atau
under estimate.
90
Dengan demikian model JST respon dinamik yang dikembangkan untuk

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

Bobot (weight) model komputasi jaringan syaraf tiruan respon dinamik
yang digunakan untuk menghitung fungsi tujuan (fitness) dari kombinasi pola
(perlakuan) masukan (nutrisi yang diberikan, suhu, kelembaban dan iradiasi)
untuk 15 hari dapat dilihat pada Gambar 58. Selanjutnya solusi optimal masingmasing masukan tersebut untuk setiap hari selama 15 hari dieksplorasi dengan
menggunakan algoritma genetika.
Pada Gambar 59 dan 60 terlihat kurva evolusi untuk mencari nilai optimal
dengan parameter-parameter yang berbeda, secara berturut-turut me nggunakan
persamaan (pers) yang dikemukakan pada bab 3, yaitu pers (32) dan (33) berikut,
n
1
F1 = 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.
Secara teoritis, pers 32, karena akan
menghasilkan nilai fitness yang jauh lebih tinggi, diharapkan berimplikasi kepada
pencapaian optimum global lebih cepat.
Namun demikian pada aplikasinya tidaklah demikian.
Pada pers 33,
perubahan nilai pada komponen Yl(t) sangat mempengaruhi nilai komponen Yc(t)
yang pada gilirannya akan mempengaruhi nilai fungsi fitness keseluruhan. Hal ini
relatif tidak terjadi pada pers 32, karena perubahan nilai pada komponen Yl (t)
tidak mengakibatkan perubahan dramatik pada nilai fungsi fitness keseluruhan.
Hal yang demikian, berimplikasi kepada penelusuran evolusi optimal dengan pers
33 cenderung terjebak pada optimum lokal.
Kondisi ini, bila hanya dilihat dari kurva evolusi penelusuran fitness pers
32 dan 33, masingmasing pada Gambar 59 dan 60, performa nsi perbedaannya
tidak terlihat jelas. Keduanya sama-sama konvergen bahkan performa nsi untuk
pers 32 tampak lebih baik karena nilai fitness pers 33 lebih tinggi. Hal ini dapat
dilihat untuk skenario (Pc=0,6; Pm=0,01) pada Gambar 59-pers 32 dan Gambar 60pers 33.
92
4
3
Nilai bobot
2
1
0
-1
-2
-3
Bobot W1W48
Bobot
-4
Gambar 58 Bobot model komputasi JST respon dinamik
1.00E+04
Fitnes
9.00E+03
8.00E+03
Skenario
Skenario
Skenario
Skenario
7.00E+03
(Pc=0,2; Pm=0,1)
(Pc=0,9; Pm=0,8)
(Pc=0,6; Pm=0,01)
(Pc=0,6; Pm=0,1)
6.00E+03
5.00E+03
0
100
200
300
400
500
600
700
800
900 1000
Iterasi ke-
Gambar 59 Kurva evolusi penelusuran fitness dengan pers 32
1.00E+08
Fitnes
1.00E+06
1.00E+04
Skenario
Skenario
Skenario
Skenario
1.00E+02
(Pc=0,9; Pm=0,8)
(Pc=0,6; Pm=0,1)
(Pc=0,6; Pm=0,01)
(Pc=0,2; Pm=0,1)
1.00E+00
0
100
200
300
400
500
600
700
800
900 1000
Iterasi ke-
Gambar 60 Kurva evolusi penelusuran fitness dengan pers 33
93
Untuk melihat perbedaan performa penggunaan pers 32 dan 33 yang lebih

jelas, yaitu dengan mensimulasikan hasil masingmasing skenario pada
penelusuran (searching) untuk kedua persaman tersebut ke model JST respon
dinamik yang digunakan untuk fungsi fitnessnya.
Hasil optimal kurva pers 32 skenario (Pc=0,6; Pm=0,01) sebagai masukan
dan keluaran model JST, masingmasing dapat dilihat pada Gambar 61 dan 62,
sedangkan skenario (Pc=0,6; Pm=0,1) dapat dilihat pada Gambar 63 dan 64.
Hasil penelusuran kurva pers 33 skenario (Pc=0,6; Pm=0,01) sebagai
masukan dan keluaran model JST, masingmasing dapat dilihat pada Gambar 65
dan 66. Untuk skenario (Pc=0,6; Pm=0,1) dapat dilihat pada Gambar 67 dan 68.
Skenario yang menunjukkan hasil konsisten, berada paling atas baik pada
kurva evolusi penelusuran fitness dengan pers 32 dan pers 33, adalah skenario
(Pc=0,6; Pm=0,01).
Namun demikian, yang merupakan hasil terbaik, yaitu
pencapaian optimum global adalah skenario (Pc=0,6; Pm=0,01 pada pers 32. Hal
ini dapat dilihat pada hasil simulasi model JST yang menggunakan masukan hasil
kedua persamaan tersebut untuk skenario yang sama, yaitu masingmasing dapat
dilihat pada Gambar 62 dan 66.
Hasil pertumbuhan tanaman (rasio kanopi-
diameter) pada Gambar 62 lebih konsisten daripada yang ditunjukkan oleh

Gambar 66.
Penjelasan-penjelasan di atas menunjukkan penelusuran optimum global
dengan pers 32 lebih akurat daripada pers 33. Sedangkan perilaku skenario yang
dicobakan pada pers 32 dijelaskan berikut ini.
Skenario (Pc=0,6; Pm=0,01) pada Gambar 59, fitness (nilai fungsi tujuan)
mula- mula naik dengan slope cukup tajam sampai iterasi ke-100, kemudian secara
perlahan slope kena ikan berkurang dan akhirnya mencapai nilai maksimum pada
iterasi sekitar 400. Biasanya iterasi penelusuran dihentikan bila nilai maksimum
fitness tetap sama dengan bertambahnya iterasi dan solusi optimal diberikan oleh
individu dengan nilai maksimum tersebut.
Untuk menghindari optimum lokal, iterasi penelusuran diteruskan sampai
iterasi ke-1000. Dan untuk skenario (Pc=0,6; Pm=0,01) tetap konsisten, sedangkan
skenario lainnya tidak demikian. Perilaku yang mirip dengan skenario (Pc=0,6;
Pm=0,01) adalah skenario (Pc=0,9; Pm=0,8) tetapi nilai maksimum yang dicapai
94
nya dibawah nilai skenario (Pc=0,6; Pm=0,01) atau yang lainnya.
Hal ini
mengindikasikan penggunaan parameter Pc=0,9 dan Pm=0,8 terlalu besar untuk

permasalahan ini.
Metode seleksi yang digunakan dalam algoritma genetika ini adalah elitist.
Menurut Morimoto et al. (2001), dan Morimoto dan Hashimoto (1998), kelebihan
metode seleksi ini adalah efektif untuk meningkatkan fitness individu karena
individu dengan nilai fitness lebih tinggi dipertahankan untuk iterasi berikutnya,
dan hal ini sekaligus menjadi kelemahannya karena akan mudah terperangkap
pada kondisi optimum lokal. Pada studi ini untuk mengatasi hal ini digunakan
jumlah populasi (pop size) yang cukup besar, yaitu 35. Berdasarkan performansi
optimum global yang dijelaskan sebelumnya, maka jumlah populasi yang
digunakan telah memadai, selain itu Kusumadewi (2003) mengemukakan bahwa
jumlah populasi untuk semua permasalahan sebaiknya tidak kurang dari 30.
Optimum global dengan penelusuran algoritma genetika tidak selalu tercapai.
Untuk konfirmasi, pada makalah ini menggunaan metode cek-silang, yaitu dengan
cara mensimulasikan kembali solusi hasil penelusuran ke dalam model JST respon
1200
(%), dan Suhu ( oC)
Iradiasi (w/m 2), Kelembaban
Nutrisi yang diberikan (ml),
dinamik yang digunakan sebagai fungsi fitness.
Suhu
Iradiasi
1000
Nutrisi yang diberikan

Kelembaban
800
600
400
200
0
1
10 11 12 13 14 15
Hari ke-
Gambar 61 Hasil optimal kurva pers 32 skenario (Pc=0,6; Pm=0,01)
(cm2 /cm), dan Limpasan nutrisi
(ml)
95
800
600
400
200
Limpasan nutrisi
0
1
10
11
12
13
14
15
Hari ke-
Suhu
Iradiasi
(%), dan Suhu ( C)
1200

Kelembaban
1000
Gambar 62 Hasil simulasi model JST dengan masukan hasil

optimal kurva pers 32 skenario (Pc=0,6; Pm=0,01)
800
600
400
200
0
1
10 11 12 13 14 15
Hari ke-
800
nutrisi (ml)
(cm 2/cm), dan Limpasan
Gambar 63 Hasil penelusuran kurva pers 32 skenario (Pc=0,6; Pm=0,1)
Limpasan nutrisi
600
400
200
0
1
11
13
15
Hari ke-

penelusuran kurva pers 32 skenario (Pc=0,6; Pm=0,1)
Suhu
Iradiasi
1000
(%), dan Suhu ( oC)

96

Kelembaban
800
600
400
200
0
1
10 11 12 13 14 15
Hari ke-
(cm2/cm), dan Limpasan
nutrisi (ml)
Gambar 65 Hasil penelusuran kurva pers 33 skenario (Pc=0,6;P m=0,01)
800
Limpasan nutrisi
600
400
200
0
1
9 10 11 12 13 14 15
Hari ke-
Suhu
Iradiasi
1200
(%), dan Suhu (oC)

Iradiasi (w/m2), Kelembaban

penelusuran kurva pers 33 skenario (Pc=0,6; Pm=0,01
Nutirisi yang diberikan

Kelembaban
1000
800
600
400
200
0
1
9 10 11 12 13 14 15
Hari ke-
Gambar 67 Hasil penelusuran kurva pers 33 skenario (Pc=0,6;P m=0,1)
(cm2/cm), dan Limpasan
nutrisi (ml)
97
800
Limpasan nutrisi
600
400
200
0
1
10 11 12 13 14 15
Hari ke-

penelusuran kurva pers 33 skenario (Pc=0,6; Pm=0,1)
Evapotranspirasi Tanaman
Evapotranspirasi adalah proses kehilangan air dari permukaan tanah dan
kehilangan air melalui tanaman yang terjadi secara serempak.
Evaporasi
mengubah air menjadi uap dan berpindah dari permukaan yang menguap. Air
dapat menguap dari berbagai permukaan, seperti media dan tanaman yang basah.
Ketika evaporasi sedang berlangsung, udara sekitar perlahan menjadi
jenuh uap air. Perpindahan udara lembab ke atmosfer dipengaruhi oleh kecepatan
angin, sehingga kecepatan angin bersama-sama iradiasi, suhu dan kelembaban
adalah parameter-parameter iklim yang dipertimbangkan dalam menghitung
besarnya evaporasi.
Transpirasi, seperti evaporasi, juga dipengaruhi oleh
kecepatan angin, iradiasi, suhu dan kelembaban. Diasamping itu, transpirasi juga
dipengaruhi oleh laju pemberian larutan nutrisi dan kepekatannya.
Evaporasi dan transpirasi terjadi secara simultan.
Evaporasi pada
permukaaan media yang ada tanamannya ditentukan terutama oleh banyaknya

iradiasi matahari yang mencapai permukaan media.
Banyaknya iradiasi yang
mencapai media ini semakin berkurang dengan makin bertambahnya umur

tanaman, sedangkan luas kanopi tanaman semakin bertambah menutupi media.
Bila tanaman masih kecil, air yang hilang terutama diakibatkan oleh evaporasi
media tetapi bila tanaman terus tumbuh dan kanopinya menutupi media, maka
transpirasi menjadi penyebab utama kehilangan air.
98
Evapotranspirasi dapat diestimasi menggunakan model- model yang telah

banyak dikembangkan. Salah satu model tersebut adalah model Hargreaves (Wu,
1997). Model ini sederhana karena cukup membutuhkan dua parameter iklim,
yaitu iradiasi dan suhu. Adapun model Hargreaves dinyatakan dalam persamaan
berikut:
238,8
ETo = 0,0135 (T +17,78Rs )

595,50,55T
(69)
ETc = ETo K c
(70)
diimana ETo adalah evapotranspirasi acuan (mm/hari), T adalah suhu (o C), R s

adalah iradiasi (MJ/m2 /hari), ET c adalah evapotranspirasi tanaman (mm/hari),
dan K c adalah koefisien tanaman.
Kurva hasil perhitungan
ET c
untuk tanaman ketimun mini yang
menggunakan pendekatan model di atas dapat dilihat pada Gambar 69. Pada
gambar tersebut juga disajikan volume nutrisi yang diberikan. Terlihat bahwa
kedua kurva menunjukkan trend yang sama tetapi jumlah volume larutan nutrisi
yang diberikan lebih besar daripada evapotranspirasi.
Walaupun antara volume nutrisi yang diberikan dan evapotranspirasi
secara konsep adalah identik, tetapi merupakan hal yang berbeda. Volume nutrisi
yang diberikan merupakan kombinasi antara air dan nutrisi.
Dalam
pemberiannya, diasumsikan sebagai pemenuhan kebutuhan air bagi tanaman

ketimun mini yang jumlah pemberiannya untuk mengkompensasi kehilangan air
akibat evapotranspirasi dan faktor lainnya. Faktor lain tersebut, seperti untuk
pencucian garam- garam, dan keseragaman ketersediaan air di media tanaman.
Media tanam yang digunakan dalam penelitian adalah arang sekam yang
porositasnya sangat tinggi.
Pemberian larutan nutrisi didasarkan pada suhu,
kenampakan tanaman secara visual, pH dan nilai EC.

Model tanaman yang dikembangkan dengan JST ini lebih lengkap
daripada model evapotranspirasi.
Parameter iklim, seperti suhu, radiasi dan
kelembaban yang biasanya dibutuhkan model evapotranspirasi untuk menduga

kebutuhan air telah dipertimbangkan dalam model JST.
Disamping itu,
keluarannya yang berupa kondisi tanaman yang diinginkan, yaitu rasio kanopi-
99
diameter batang dan outflow sudah dapat diduga, hal ini tidak terjadi bila
1.8
1200
1.7
1000
800
1.6
600
1.5
Evapotranspirasi tanaman (ETc)
1.4
1.3
400
200
Nutrisi yang diberikan (ml)
Evapotranspirasi tanaman
(mm/hari)
menggunakan model evapotranspirasi.
0
1
10 11 12 13 14 15
Hari ke-
Gambar 69 Pola evapotranspirasi tanaman ketimun mini

dan volume nutrisi yang diberikan
Model Lingkungan-biologik
Hasil pengukuran suhu udara dan kelembaban udara (kelembaban relatif)
di dalam rumah tanaman dan lingkungan (di luar rumah tanaman ) selama 72 jam
dengan kondisi iradiasi matahari pada siang hari dapat dilihat pada Gambar 71.
Pada saat pengambilan data tersebut cuaca agak cerah pada pagi hari, mendung
pada siang hari, dan hujan pada sore hari.
Lokasi pengambilan data berada pada ketinggian 670 m di atas permukaan
laut, suhu harian berkisar 18 o C sampai 38 o C, kelembaban harian berkisar 70
persen sampai 90 persen, dan curah hujan tahunan sebesar 2495mm. Kondisi
topografi yang berbukit-bukit datar terletak pada koordinat 104 o BT dan 6 o LS.
Pada Gambar 71 terlihat bahwa suhu dan kelembaban didalam rumah
tanaman berfluktuasi mengikuti kondisi suhu dan kelembaban lingkungan, pada
siang hari, iradiasi matahari sangat mempengaruhi keduanya. Pengaruh iradiasi
menghasilkan kecenderungan sama dengan suhu, tetapi hal yang sebaliknya
terjadi pada kelembaban, karena kelembaban fungsi invers dari suhu.
Di dalam rumah tanaman, suhu maksimum dan kelembaban minimum
terjadi pada pk. 13.00-14.00 siang, karena iradiasi matahari pada jam tersebut
mencapai puncaknya.
Sedangkan suhu minimum dan kelembaban maksimum
100
pada pk. 03.00-04.00. Walaupun iradiasi matahari bisa dikatakan telah minimal
sejak pk. 18.00, ternyata efek iradiasi terus berlanjut sebagai akibat dari
penyerapan benda-benda di dalam rumah tanaman dan efek tersebut betul-betul
minimal pada sekitar pk. 03.00-04.00.
Selisih suhu dan kelembaban rumah tanaman dengan lingkungan berturutturut sekitar tiga derajat dan enam persen. Perbedaan ini relatif tidak besar karena
struktur rumah tanaman terbuat dari kasa. Namun demikian, bisa jadi jumlah
iradiasi yang diterima lebih sedikit karena waktu pengukuran musim hujan. Bila
dilihat dari fungsi rumah tanaman di iklim tropik, yaitu lebih mengutamakan
untuk melindungi atau mengontrol tanaman daripada meningkatkan suhu, maka
bangunan rumah tanaman ini cukup fungsional.
Verifikasi dilakukan dengan membandingkan data hasil perhitungan
dengan data aktual (hasil pengukuran). Kelayakan model yang dikembangkan
dilihat dari nilai efisiensi model (EI) dan tingkat kesalahan model (APD), secara
bertur ut-turut semakin mendekati nilai 100% dan 0% model dianggap memadai.
Dengan
kelayakan
yang
demikian
diharapkan
performa
model
yang
dikembangkan berada pada sekitar garis linier 45o pada diagram kartesius. Atau
dengan kata lain, hal ini akan mencerminkan keterandalan model pada kondisi
yang diharapkan, tidak mengalami over atau under estimate.
Adapun hasil verifikasi perhitungan suhu dan kelembaban (RH) dalam
rumah tanaman yang menggunakan pendekatan pindah panas dan massa, yaitu
pindah panas di lantai, keseimbangan panas udara dalam rumah tanaman, dan
keseimbangan uap air udara di dalam rumah tanaman, masingmasing dapat
Sedangkan kurva fluktuasi suhu hitung dan
aktual; dan kelembaban hitung dan aktual dapat diliahat pada Gambar 74.
Nilai EI dan APD untuk suhu berturut-turut adalah 88% dan 0,49%,
sedangkan untuk kelembaban adalah 77% dan 0,29%. Hasil ini cukup memadai
untuk kasus rumah tanaman yang cukup luas (256 m2 ) dengan penyekat kasa.
Perhitungan pada model menggunakan metode lump, yaitu menganggap suhu dan
kelembaban udara sama pada setiap titik, pada kenyataan di lapangan tidaklah
demikian. Agar performa nsi lebih baik, diduga perlu memasukan komponen
transpirasi, terutama kaitannya dengan kelembaban.
101
100
RH (%)
68
80
58
70
48
38
60
28
50
18
0
24
RH lingkungan
Suhu rumah tanaman
Waktu (jam)
48
RH rumah tanaman
Iradiasi rumah tanaman
Gambar 70 Kurva kelembaban relatif, suhu, dan iradiasi rumah tanaman, dan lingkungan
72
Suhu lingkungan
78
88
90
Suhu ( C), Iradiasi (w/m x 10)
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)
Gambar 71 Perbandingan suhu aktual dengan hasil prediksi
100
RH prediksi (%)
95
90
85
EI = 77%
APD =0. 29%
80
75
70
70
75
80
85
90
95
100
RH aktual (%)
Gambar 72 Perbandingan kelembaban relatif aktual dengan

hasil prediksi
101
100
58
53
43
70
38
60
33
28
50
23
40
18
0
24
48
72
Waktu (jam)
RH aktual
RH hitung
Suhu aktual
Suhu hitung
Gambar 73 Kurva fluktuasi kelembaban relatif hitung, dan aktual; dan suhu hitung dan aktual
48
80
Suhu rumah tanaman ( C)
RH rumah tanaman (%)
90
104
Penentuan Parameter Optimal dan Performansi Kontrol Fazi dan PID

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

acuan dengan kondisi aktual dari besaran fisik (suhu dan kelembaban), i adalah
data ke-i, dan n adalah data ke-n.
Seberapa besar peran yang diharapkan dari komponen esuhu dan erh di
dalam persamaan fungsi fitness, dilakukan dengan mengatur koefisien dan
yang disesuaikan dengan kebutuhan, dalam kasus ini dan adalah 0,5.
Parameter yang dioptimalkan (decision variable) adalah P1 , P2 , P3 , P4 , dan P5
untuk kontrol fazi; dan KP , TI dan TD untuk PID.
Kurva evolusi menunjukkan proses penelusuran nilai fitness maksimum
untuk menentukan parameter-parameter optimal kontrol fazi dan PID. Kedua
kurva evolusi (Gambar 74 dan 75) meningkat secara tajam pada awal dan
kemudian mencapai nilai maksimum. Penelusuran dihentikan bila nilai fitness
maksimum bertahan pada nilai yang sama sampai pada generasi tertentu, dan
individu tersebut dianggap memberikan nilai parameter optimal untuk kontrol fazi
dan PID.
Pada kedua kurva evolusi ditampilkan beberapa skenario probabilitas
terjadinya rekombinasi (Pc) dan mutasi (Pm). Kedua probabilitas tersebut tidak
boleh terlalu tinggi dan tidak boleh terlalu rendah.
Probabilitas rekombinasi
terlalu tinggi, memberikan eksplorasi ruang solusi yang terlalu besar sehingga
105
solusi yang mungkin sudah mendekati optimum bahkan menjadi jauh.

Probabilitas rekombinasi yang terlalu rendah akan mengakibatkan ruang
eksplorasi solusi menjadi terbatas karena banyak kromosom yang mungkin dapat
memberi solusi tidak terikut dalam evolusi.
Probabilitas mutasi yang terlalu tinggi mengakibatkan terlalu banyak gen
berubah dan akan menghilangkan kemiripan antara offspring dan parent yang
pada gilirannya dapat mengacaukan proses evolusi, demikian juga bila terlalu
rendah, kemungkinan gen-gen yang bermanfaat tidak pernah dapat diikutkan
dalam proses evolusi.
Untuk mencapai optimum global, solusi yang paling mungkin dari
problem, dapat diupayakan dengan memeperbesar ukuran populasi dan jumlah
iterasi. Namun hal ini harus tetap disesuaikan dengan kebutuhan, karena bila
kedua parameter ini terlalu besar dapat mengakibatkan waktu perbaikan tiap
generasi menjadi sangat lama dan bisa jadi solusi yang diharapkan tidak pernah
tercapai. Pada penelusuran ini, untuk mempercepat tercapainya optimum global,
ukuran populasi yang digunakan adala h 35. Sedangkan menurut Kusumadewi
(2003), untuk sembarang jenis permasalahan, sebaiknya ukuran populasi tidak
kurang dari 30.
Jumlah iterasi yang digunakan dalam penelusuran penentuan parameter
kontrol optimal fazi dan PID ini adalah 500.
Hal ini cukup memadai untuk
menghindari optimum lokal, yaitu solusi yang lebih baik dari beberapa solusi lain
tetapi kurang baik dari solusi optimum global.
Tentunya, kombinasi antara
ukuran populasi yang makin besar dan jumlah iterasi yang makin besar akan dapat
mempercepat tercapainya optimum global, tetapi kemampuan komputer harus
memadai.
Dalam penelusuran parameter kontrol optimal untuk pengontrolan suhu
dan kelembaban dengan kontrol fazi dan PID, dicobakan beberapa skenario.
Kemudian dari skenario yang dicobakan dibandingkan kurva evolusinya seperti
pada Tabel 4. Pertama-tama dibandingkan Pc yang tetap dengan Pm yang lebih
rendah (kasus 1). Kemudian seperti kasus 1 tetapi nilai Pc yang lebih tinggi
(kasus 2, 3, dan 4).
dibandingkan (kasus 5).
Selanjutnya hasil lebih baik dari masingmasing kasus
106
Tabel 4 Pembandingan parameter algoritma genetika Pc dan Pm

Kasus
1
2
3
4
5
Skenario yang dibandingkan

Pc =0,2; Pm=0,2
Pc =0,6; Pm=0,2
Pc =0,6; Pm=0,6
Pc =0,8; Pm=0,8
Pc =0,2; Pc =0,6;
Pm=0,02 Pm=0,02
Hasil lebih baik
Pc =0,2; Pm=0,02
Pc =0,6; Pm=0,02
Pc =0,6; Pm=0,06
Pc =0,8; Pm=0,08
Pc =0,6;
Pc =0,8;
Pm=0,06
Pm=0,08
Pc =0,2; Pm=0,02
Pc =0,6; Pm=0,02
Pc =0,6; Pm=0,06
Pc =0,8; Pm=0,08
Pc =0,6;
Pc =0,6;
Pm=0,06 Pm=0,02
(fazi)
(PID)
Pada kasus 1, 2, 3, dan 4 baik untuk penelusuran parameter optimal

kontrol fazi maupun PID, umum nya Pc yang lebih besar akan lebih buruk. Kurva
evolusi pada penelusuran kontrol fazi cenderung belum konvergen sedangkan
kontrol PID cenderung terjebak optimum lokal.
Pada kasus 5, diperoleh hasil yang terbaik (optimum global), yaitu
skenario Pc =0,6; Pm=0,06 untuk fazi (Gambar5.41) dan skenario Pc =0,6; Pm=0,02
untuk PID (Gambar 5.42).
Secara berturut-turut, nilai fitness maksimum dan
jumlah iterasi mulai stabil untuk masingmasing kontrol adalah 1067 dan 240; dan
1280 dan 125. Adapun parameter optimal kontrol fazi dan PID untuk suhu dan
kelembaban yang dihasilkan dari penelusuran optimal global kurva evolusi di atas
dapat dilihat pada Tabel 5 Kurva performansi untuk suhu dan kelembaban dari
hasil penelusuran optimum global kurva evolusi diatas, masingmasing dapat
Tabel 5 Parameter optimal kontrol fazi dan PID

Suhu
Parameter fazi
P1 = 0,17
P2 = 0,32
P3 = 11,28
P4 = 4,58
P5 = 141,89
Parameter PID
KP =0,06
TI =0,08
TD =1,91
Kelembaban
Parameter fazi
P1 = 0,38
P2 = 0,05
P3 = 6,96
P4 = 11,73
P5 = 968,65
Parameter PID
KP =0,01
TI =0,0012
TD =16
107
Skenario Pc =0,2; Pm=0,02 pada kurva evolusi penentuan parameter

optimal kontrol fazi (Gambar 74) dan skenario Pc =0,6; Pm=0,06 pada kurva
evolusi penentuan parameter optimal kontrol PID (Gambar 75) terjebak kepada
optimum lokal.
Kurva performansi untuk suhu dan kelembaban dari hasil
penelusuran optimum lokal kurva evolusi diatas, masingmasing dapat dilihat
pada Gambar 78 dan 79.
Dari kurva performansi kontrol fazi dan PID terlihat jelas (terutama hasil
pengontrolan kelembaban) bahwa performansi kurva yang dihasilkan dari
penelusuran optimum global lebih baik dari kurva yang dihasilkan dari
penelusuran optimum lokal, bandingkan Gambar 76 dengan 78 untuk kontrol fazi
dan Gambar 77 dengan 79 untuk kontrol PID. Hasil pengontrolan kelembaban
pada kontrol fazi dan PID tidak stabil, masingmasing cenderung membentuk
respon berosilasi dengan amplituda tetap (sustained oscillation) dan respon
berosilasi dengan amplituda semakin besar (undamped).
Nilai fitness maksimum dari kedua kurva evolusi penelusuran parameter
optimal kontrol fazi dan PID (Gambar 74 dan 75), secara umum, dapat digunakan
untuk menduga performansi kontrol fazi dan PID yang akan dihasilkan, kontrol
dengan nilai fitness maksimum lebih tinggi (dalam hal ini PID) akan
mengghasilkan kurva performansi yang lebih baik. Hal ini dimungkinkan karena
nilai fitness yang tinggi mencerminkan error yang terjadi sangat kecil. Namun
demikian hal ini tidak berlaku mutlak karena error yang diminimumkan adalah
error total yang terjadi dari awal sampai akhir pengontrolan, dan distribusi error
tidak diketahui, apakah banyak terjadi disaat sistem dapat gangguan, atau pada
saat sistem relatif stabil.
Pada simulasi ini selain modus kontrol fazi dan PID juga di cobakan
modus kontrol P, PI, dan PD, ternyata pada sistem rumah tanaman dengan
perubahan iradiasi matahari yang cepat, modus kontrol tersebut tidak dapat
diaplikasikan atau dengan katalain sistem menjadi kacau. Adapun karakteristik
performansi kontrol fazi dan PID pada masingmasing kurva performansi akan
didiskusikan pada bagian berikut.
108
1600
1400
Pc=0,6;Pm=0,06
1200
Fitness
1000
Pc=0,6;Pm=0,02
800
Pc=0,2;Pm=0,02
600
Maksimum
Rata-rata
Minimum
400
200
0
0
100
200
300
Generasi ke-
Gambar 74 Kurva evolusi penentuan parameter optimal kontrol fazi
400
500
109
1600
Pc=0,6;Pm=0,02
1400
1200
Pc=0,6;Pm=0,06
Fitness
1000
800
Pc=0,2;Pm=0,02
600
Maksimum
Rata-rata
Minimum
400
200
0
0
100
200
300
Generasi ke-
Gambar 75 Kurva evolusi penentuan parameter optimal kontrol PID
400
500
110
100
98
88
68
80
Suhu ( C),
RH (%)
78
58
70
48
Iradiasi (x 100 w/m)
90
38
60
28
50
18
0
24
RH rumah tanaman
Suhu lingkungan
48
Waktu (jam)
RH lingkungan
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
Suhu ( C), Iradiasi (x 10 w/m)
98
38
60
28
50
18
0
24
48
72
Waktu (jam)
RH rumah tanaman
Suhu_lingkungan
RH_lingkungan
Suhu rumah tanaman
Gambar 77 Kurva performansi kontrol PID pada suhu dan kelembaban dengan parameter hasil kurva evolusi optimum global
112
100
98
88
68
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
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
90
72
SR_simulasi
Gambar 79 Performansi kontrol PID pada suhu dan kelembaban dengan parameter hasil kurva evolusi optimum lokal
112
Performansi Kontrol Fazi dan PID

Kurva transien kontrol fazi dan PID, masingmasing, dapat dilihat pada
Gambar 80 dan 81. Kurva transien menunjukkan proses tercapainya kestabilan,
disini dilihat perilaku overshoot dan waktu stabil. Selain itu juga dapat dilihat
keluaran daya sebagai reaksi dari sistem pengontrolan. Kurva daya, baik hasil
kerja pendingin (Q cond) maupun pelembab (Q hum ) bekerja pada dua arah, untuk
suhu dan kelembaban, yaitu kearah meningkatkan dan menurunkan.
Kurva daya positif dan negatif hanya menggambarkan proses aktuator
yang bekerja. Kurva daya Qcond berada di bidang negatif menunjukan pengering
yang bekerja, sedangkan dibidang positif pendingin yang bekerja.
Namun
demikian, untuk kurva daya Qhum , ,bila di bidang negatif menunjukan proses
penurunan kelembaban yang bekerja, sedangkan di bidang positif peningkatan
kelembaban yang bekerja.
Kurva performansi hasil simulasi pengontrolan modus kontrol fazi dan
PID dengan parameter optimal untuk suhu dan kelembaban dengan tiga acuan ke
atas dan ke bawah, secara berturut-turut dapat dilihat pada Gambar 82, 83, 84, dan
852.
Kurva tersebut menggambarkan karakteristik dari suhu dan kelembaban
lingkungan; serta suhu, kelembaban, dan iradiasi matahari di dalam rumah

tanaman.
Kedua modus kontrol tersebut tetap stabil baik pada perubahan acuan ke
atas maupun ke bawah. Ketiga titik acuan pengontrolan untuk kelembaban adalah
70%, 80%, dan 90%, dan suhu adalah 21 o C, 26 o C , dan 31 o C.
Hal ini
menunjukkan bahwa parameter kedua kontrol pada daerah operasi tersebut, yaitu
untuk kelembaban 70%-90% dan suhu 21 o 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.
Hanya proses variabel yang tidak
mengandung riak, seperti pengontrolan temperatur inilah, biasanya modus kontrol

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

proses (besaran lingkungan-biologik, seperti suhu dan kelembaban), menghitung
berapa banyak koreksi yang perlu dilakukan, dan mengeluarkan sinyal koreksi
sesuai dengan hasil perhitungan tadi.
Langkah- langkah atau algoritma menghitung besarnya koreksi dilakukan
oleh modus kontrol, seperti fazi, PID, dan turunannya. Masukan modus kontrol
adalah error dan perubahan error dan keluarannya adalah sinyal koreksi atau
variabel manipulasi yang dapat diubah-ubah besarnya agar variabel proses atau
varabel kontrol besarnya sama dengan acuan.
Upaya untuk mempertahankan
varibel proses dengan acuannya, masing masing modus kontrol mempunyai
114
parameter-parameter. Parameter-parameter ini harus optimal. Bila tidak, sistem

kontrol akan mudah menjadi tidak stabil bila terjadi perubahan acuan atau
gangguan.
Kontrol akan selalu mencoba menyamakan variabel kontrol dengan acuan,
terutama bila terjadi perubahan acuan atau perubahan gangguan. Gangguan atau
beban adalah besaran lain, selain variabel manipulasi yang dapat menyebabkan
variabel proses dapat berubah.
Dalam simulasi ini yang menjadi gangguan
dibedakan menjadi dua, besaran yang hanya berperan sebagai gangguan yaitu
iradiasi matahari.
Besaran yang berperan sebagai gangguan dan sekaligus
variabel proses adalah suhu dan kelembaban relatif. Jadi perubahan salah satunya
akan mempengaruhi yang lainnya.
Masing- masing modus kontrol mempunyai karakteristik tersendiri. Pada
dasarnya, inti perencanaan kontrol umpan balik adalah memilih modus kontrol
dengan aktuator yang cocok dengan proses yang akan dikendalikan agar error
sistem kontrol kecil dan stabil pada semua operasi. Modus kontrol fazi dan PID,
keduanya, dapat digunakan dalam mengendalikan variabel proses (suhu dan
kelembaban) dalam rumah tanaman dengan perubahan iradiasi yang sangat
dinamik. Sedangkan modus kontrol P, PI dan PD tidak dapat digunakan, sistem
menjadi kacau.
Kurva performansi untuk pengendalian suhu dan kelembaban dalam
rumah tanaman antara modus kontrol fazi dan PID, masingmasing memiliki
kelebihan.
Hasil pengontrolan suhu dengan modus kontrol fazi tidak terjadi
overshoot, waktu stabil 1,2 jam, error stabil 0,02 o C, error gangguan 1,22 o C,
sedangkan PID, terjadi over shoot maksimum 1,52 o C, waktu stabil 0,64 jam,
error stabil 0,16 o C, error gangguan 1,83 o C. Pada pengontrolan kelembaban
dengan modus fazi terjadi overshoot maksimum 4,22%, waktu stabil 1,84 jam,
error stabil 0,06%, error gangguan 1,77%.
Pada PID terjadi overshoot
maksimum 5,7%, waktu stabil 4,16 jam, error stabil 0,574%, error gangguan
0,91%.
Dalam melihat performansi kedua modus kontrol tersebut pada
pengendalian suhu dan kelembaban harus dilihat secara simultan, karena kedua
115
variabel proses tersebut juga merupakan variabel gangguan (disturbance) antara

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

H a r i keLingkungan
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
Pada Gambar 86 dan 87, berturut-turut hasil performansi aplikasi kontrol

modus fazi dan PID. Kedua modus kontrol ini dapat digunakan untuk mengontrol
lingkungan dalam rumah tanaman. Perbedaan error stabil dan error gangguan
untuk suhu dan kelembaban pada kedua modus kontrol tersebut berbeda tidak
signifikan.
116
100
50
30
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
Qhum , Qcond (x 100 w/m)
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
Suhu ruang tanaman
Ganbar 81 Kurva transien kontrol PID dengan gangguan pada suhu dan kelembaban
Qhum
Qdaya
Qhum , Qcond (x 100 w/m )Suhu
100
118
100
68
80
58
70
48
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
Hari keRH rumah tanaman
RH lingkungan
Suhu lingkungan
Suhu rumah tanaman
Gambar 86 Performansi sistem kontrol fazi untuk suhu dan kelembaban dengan 15 hari acuan optimal
15
18
90
Suhu ( C), Iradiasi (x 10 w/m )
98
123
100
88
RH (%)
78
68
80
58
70
48
38
60
28
50
10
11
12
13
14
15
Hari keRH rumah tanaman
RH lingkungan
Suhu lingkungan
Suhu rumah tanaman
Gambar 87 Performansi kontrol PID dengan parameter untuk suhu dan kelembaban dengan 15 hari acuan optimal
18
90
98
KESIMPULAN DAN SARAN
Kesimpulan
Prototipe perangkat lunak SKALB telah dilengkapi dengan fasilitas real
time untuk akuisisi data dan pengontrolan dengan modus kontrol Fazi, PID, PI,
PD, dan P. penentuan acuan optimal lingkungan; penentuan parameter optimal
kontrol; simulasi yang mengintegrasikan model suhu dan kelembaban dengan
sistem kontrol dan optimasi algoritma genetika; serta operator identifikasi JST dan
operator optimasi AG.
Prototipe teknologi SKALB dapat digunakan untuk
mendukung usaha agribisnis untuk memproduksi komoditas hortikultura dengan

spesifikasi tertentu yang membutuhkan teknologi dan perlakuan khusus, dimana
tidak semua orang dapat melakukannya.
Pada contoh aplikasi penentuan acuan optimal lingkungan untuk
pertumbuhan tanaman ketimun mini selama fase vegetatif, model JST telah
memberikan hasil yang baik dalam pendugaan rasio kanopi-diameter dan larutan
nutrisi yang hilang (out flow) berdasarkan larutan nutrisi yang diberikan dan
lingkungan-biologik (suhu, kelembaban dan iradiasi). Adapun nilai-nilai EI dan
APD pada hasil pembelajaran untuk rasio kanopi-diameter adalah 95% dan 1,3%;
untuk out flow adalah 99% dan 4,9%. Hasil validasi untuk rasio kanopi-diameter
adalah 93% dan 0,62 %; untuk out flow adalah 96% dan 0,43%.
Karakteristik model JST terdiri dari 3 lapisan dengan 8 simpul dalam
lapisan tersembunyi, laju pembelajaran 0.63, momentum 0.85, gain 0.9, iterasi
15.000, dan fungsi transfer antara lapisan masukan-tersembunyi-keluaran
digunakan fungsi sigmoid. Penentuan lingkungan optimal dengan AG selama
fase vegetatif (15 hari) adalah 45-1026 ml untuk larutan nutrisi yang diberikan,
24-31oC untuk suhu, 82-83% untuk kelembaban relatif, 231243 w/m2 untuk
iradiasi.
Metode konfirmasi yang digunakan untuk menentukan acuan optimal
lingkungan adalah Cek-Silang, yaitu dengan cara mensimulasikan kembali solusi
hasil penelusuran ke dalam model JST respon dinamik yang digunakan sebagai
fungsi fitness.
127
Fungsi fitness pertama yang menggunakan operator penjumlahan ternyata

paling tepat dalam memenuhi prinsip algoritma genetika untuk mencari solusi
optimum global pada kasus keluaran yang lebih dari satu variabel dan bersifat
dualisme-seperti
memaksimumkan
rasio
kanopi-diameter
batang
dan
meminimumkan out flow. Pengunaan fungsi fitness tersebut lebih cepat mencapai
konvergen.
Model lingkungan-biologik yang dibangun ternyata cukup memadai untuk
rumah tanaman skala produksi.
Adapun Nilai EI dan APD untuk suhu dan
kelembaban berturut-turut adalah 88% dan 0,49%, sedangkan untuk kelembaban

adalah 77% dan 0,29%.
Performansi sistem kontrol menjadi lebih baik dengan adanya operator
algoritma genetika untuk optimasi parameter sehingga modus kontrol fazi dan
PID dapat digunakan untuk mengontrol sistem lingkungan-biologik terpadu secara
lebih baik.
Adapun parameter fazi untuk suhu P1 =0,17, P2 =0,32, P3 =11,28,
P4 =4,58, dan P5 =141,89, untuk kelembaban P1 =0,38, P2 =0,05, P3 =6,96, P4

=11,73, dan P5 =968,65; sedangkan parameter PID untuk suhu KP =0,06, TI=0,08,
dan TD=1,91, untuk kelembaban KP =0,01, TI=0,0012, dan TD=16.
Saran
Aplikasi SKALB yang telah dikembangkan perlu mempertimbangkan
kesiapan manajer dan pelaksana di lapangan, ketersediaan perangkat keras sistem
kontrol, dan kelayakan ekonomi.
Guna pengontrolan variabel proses yang lebih banyak, SKALB perlu
dilengkapi fasilitas interface yang sesuai dengan kebutuhan tersebut.
Prototipe perangkat lunak SKALB perlu dikembangkan lebih lanjut
sehingga lebih user friendly.
DAFTAR PUSTAKA
Berckmans D, Pee MV. 1998. Speaking plant approach based on mathematical
identification for environment control purposes. Acta Hort 421:129-136.
Bot GPA. 1993. Physical modeling of greenhouse climate. Di dalam: Hasyimoto
Y, editor. The Computerized Greenhouse. USA: Academic Pr Inc. hlm 5171.
Boulard T, Draoui B, Neirac F. 2005. Calibration and validation of a greenhouse
climate control model. Di Dalam: Mathematical and Control Applications
in Agriculture and Horticulture. ISHA Acta Horticulturae 4006: II IFAC /
ISHS Workshop. http://www.actahort.org/books//406_1.html [19 Agu
2005].
Chao K, Gates RS. 1996. Design of switching control systems for ventilated
greenhouse. Transaction of the ASAE 39(4): 1513-1523.
Chotai A, Young PC, Davis P, Chalob ZS. 1991. True digital control of
glasshouse systems. IFAC Mathematical & Control Applications in Agric
and Hortic. Japan: Matsuyama.
Dantigny P, Lakrori M. 1992. Simulation of L/A control in fed-batch culture of
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
Jones JW. 1991. Crop growth, development, and production modeling.

Proceedings on Automated Agriculture for the 21st Century. Illinois, 1617 December. hlm 447-457.
Koning ANM de. 2005. Quantifying the responses to temperature of different
plant processes involved in growth and development of glasshouse tomato.
Di Dalam: Mathematical and Control Applications in Agriculture and
Horticulture. ISHA Acta Horticulturae 4006: II IFAC / ISHS Workshop.
http://www.actahort.org/books//406/406 1.html [19 Agu 2005].
Korner O, Challa H. 2003. Process-based humidity control regime for
greenhouse crops. Computers and Electronics in Agriculture 39(3): 173192.
Kostov P, Ivanova T, Dandolov I, Sapunova S, Ilieva I. 2002. Adaptive
environmental control for optimal results during plant microgravity
experiments. Acta Astronautica 51(1-9): 213-220.
Kusumadewi S.
2003.
Artificial intelligence (teknik dan aplikasinya).
Yogyakarta: Graha Ilmu. hlm 283.
Lefas CC, Santamouris MJ. 1984. Application of microcomputers in optimal
greenhouse environmental control and resources management. Solar and
Wind Technology 1(3): 153-160.
Loslovich I, Seginer I. 2002. Acceptable nitrate concentration of greenhouse
lettuce: two optimal control policies. Biosystems Engineering 83(2): 199215.
Morimoto T, Hashimoto Y. 1998. AI aproaches to identification and control of
total plant production. Di dalam: Kozai T, Murase H, Hosyi T, editor.
Preprints 3rd IFAC-CIGR Workshop on Artificial Intelligent in
Agriculture. Chiba; 24-26 Apr 1998. Japan: IFAC-CGR. hlm 1-19
Morimoto T, Hashimoto Y. 1991. Application of Fuzzy Logic and Neural
Network to The Process Control of Solution pH in Deep Hydroponic
Culture. IFAC Mathematical & Control Applications in Agric. and
Hortic. Japan: Matsuyama.
Nielsen B, Madsen H. 2005. Identification of a continuous time model of the
heat dynamics of a greenhouse. Di Dalam: Mathematical and Control
Applications in Agriculture and Horticulture. ISHA Acta Horticulturae
4006: II IFAC/ ISHS Workshop. http://www.actahort.org/books//406/406
1.html [19 Agu 2005].
129
Nilsson LEG, Nybrant TG. 2005. Adaptive control of floral development. Di

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

1998.
Design and
implementation of a computer-based control system for greenhouse in
tropical. Di dalam: Kozai T, Murase H, Hosyi T, editor. Preprints 3rd
IFAC-CIGR Workshop on Artificial Intelligent in Agriculture. Chiba; 2426 Apr 1998. Japan: IFAC-CGR. hlm 42-47.
130
Setiawan BI. 2000. Program aplikasi kubik spline dalam pascal.

Departemen Teknik Pertanian Institut Pertanian Bogor.
Bogor:
Setiawan BI. 2001. Designing temperature control system for mushroom

cultivation. Di dalam: Purwadaria HK, Widodo RJ, Seminar KB,
Tjokronegoro HA, Suroso, editor. Preprints 2nd IFAC-CIGR Workshop on
Intelligent Control for Agricultural Applications. Bali; 22-24 Agu 2001.
Indonesia: IFAC-CGR. hlm 87-90.
Shieh JS, Chen HC, Ferng LH. 1992. Application of a fuzzy logic controller in
temperature control of a pilot high-temperature short time heat exchanger.
Food Control 3(2): 45-53.
Straten van G. 2005. On-line control of greenhouse crop cultivation. Di Dalam:
Mathematical and Control Applications in Agriculture and Horticulture.
ISHA Acta Horticulturae 4006: II IFAC / ISHS Workshop.
Subrata MDI, Suroso, Dwinanto. 2001. Penerapan teknologi image processing
dan artificial ne ural network untuk menduga ketersediaan air dan nutrisi
pada pertumbuhan tanaman cabai merah. Buletin Keteknikan Pertanian
15(2): 80-88.
Suhardiyanto H, Seminar KB, Chadirin Y, Setiawan BI. 2001. Development of a
pH control system fornutrient solution in ebb and flow hidroponic culture
on fuzzy logic. Di dalam: Purwadaria HK, Widodo RJ, Seminar KB,
Tjokronegoro HA, Suroso, editor. Preprints 2nd IFAC-CIGR Workshop on
Intelligent Control for Agricultural Applications. Bali; 22-24 Agu 2001.
Indonesia: IFAC-CGR. Hlm 87-90.
Takakura T. 1991. Environmental control system for greenhouse. ASAE: 437446.
Tamrin, Seminar KB, Suhardiyanto H, Hardjoamidjodjo S. 2005. Model
Jaringan Syaraf Tiruan untuk Pertumbuhan Tanaman Ketimun Mini
(Cucumis sativus L. Var. Marla) pada Fase Vegetatif. Jurnal Keteknikan
Pertanian 19(1): 1-10.
Ursem RK, Filipi B, Thiemo N. 2004. Exploring the performance of an
evolutionary algorithm for greenhouse control. http://www.brics.dk/cgibin/view pubpd?arrby=year&anid=452 [13 Apr 2004.].
Yandra, Hermawan A. 2000. Algoritma Genetika dan Aplikasinya untuk
Agribisnis Masa Depan. Agrimedia 6(1): 42-43.
131
Young PC, Lees MJ. 2005. Simplicity out of complexity in glasshouse climate
modelling. Di Dalam: Mathematical and Control Applications in
Agriculture and Horticulture. ISHA Acta Horticulturae 4006: II IFAC /
ISHS Workshop. http://www.actahort.org/books//406/406 1.html [19 Agu
2005].
Wu IP. 1997. A Simple Evapotranspiration Model for Hawai: The Hargreaves
Model [Catatan penelitian]. CTAHR Fact Sheet Engeiners Notebook
106:1-2.
L A M P IR AN
1
2
3
5
6
4.00
4.00
4.00
40.00
Lampiran 1. Potongan memanjang greenhouse t ipe single span
4.00
135
Lampiran 2. Potongan melintang greenhouse tipe single span
1
0,30
2
3
0,75
0,85
2,90
6
1,10
7
0,25
0,65
6,4
135
136
Lampiran 3. Pemecahan persamaan-persamaan pendugaan suhu dan kelembaban

di dalam greenhouse tipe single span
Diskritisasi pers (56), (57), dan (58) dilakukan dengan finite difference
Euler skema implisit, kemudian sistem linier yang terbentuk diselesaikan dengan
metode Gauss-Jordan. Adapun langkah-langkahnya adalah sebagai berikut,
1. Pemecahan pers (56)
T t + t T t
lt
( mCp )lt lt
t
Tltt + t Tltt = (
= ( hA )lt ( Trt + t Tltt + t ) + AI r
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 + t T t
r
t
T
mCp )r r
= ( m&Cp )umk ( Tlt + t Trt + t )

+ ( hA )lt ( Tltt + t Trt + t )
+ ( UA )d ( Tlt + t Trt + t )
(1)
+ ( UA )a ( Tlt + t Trt + t )
Qref + Qheat
t
t
)( m&Cp )umk Tlt + t (
)( m&Cp )umk Trt + t
( mCp )r
( mCp )r
t
t
+(
)( hA )lt Trt + t
( mCp )r
( mCp )r
Trt + t Trt = (
t
t
)( UA )d Tlt + t (
)( UA )d Trt + t
( mCp )r
( mCp )r
t
t
+(
)( UA )a Tlt + t (
)( UA )a Trt + t
( mCp )r
( mCp )r
t
t
(
)Qref + (
)Qheat
( mCp )r
( mCp )r
+(
(2)
138
Trt + t = (
t
t
)( m&Cp )umk Tlt + t (
( mCp )r
( mCp )r
t
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
( mCp )r
t
t
+(
)( hA )lt Trt + t + (
)( UA )d Trt + t
( mCp )r
( mCp )r
Trt + t + (
t
t
)( UA )a Trt + t (
)( hA )lt Tltt + t
(4)
( mCp )r
( mCp )r
t
t
&Cp )umk Tlt + t + (
=(
)( m
)( UA )d Tlt + t
( mCp )r
( mCp )r
t
t
t
+(
)( UA )a Tlt + t (
)Qref + (
)Qheat + Trt
( mCp )r
( mCp )r
( mCp )r
+(
( 1+(
t
)(( m&Cp )umk + ( hA )lt + ( UA )d
( mCp )r
t
+ ( UA )a ))Trt + t (
)( hA )lt Tltt + t
( mCp )r
t
=(
)(( m&Cp )umk + ( UA )d
( mCp )r
+ ( UA )a )Tlt + t Qref + Qheat ) + Trt
(5)
139
t
)( hA )lt
( mCp )r
t
a22 = 1 + (
)(( m&Cp )umk + ( hA )lt + ( UA )d + ( UA )a )
( mCp )r
a23 = 0
(6)
a21 = (
b2 = (
t
)(( m&Cp )umk + ( UA )d + ( UA )a )Tlt +t
( mCp )r
Qref + Qheat ) + Trt
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
Lampiran 4. Tata nama simbol berdasarkan bab
Tinjauan Pustaka
Tanaman, Lingkungan, dan Rumah Tanaman
Simbol
Keterangan
Satuan
Qs
Panas iradiasi
watt
Koefisien transmisivitas penutup
Intensitas radiasi
watt/m2
Luas
m2
Koefisien transmisi panas secara keseluruhan
w/m2 K
Temperatur
Aliran massa udara
kJ/detik
Cp
Panas spesifik dari udara kering
kJ/kg.K
Subskrip
Terhadap bidang horizontal
Rumah kaca
Konduksi
Di dalam rumah tanaman
Di luar rumah tanaman
sa
Panas sensibel
Jaringan Syaraf Tiruan (JST)
Simbol
Keterangan
Lapisan masukan
v,w
bobot
Lapisan tersembunyi
Masukan lapisan keluaran
Fungsi aktivasi
Keluaran lapisan tersembunyi
Keluaran lapisan keluaran
Target keluaran
Satuan
141
Lampiran 4 (lanjutan)
Subskrip
Simpul dan lapisan keluaran mempunyai m simpul
lapisan tersembunyi mempunyai h simpul
Lapisan masukan mempunyai n simpul
i, j , p
1, 2,3,...
ji
Antara lapisan masukan dengan lapisan tersembunyi
kj
Antara lapisan tersembunyi dengan lapisan keluaran
pj
Keluaran pada lapisan tersembunyi unit ke- j
pk
Keluaran pada lapisan keluaran unit ke- k ;
Pendekatan Sistem Kontrol Adaptif Lingkungan Biologik

Komponen Struktur Sistem Kontrol Adaptif Lingkungan-biologik
Simbol
Keterangan
XT
Vektor masukan
Lapisan
Bobot
Target
Error
Satuan
Superskrip
Tersembunyi
Keluaran
Subskrip
Rasio kanopi-diameter batang
cm2 /cm
Limpasan nutrisi
ml
Simpulan ke- i pada vektor masukan
Antara vektor ke lapisan tersembunyi
Antara lapisan tersembunyi ke lapisan keluaran
142
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
Rasio kanopi-diameter batang
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
P1
Faktor pembagi error
P2
Faktor pembagi beda error
P3
Faktor pengali range nilai numerik

fungsi keanggotaan error
P4

fungsi keanggotaan beda error
P5

fungsi keanggotaan keluaran
Subskrip
Simbol
Keterangan
Satuan
ac
Acuan
ak
Aktual
Label ke- i
Banyaknya derajat keanggotaan

Kontrol PID
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
gradien besaran fisik
detik
144
Lf
seperempat periode
Pemodelan Suhu dan Kelembaban
Simbol
Keterangan
Satuan
Cp
m
Panas jenis, panas spesifik

Massa
kJ/kgo K
kg
m
T
t
A
I
U
Qref
Laju aliran massa

Suhu
Waktu
Luas
Faktor penyerapan iradiasi matahari
Iradiasi
Overall U (koefisien pindah panas total)
Pendingin
kg/jam
o
C
detik
m2
Qheat
Shum
Pv
Ps
Pemanas
Pelembab
Tekanan uap pada suhu T
Tekanan uap jenuh pada suhu jenuh T
Tekanan atmosfer
Konstanta gas
Kelembaban relatif
Kelembaban mutlak
Koefisien pindah panas konveksi
Koefisien pindah panas konduksi
watt
watt
Pa
Pa
Pa
Patm
R
RH
H
h
k
watt/m2
watt/m2o C
watt
%
kg/kg u.k.
watt/m2o C
watt/m2o C
Subskrip
Simbol
Keterangan
lt
r
umk
l
d
a
Lantai
Dalam rumah tanaman
Udara masuk dan keluar rumah tanaman
Lingkungan
Dinding
Atap
Satuan
145
Metode Penelitian
Prosedur Kerja
Pengolahan Data
Simbol
Keterangan
Satuan
RMSE
Root mean square error
EI
Efficiency indicator
APD
Average percentage absolute deviation

Subskrip
Simbol
Keterangan
Suhu
Kelembaban
Satuan
Hasil dan Pembahasan

Penentuan Acuan Optimal Lingkungan
Evapotranspirasi Tanaman
Simbol
Keterangan
Satuan
ETo
Evapotranspirasi acuan
mm/hari
Suhu
Rs
Iradiasi
MJ/m2 /hari
ET c
Evapotranspirasi tanaman
mm/hari
Kc
Koefisien tanaman.

2005 Tam

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

2005 Tam

Diunggah oleh

Hak Cipta:

Format Tersedia

DESAIN DAN PEMODELAN SISTEM KONTROL

PERNYATAAN MENGENAI DISERTASI DAN

Bogor, Oktober 2005

Hak cipta milik Tamrin, tahun 2005

DESAIN DAN PEMODELAN SISTEM KONTROL

Judul Disertasi: Desain dan Pemodelan Sistem Kontrol Adaptif

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

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

Dr. Ir. Herry Suhardiyanto, M.Sc.

Ketua Program Studi

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

Tanggal Ujian: 29 September 2005

Dekan Sekolah Pascasarjana

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

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

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

TINJAUAN PUSTAKA ..................................................................................

PENDEKATAN SISTEM KONTROL ADAPTIF

METODE PENELITIAN ................................................................................

HASIL DAN PEMBAHASAN .......................................................................

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

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

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

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

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

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

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

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

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

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

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

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

7 Arsitektur struktur sistem kontrol adaptif

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

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

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

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

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

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

14 Arsitektur algoritma genetika dengan fungsi fitness

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

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

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

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

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

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

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

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

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

24 Skema konsep pemodelan suhu dan kelembaban

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

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

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

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

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

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

33 Diagram menu utama perangkat lunak sistem kontrol adaptif

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

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

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

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

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

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

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