Berbicara mengenai perkembangan teknologi pertanian, tentu saja erat kaitannya dengan studi temuan yang berhasil diciptakan. Penemuannya dapat berupa software, hardware, ataupun ide pemikiran, tujuan dari pengembangan ini yaitu untuk memajukan pertanian presisi yang merupakan teknologi ini berbasis informasi dari pelbagai data yang berada dalam lingkungan tanaman untuk mendapatkan keuntungan optimum, berkelanjutan, dan menjaga lingkungan. Bentuk penerapan pertanian presisi yaitu pengembangan model prediksi pertumbuhan tanaman di plant factory dengan menggunakan jaringan saraf tiruan.
Model Prediksi Pertumbuhan Tanaman di Plant Factory dengan Jaringan Saraf Tiruan (JST)
Plant factory berfungsi untuk membentuk suatu lingkungan yang baik bagi pertumbuhan tanaman dan lingkungan tersebut agar mudah dikontrol serta diatur, sehingga selalu tersedia bagi pertumbuhan tanaman dan menghasilkan produksi yang tinggi serta berkualitas baik. untuk mendukung perkembangan serta pertumbuhan yang optimal bagi tanaman di plant factory maka dibuat model prediksi ertumbuhan tanaman dengan jaringan saraf tiruan untuk mengetahui pola pertumbuhan serta faktor lingkungan yang berpengaruh pada tanaman. Jaringan Saraf Tiruan merupakan teknik dalam machine learning yang dapat menirukan saraf manusia yang merupakan bagian fundamental dari otak. JST terdiri atas lapis masukan (input layer), lapisan tersembunyi (hidden layer), lapis keluaran (output layer). Setiap lapis terdiri atas satu atau beberapa unit neuron yang mempunyai sebuah fungsi aktivasi yang menentukan keluaran dari unit tersebut. Penambahan lapis tersembunyi pada JST berfungsi untuk menambah kemampuan dari jaringan tersebut. Jaringan dapat dilatih dengan menggunakan data latih. Semakin banyak data latih maka akan semakin bagus unjuk kerja dari jaringan tersebut. Namun, kemampuan JST juga terbatas pada jumlah lapisan dan fungsi aktivasi yang digunakan, semakin banyak jumlah lapisan semakin tinggi kapasitas JST tersebut. Semakin banyak lapisan juga membawa kekurangan yaitu semakin banyaknya jumlah iterasi atau training yang dibutuhkan.
Metode Perancangan Model Prediksi Pertumbuhan Tanaman dengan Jaringan Saraf Tiruan (JST)
Perancangan model prediksi dengan jaringan saraf tiruan membutuhkan sampel data pelatihan dan pengujian. Sampel training digunakan untuk pengembangan model JST dan sampel pengujian diadopsi untuk mengevaluasi kemampuan prediksi model. Pemilihan sampel data pelatihan dan pengujian dapat mempengaruhi kinerja model, sehingga diperlukan pembagian data ke dalam set pelatihan dan pengujian. Pembagian data sampel dilakukan untuk mewakili populasi atau mekanisme yang mendasarinya dan juga untuk memperkirakan seri waktu dalam data. Pada penelitian ini menggunakan 80% sampel data pelatihan dan 20% sampel data pengujian dengan jumlah data pelatihan 36 dan pengujian sebanyak 9.
Penentuan Arsitektur Jaringan Saraf Tiruan
Arsitektur pada studi ini ditentukan menggunakan 4 data input (suhu, kelembaban, EC, dan intensitas cahaya), 1 lapisan tersembunyi yang menggunakan neuron berjumlah 1 hingga 7 yang diuji coba untuk mengetahui seberapa besar akurasi yang didapat, dan data ouput 1 yaitu pertambahan tinggi tanaman selada (Δh). Arsitektur jaringan tersebut digambarkan pada Gambar 1.
Hasil Pengamatan Tinggi Tanaman Selada
Selama pengamatan pertumbuhan tanaman menggunakan suhu 20ºC dengan air conditioner dan pompa nutrisi menyala selama 24 jam. Akan tetapi, pada hasil data berubah-ubah karena faktor lingkungan dari luar ruangan yang mengakibatkan suhu di dalam ruangan naik yang dapat dilihat pada Gambar 2. Hal tersebut dikarenakan ruangan tidak dilengkapi dengan peredam panas dan dapat dilihat bahwa suhu yang berubah naik dan turun tidak terlalu berpengaruh pada pertumbuhan tanaman selada karena pada grafik tampak naik terus tanpa terganggu dengan faktor lingkungan suhu.
Hal ini juga berlaku pada parameter kelembaban yang ditunjukkan pada Gambar 3 garis merah menunjukkan kelembaban rata-rata harian berbeda setiap harinya sehingga pada grafik terlihat naik turun. Akan tetapi hal tersebut tidak terlalu berpengaruh pada pertumbuhan selada karena grafiknya terus naik hingga hari ke-51.
Adapun pada hasil intensitas cahaya berubah-ubah dengan range diantara 2510-2520 lux dikarenakan memiliki pada alat luxmeter memiliki akurasi ± 4% rdg ± 0.5% f.s yang dapat dilihat pada Gambar 4.3. Namun pada kenyataannya intensitas cahaya yang diberikan selama selama 12 jam dari pukul 06.00 hingga 18.00 selalu sama dan tidak berubah dan dari hasil terlihat bahwa intensitas cahaya tidak terlihat pengaruhnya pada pertumbuhan selada.
Hasil dari faktor lingkungan yang disandingkan dengan hasil pertumbuhan tanaman yang dapat dilihat pada Gambar 2 hingga Gambar 5 diketauhi bahwa faktor lingkungan yang paling berpengaruh yaitu kadar EC dalam nutrisi yang diberikan sesuai dengan umur tanaman selada, pemberiannya bertambah 100 ppm setiap minggu. Hal tersebut membuat tanaman semakin bertumbuh besar setiap harinya dan pada Gambar 5 terlihat bahwa grafik EC yang naik juga berbanding lurus dengan pertumbuhan tanaman selada. Namun apabila dilihat dari sembilan sampel terlihat mengalami pertumbuhan yang berbeda-beda. S4, S5, dan S6 yang paling baik diantara sampel yang lain. Hal ini dapat terjadi karena pengaruh cahaya yang dipancarkan oleh growth light yang dapat dilihat pada Gambar 6.
Pertumbuhan paling baik ada pada baris tengah plant factory, karena LED grow light memancar dari kedua sisi dan jarak cahaya ke tengah lebih dekat dibandingkan dari baris kanan dan kiri, sedangkan S7 menghasilkan tinggi yang paling rendah karena berada di pojok dan kurang mendapatkan cahaya.
Hasil Prediksi Pertambahan Tinggi Tanaman Menggunakan Jaringan Saraf Tiruan
Arsitektur 4-7-1 menghasilkan akurasi RMSE terkecil diantara semua arsitektur data latih yaitu sebesar sehingga dipilih untuk mengetahui hasil prediksi dari model yang telah dilatih. Hasil prediksi latih dapat dilihat pada Tabel 2. terlihat bahwa hasil prediksi hampir menyerupai dengan pertambahan tinggi aktual dan hasil R2 sebesar 0,987 nilai tersebut merupakan interpretasi yang sangat kuat.
Berdasarkan hasil prediksi serta interpretasi korelasi tersebut maka data uji menggunakan arsitektur 4-7-1 untuk mengevaluasi performa model. Hasil evaluasi model arsitektur 4-7-1 pada Tabel 3 menghasilkan performa prediksi pertambahan tinggi tanaman selada yang cukup baik. karena hasil R2 yang didapat sebesar 0,728.
Hasil Validasi Model Prediksi dengan Jaringan Saraf Tiruan
Proses validasi dilakukan untuk mengetahui performa yang dihasilkan dari bobot dan bias hasil pelatihan terhadap data baru yang berbeda dengan data pelatihan dalam penentuan pertambahan tinggi tanaman serta mengetahui seberapa tinggi akurasi yang dihasilkan dari hasil prediksi pada pengujian data. Hasil RMSE arsitektur 4-7-1 dari tahap pengujian sebesar 0,032. Berdasarkan hasil verifikasi pengujian model jaringan saraf tiruan dengan arsitektur 4-7-1 dapat digunakan untuk memprediksi pertambahan tinggi tanaman karena hasil RMSE tergolong ke dalam kategori sangat baik, hasil RMSE juga dipengaruhi oleh jumlah neuron yang digunakan pada lapisan tersembunyi di jaringan. Dari hasil studi dapat disimpulkan bahwa model dapat diaplikasikan untuk memprediksi pertambahan tinggi tanaman selada dan faktor lingkungan yang paling berpengaruh yaitu kadar EC pada nutrisi.
*Penelitian ini dipresentasikan di the International Conference on Science and Applied Science (ICSAS) 2019, Surakarta, dan dimuat di Proceeding AIP Publishing.
References
Rizkiana, A., Nugroho, A. P., Irfan, M. A., Sutiarso, L., & Okayasu, T. (2019, December). Crop growth prediction model at vegetative phase to support the precision agriculture application in plant factory. In AIP Conference Proceedings (Vol. 2202, No. 1, p. 020104). AIP Publishing LLC.
Acknowledgement
Penelitian ini didanai dengan skema Reknogisi Tugas Akhir (RTA) tahun 2019-2020 yang dilaksanakan di Smart Agriculture Research dalam merintis penerapan pertanian presisi pada plant factory. Penelitian ini dibimbing oleh: Dr. Andri Prima Nugroho, Prof. Dr. Lilik Sutiarso, M.Eng., dan Dr. Rudiati Evi Masithoh, M.Dev. Tech.
[simple-author-box]
