Guest Lecture by Associate Professor Takashi Okayasu Ph.D from Kyushu University, talked about Smart Agriculture : IoT Application in Agriculture. The lecture was given to the undergraduate students of the Department Agricultural and Biosystems Engineering, Fakultas Teknologi Pertanian, Universitas Gadjah Mada.
Guest Lecture by Associate Professor Takashi Okayasu Ph.D from Kyushu University, talked about Smart Agriculture : IoT Application in Agriculture. The lecture was given to the undergraduate students of the Department Agricultural and Biosystems Engineering, Fakultas Teknologi Pertanian, Universitas Gadjah Mada.
Guest Lecture by Associate Professor Takashi Okayasu Ph.D from Kyushu University, talked about Smart Agriculture : IoT Application in Agriculture. The lecture was given to the undergraduate students of the Department Agricultural and Biosystems Engineering, Fakultas Teknologi Pertanian, Universitas Gadjah Mada.
Guest Lecture by Associate Professor Takashi Okayasu Ph.D from Kyushu University, talked about Smart Agriculture : IoT Application in Agriculture. The lecture was given to the undergraduate students of the Department Agricultural and Biosystems Engineering, Fakultas Teknologi Pertanian, Universitas Gadjah Mada.
Sobat smart-farmer, kali ini kita akan mempelajari mengenai electronic nose, artikel ini berjudul “Electronic nose based on partition column integrated with gas sensor for fruit identification and classification”, ditulis oleh Dr. Radi. Abstraknya adalah sebagai berikut:
An alternative model of electronic nose systems by applying a combination of partition column with gas sensor was investigated for fruit classification and identification. The principle of physical and chemical separation in chromatography analysis known as an interaction between stationary phase material and compounds is able to profile the flavor sample; thus it is potentially implemented to substitute function of the sensor array on the conventional electronic nose. The electronic nose consists of a sample handling with combination of solenoid valves, a packed partition column coupled with a gas sensor as detector operated under a controlled temperature and data analysis software by using a neural network. The system was tested to classify three different flavors of fruit, i.e. durian, jackfruit, and mango. The result showed that it can generate reliable and repeatable chromatograms, from which, a unique pattern among samples can be extracted. Therefore, the patterns are able to be clearly classified with the neural network. The experiment showed that it can recognize the three different flavors with the level of accuracy of 82%.
Sobat smart-farmer, kali ini kita akan membahas artikel mengenai “Development of a remote environmental monitoring and control framework for tropical horticulture and verification of its validity under unstable network connection in rural area”, artikel ini dipublikasikan di Jurnal Computers and Electronics in Agriculture Tahun 2016. Artikel ini ditulis oleh Andri Prima Nugroho, Takashi Okayasu,Takehiko Hoshi, Eiji Inoue,Yasumaru Hirai, Muneshi Mitsuoka, Lilik Sutiarso. Abstraknya adalah sebagai berikut:
Budidaya tanaman sawi (Brassica rapa var. parachinensis L.) di lahan terbuka memiliki banyak kendala seperti serangan hama, angin, banjir, suhu lingkungan, kelengasan tanah hingga penyinaran yang tidak sesuai dengan syarat pertumbuhan tanaman. Dampaknya adalah terganggunya pertumbuhan tanaman sehingga mempengaruhi produktivitas. Budidaya tanaman di rumah tanaman (greenhouse) merupakan alternatif yang baik untuk mengontrol kendala tersebut. Sistem kontrol pengendalian iklim mikro untuk greenhouse telah dirancang dengan menggunakan mikrokontroler AVR ATMega8535. Sistem kontrol dikembangkan dengan menggunakan lima sensor yaitu sensor suhu dan kelembaban lingkungan, sensor suhu tanah, sensor kelengasan tanah, dan sensor intensitas sinar matahari. Rancangan memiliki tiga aktuator yaitu aktuator kipas, aktuator pompa air, dan aktuator lampu fotosintesis. Rancangan diletakkan di dalam greenhouse yang terhubung dengan komputer untuk mengirim data iklim mikro selama 32 hari pengamatan. Melalui penelitian ini telah dihasilkan aktuator kipas yang memiliki nilai akurasi 95,46% dengan nilai kecepatan pengendalian untuk mengendalikan suhu 58,70 menit. Aktuator pompa air menunjukkan nilai akurasi 98,01%, dengan kecepatan mengendalikan kelengasan tanah 31,83 menit. Aktuator lampu fotosintesis menunjukan nilai kecepatan respon terhadap nilai setting point untuk menyalakan lampu fotosintesis < 1 detik (± 10 mS). Hasil penelitian menunjukkan, bahwa tanaman yang berada di dalam greenhouse memiliki tinggi, dimensi daun, berat basah, dan jumlah daun yang lebih baik dibandingkan dengan di luar greenhouse. Artikel selengkapnya sebagai berikut:
Selamat siang sobat smart-farmer, kali ini artikel yang akan kita bahas adalah “Studi Pola Pertumbuhan Tanaman Sawi (Brassica rapa var. parachinensis L.) Hidroponik di dalam Greenhouse Terkontrol” yang ditulis oleh Mareli Telaumbanua, Bambang Purwantana, Lilik Sutiarso, Mohammad Affan Fajar Falah. Artikel ini dipublikasikan di Jurnal Agritech UGM pada tahun 2016. Abstrak dari penelitian ini adalah sebagai berikut:
Tanaman sayuran harus dibudidayakan dengan optimal agar diperoleh hasil yang maksimal. Di wilayah tropis seperti di Indonesia, pertumbuhan tanaman sayuran dipengaruhi oleh beberapa faktor iklim seperti kelembaban, suhu, nutrisi dan cahaya. Untuk memperoleh kondisi yang optimal dan terkendali selama periode pertumbuhan, tanaman sawi dibudidayakan secara hidroponik di dalam greenhouse. Penelitian ini dilakukan untuk mengidentifikasi pola pertumbuhan tanaman sawi (Brassica rappa var. parachinensis L.) yang dibudidayakan secara hidroponik di dalam greenhouse yang dilengkapi dengan kendali suhu, nutrisi dan cahaya. Tujuan penelitian adalah menentukan kombinasi faktor terbaik yang memberikan pertumbuhan paling optimal. Penelitian dilakukan dengan memberikan tiga perlakuan dengan tiga variasi yaitu suhu (32 °C, 35 °C, dan 38 °C), nutrisi (2 mS/cm, 5 mS/cm, dan 8 mS/cm), dan cahaya (7000 lux, 12000 lux, dan 17000 lux) sehingga terdapat 27 ruang budidaya atau greenhouse dengan iklim mikro yang berbeda. Tingkat pertumbuhan ditentukan berdasarkan luas daun dan diukur selama 48 hari budidaya. Kendali di dalam masing- masing greenhouse dilakukan oleh aktuator pompa, lampu pijar dan lampu TL (Flourescent Lamp). Hasil penelitian menunjukkan suhu, nutrisi dan cahaya berpengaruh pada pertumbuhan tanaman sawi. Dari hasil analisis faktor tunggal, luas daun maksimum dihasilkan pada suhu 35 °C yaitu 565 cm-, nutrisi 5 mS/cm yaitu 639,27 cm- dan cahaya 17000 lux yaitu 697,42 cm-. Secara kombinasi, tingkat pertumbuhan terbaik diperoleh pada perlakuan suhu 35 °C, nutrisi 5 mS/cm, dan cahaya 17000 lux dengan hasil luas daun mencapai 1068,82 cm-.
Sobat smart-farmer, kali ini kita akan membahas mengenai aplikasi soft-computing dalam bidang pertanian yaitu “Model Jaringan Syaraf Tiruan untuk Memprediksi Parameter Kualitas Tomat Berdasarkan Parameter Warna RGB”. Artikel ini ditulis oleh Dr. Rudiati Evi Masithoh, Prof. Budi Rahardjo, Prof. Lilik Sutiarso, dan Dr. Agus Hardjoko. Artikel ini dipublikasikan di Jurnal Agritech, Fakultas Teknologi Pertanian UGM pada tahun 2012. Abstraknya adalah sebagai berikut.
Jaringan syaraf tiruan (JST) digunakan untuk memprediksi parameter kualitas tomat, yaitu Brix, asam sitrat, karoten total, dan vitamin C. JST dikembangkan dari data Red Green Blue (RGB) citra tomat yang diukur menggunakan computer vision system. Data kualitas tomat diperoleh dari analisis di laboratorium. Struktur model JST didasarkan pada jaringan feedforward backpropagation dengan berbagai fungsi pelatihan, yaitu gradient descent (traingd), gradient descent dengan resilient backpropagation (trainrp), Broyden, Fletcher, Goldfrab dan Shanno (BFGS) quasi-Newton (trainbfg), serta Levenberg Marquardt (trainlm). Fungsi pelatihan yang terbaik adalah menggunakan trainlm, serta pada struktur jaringan digunakan fungsi aktivasi logsig pada lapisan tersembunyi dan linier (purelin) pada lapisan keluaran. dengan 1000 epoch. Nilai koefisien korelasi (r) pada tahap pelatihan dan validasi secara berturut-turut adalah 0.97 – 0.99 dan 0.92 – 0.99; sedangkan nilai MAE berkisar antara 0.01-0.23 dan 0.03-0.59.
