Dalam sistem NFT ini, penentuan nilai DHL larutan nutrisi merupakan faktor terpenting dalam menentukan keberhasilan budidaya. Beberapa
penelitian telah menunjukkan bahwa pemberian nilai DHL larutan nutrisi yang tinggi dapat meningkatkan kualitas hasil produksi khususnya buah tomat,
tetapi perlakuan ini juga dapat mengakibatkan yield loss Saito et.al., 2006. Sehingga optimisasi nilai DHL larutan nutrisi sangat diperlukan dalam sistem
hidroponik.
2.2 Tanaman Tomat
Tomat Solanum lycopersicum syn. Lycopersicum esculentum adalah tumbuhan dari keluarga Solanaceae, tumbuhan asli Amerika Tengah dan
Selatan, dari Meksiko sampai Peru. Tomat merupakan tumbuhan siklus hidup singkat, dapat tumbuh setinggi 1 sampai 3 meter. Tomat merupakan keluarga
dekat dari kentang Wikipedia Indonesia, 2007. Buah tomat saat ini merupakan salah satu komoditas hortikultura yang
bernilai ekonomi tinggi dan masih memerlukan penanganan serius, terutama dalam hal peningkatan hasilnya dan kualitas buahnya. Apabila dilihat dari
rata-rata produksinya, ternyata tomat di Indonesia masih rendah, yaitu 6,3 tonha jika dibandingkan dengan negara-negara Taiwan, Saudi Arabia dan
India yang berturut-turut 21 tonha, 13,4 tonha dan 9,5 tonha Kartapradja dan Djuariah, 1992. Rendahnya produksi tomat di Indonesia kemungkinan
disebabkan varietas yang ditanam tidak cocok, kultur teknis yang kurang baik atau pemberantasan hama dan penyakit yang kurang efisien.
Syarat tumbuh tanaman tomat antara lain: dapat tumbuh didataran rendah dan tinggi, waktu tanam yang baik 2 bulan sebelum musim hujan berakhir
awal musim kemarau, tanah gembur, kaya humus dan subur, drainase baik dan tidak menggenang, PH sekitar 5-6, curah hujan optimal 100-220
mmhujan, suhu udara optimum 10
o
-20
o
C malam hari, 20
o
-30
o
C siang hari anonim, 2002.
2.3 Teknik Identifikasi dengan Jaringan Syaraf Tiruan JST
Jaringan Syaraf Tiruan JST merupakan penjabaran fungsi otak manusia biologycal neuron dalam bentuk fungsi matematika yang akan menjalankan
proses perhitungan secara paralel Lippman, 1998. Menurut Kusumadewi 2003, JST merupakan salah satu representasi buatan dari otak manusia yang
selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut.
JST pada dasarnya tersusun dari beberapa lapisan noda, yaitu input layer lapisan masukan, hidden layer lapisan tersembunyi dan output layer
lapisan keluaran. Noda atau unit yang terhubung dari input layer ke hidden layer
atau dari layer satu ke layer yang lain dihubungkan dengan sinapsis yang direpresentasikan dengan nilai pembobot yang diperoleh pada proses
pembelajaran. Salah satu metode pembelajaran JST adalah backpropagation. Algoritma
backpropagation menggunakan error output untuk mengubah nilai
pembobotnya dalam arah mundur backward. Untuk mendapatkan error output
, tahap perambatan maju forward propagation harus dikerjakan terlebih dahulu Kusumadewi, 2003.
Gambar 2 Struktur JST Backpropagation. Algoritma pelatihan backpropagation menurut Fu 1994 adalah sebagai
berikut: Xi
Xn Vij Zij
Yk Wjk
Input layer Hidden layer
Output layer
1. Inisialisasi pembobot weight Mula-mula pembobot dipilih secara acak, kemudian setiap sinyal input
diberikan ke dalam noda pada input layer, lalu sistem akan mengirim sinyal ke noda pada hidden layer.
2. Perhitungan nilai aktivasi Setiap noda pada hidden layer dihitung nilai net input-nya dengan cara
menjumlahkan seluruh hasil perkalian antara noda input Xi dengan pembobotnya Vij, sebagaimana dalam persamaan berikut:
∑
=
=
n i
XiVij Zij
1
1 Jika setiap noda pada lapisan ini telah menerima nilai net input, langkah
selanjutnya adalah memasukkan nilai net input pada setiap noda ke dalam fungsi aktivasi fungsi sigmoid berikut:
exp 1
1
Zij
Zij f
σ −
+ =
2 dengan
σ : konstanta fungsi sigmoid. Zj = fZij
3 ∑
+ =
−
exp 1
1
ZjWjk k
Y
σ
4 3. Perbaikan nilai pembobot
Nilai output dari setiap noda pada output layer hasil perhitungan pada jaringan dibandingkan dengan nilai target yang diberikan dengan
persamaan jumlah kuadrat galat, seperti dalam persamaan:
∑
− =
in k
k k
Y T
E
2
2 1
5 dengan T
k
= nilai target yang diberikan dalam pembelajaran JST Y
k
= output dari hasil perhitungan pada jaringan Pada setiap lapisan dilakukan perubahan pembobot dengan menggunakan
aturan delta rule. Perubahan pembobot dari hidden layer ke output layer sesuai dengan persamaan:
ΔW
jk
= α δ
k
Z
j
6 dimana;
ΔW
jk
= perubahan nilai pembobot W
ij
α = laju pembelajaran
δ
k
= galat output ke k Z
j
= fungsi sigmoid Perubahan pembobot dari hidden layer ke input layer sesuai dengan
persamaan: ΔVij = α δ
j
X
i
7 Sehingga nilai perbaikan pembobot dapat dibuat dalam persamaan berikut:
W
jk
baru = W
jk
lama + ΔW
jk
8 V
ij
baru = V
ij
lama + ΔV
ij
9 Nilai laju pembelajaran harus dipilih antara 0–0,9. laju pembelajaran
menentukan kecepatan pelatihan sampai sitem mencapai keadaan optimal, jika nilainya besar akan membuat jaringan melompati nilai minimum
lokalnya dan akan berosilasi sehingga tidak mencapai konvergensi. Sebaliknya jika nilainya kecil menyebabkan jaringan terjebak dalam
minimum lokal dan memerlukan waktu yang lama selama proses training. Untuk menghindari keadaan tersebut ditambahkan suatu konstanta
momentum antara 0–0,9 pada sistem tersebut, dengan demikian laju pelatihan dapat ditingkatkan sehingga osilasi pada sistem dapat
diminimumkan. Perubahan nilai pembobot setelah dilakukan penambahan konstanta momentum sesuai dengan persamaan berikut:
ΔW
jk
baru = α δ
k
Z
j
+ β ΔW
jk
lama 10
ΔV
ij
baru = α δ
j
Xi +
β ΔV
ij
lama 11
dengan β adalah konstanta momentum.
4. Pengulangan Keseluruhan proses diatas dilakukan pada setiap contoh dan sekian
pengulangan sampai sistem mencapai keadaan optimum. Pengulangan tersebut mencakup pemberian contoh pasangan input dan output,
perhitungan nilai aktivasi dan perubahan nilai pembobot weight. Setelah JST terlatih memecahkan suatu masalah, kemudian harus
dilakukan validasi yang merupakan proses pengujian kinerja jaringan terhadap contoh yang belum diberikan selama proses pelatihan. Proses validasi
dilakukan dengan memasukkan suatu set contoh input-output yang hampir sama dengan contoh set input-output yang diberikan selama proses
pembelajaran. JST merupakan metode identifikasi yang tepat diaplikasikan untuk
sistem yang kompleks seperti sistem dinamik hubungan antara lingkungan dan tanaman. Di bidang teknologi greenhouse, JST telah dikembangkan antara lain
untuk memprediksi radiasi matahari Coelho et.al., 2002, untuk optimisasi pemberian air dan unsur hara pada pertumbuhan tanaman dalam rumah kaca
Arif, et.al., 2006 dan model pertumbuhan tanaman Tamrin, et.al., 2005.
2.4 Teknik Optimisasi dengan Algoritma Genetika AG
