Optimasi Komposisi Pupuk Tanaman Jagung Menggunakan Algoritme Genetika

  Vol. 2, No. 8, Agustus 2018, hlm. 2534-2541 http://j-ptiik.ub.ac.id

  

Optimasi Komposisi Pupuk Tanaman Jagung Menggunakan

Algoritme Genetika

_{1 2 3 1,2}

Arik Khusnul Khotimah , Nurul Hidayat , Moch. Cholil Mahfud

₃ Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya ₁ Balai Pengkajian Teknologi Pertanian (BPTP), Badan Litbang Pertanian _{2 3} Email : arikkhusnul@yahoo.co.id, ntayadih@ub.ac.id, cholil_mohammad@yahoo.com

Abstrak

  Saat ini, hasil produksi jagung belum memenuhi kebutuhan dalam negeri. Hal ini disebabkan karena produktivitas jagung menurun di beberapa tahun terakhir. Cara untuk menyelesaikan masalah tersebut adalah meningkatkan produkstivitas jagung. Salah satu faktor untuk meningkatkan produkstivitas tanaman jagung adalah pemupukan berimbang. Kebutuhan komposisi pupuk sangat mempengaruhi hasil panen yang berkualitas. Kelebihan dan kekurangan dosis pupuk menyebabkan pertumbuhan tanaman kurang bagus. Untuk keperluan pemupukan, masalah utama yang dihadapi petani adalah harga pupuk yang tinggi terutama pupuk N, P, dan K. Oleh karena itu diperlukan olah data untuk mengukur komposisi pupuk dengan harga pupuk yang lebih terjangkau. Hasil dari olah data ini dapat digunakan petani jagung untuk mengukur komposisi pupuk yang sesuai dengan rekomendasi dengan harga yang terjangkau. Penelitian ini menggunakan metode Algoritme genetika. Metode ini digunakan untuk mengoptimasi komposisi pupuk. Penyelesaian dalam metode ini menggunakan representasi kromosom

  

real code , proses crossover menggunakan one cut ponint, proses mutasi menggunakan reciprocal

exchange mutation, dan proses seleksi menggunakan binary tournament selection. Berdasarkan

  pengujian yang dilakukan, hasil yang optimal didapat pada ukuran populasi sebanyak 9, generasi ke 12, komposisi crossover rate dan mutation 0,7 dan 0,3, 0,4 dan 0,6, 0,1 dan 0,9, 0 dan 1 dengan fitnees tertinggi yaitu 0,8403.

  Kata Kunci : Algoritme Genetika, optimasi komposisi pupuk, pupuk jagung Abstract

  

At this time, produce of corn can not be fill the needs in this country. This caused productivity of corn

decreased in a few years. The way to solve that problem is increase productivity of corn. Some of the

way to increase productivity of corn is balance fertilizer. For fertilization, the main problem of farmers

is the high fertilizer price mainly type N, P, and K fertilizer. Therefore, it need some data processing for

measuring the composition of fertilizer with price of fertilizer for the best result. The result of data

processing can be used for farmer to measure the composition of fertilizer which fit with the best price

recommendation. This research used genetic algorithm. This algorithm used to optimize composition of

fertilizer. The solution of this algorithm use representation chromosome real code, crossover process

use one cut point, mutation process use reciprocal exchange mutation, and selection process use binary

tournament selection. Based on testing, the optimal result is on size of population as much 9, 12

generation, crossover rate composition and mutation 0,7 and 0,3, 0,4 and 0,6, 0,1 and 0,9, 0 and 1 with

highest fitness is 0,8403.

  Keyword : Genetic Algorithm, Optimizing composition of the fertilizer, corn fertilizer

  sebagian besar 1. jagung juga dimanfaatkan sebagai bahan baku

   PENDAHULUAN

  industri dan pakan ternak. Seiring dengan Di Indonesia, tanaman jagung (Zea mays)

  adanya usaha di bidang unggas yang semakin

  menempati peringkat kedua tanaman pangan

  berkembang, maka kebutuhan jagung untuk

  terpenting setelah padi. Di beberapa daerah

  pakan semakin meningkat hingga 57% dari

  Jagung dijadikan sumber pangan kedua setelah

  produksi nasional, sehingga harus melakukan

  beras. Selain sebagai sumber makanan pokok, impor jagung untuk mengatasi keadaan tersebut.

  Fakultas Ilmu Komputer Universitas Brawijaya

2534

  Setiap tahunya Indonesia harus mengimpor jagung kisaran 1−1,20 juta ton. Untuk memenuhi kebutuhan industri pakan, Impor jagung yang dilakukan pada tahun 2005 diperkirakan mencapai 1,80 juta ton (Susanto & Sirappa, 2005). Oleh karena itu, diperlukan peningkatan

  produksi jagung dalam negeri.

  Peningkatan kebutuhan jagung dalam beberapa tahun terakhir ini tidak sejalan dengan peningkatan produksi dalam negeri. Peningkatan produksi jagung menunjukkan rata-rata negatif dan cenderung menurun, sedangkan laju pertumbuhan penduduk selalu positif yang berarti kebutuhan terus meningkat. Pada kenyataannya total produksi dan kebutuhan nasional dari tahun ke tahun menunjukkan kesenjangan yang terus melebar dan jika terus dibiarkan, maka impor jagung semakin besar dan Indoesia semakin tergantung pada negara asing (Dewanto, Londok, Turutroong, & Kaunang, 2013).

  Pupuk merupakan salah satu faktor produksi yang sangat penting selain lahan, tenaga kerja dan modal. Pemupukan berimbang memegang peranan penting dalam upaya meningkatkan hasil tanaman jagung. Untuk keperluan pemupukan, masalah utama yang dihadapi petani adalah harga pupuk yang tinggi terutama pupuk N, P, dan K. Pupuk N, P, dan K sangat penting bagi pentumbuhan jagung, akan tetapi harga pupuk buatan terus meningkat sementara harga dasar jagung cenderung stabil bahkan mengalami penurunan saat panen tiba (Fattah, 2010). Pada tanaman jagung diperlukan takaran komposisi pupuk yang tepat. Oleh karena itu petani jagung sangat membutuhkan komposisi takaran pupuk yang mengandung Nitrogen (N), Phosporus (P), dan Kalium (K) dengan tepat agar mendapatkan hasil panen yang maksimal sesuai yang direkomendsikan dan mendapatkan harga pupuk yang terjangkau. Untuk mengkomposisikan pupuk tanaman jagung, diperlukan metode yang dapat mengukur komposisi kandungan tiap pupuk yang akan digunakan.

  Saat ini penyelesaian masalah komposisi pupuk tanaman jagung hanya dilakukan secara manual. Akan tetapi penelitian serupa sudah dilakunan pada optimasi komposisi pupuk tanaman padi menggunakan Algoritma genetika. Metode optimasi komposisi pupuk dilakukan dengan Algoritme genetika, Karena Algoritme genetika dapat digunakan untuk menyelesaikan masalah optimasi yang rumit, dan mempunyai solusi yang baik untuk memecahkan masalah tersebut (Mahmudy, 2013). Dengan menggunakan metode Algoritme genetika, diharapkan memberikan hasil yang dapat membantu pengkomposisian pupuk jagung yang optimal.

  Dalam penerapanya, petani membutuhkan aplikasi untuk menerapkan system optimasi komposisi pupuk tanaman jagung. Di era modern saat ini banyak petani yang sudah menggunakan smartphone android. Oleh karena itu aplikasi komposisi pupuk tanaman jagung dibuat berbasis andoid agar mempermudah petani dalam mengakses dan mengoptimasi.

  2. DASAR TEORI

  2.1 Tanaman jagung

  Jagung (Zea maysL) merupakan sumber karbohidrat urutan kedua setelah beras, dan menjadi salah satu bahan pangan yang penting di Indonesia. Selain sebagai bahan pangan pokok, jagung juga dimanfaatkan sebagai pakan ternak dan bahan baku industri. Seperti tanaman lain, kelangsungan hidup tanaman jagung juga membutuhkan unsur hara. Unsur hara diperoleh dari pelapukan batuan dalam tanah. Akan tetapi, kemampuan tanah untuk menyediakan unsur hara sangat terbatas. Hal itu disebabkan karena dalam proses pelapukan, jumlah mikro organisme di setiap lapisan tanah berbeda. Salah satu cara untuk menghasilkan unsur hara adalah dengan pemupukan.

  2.2 Pupuk untuk tanaman jagung

  Dalam pertumbuhan tanaman, pupuk merupakan hal yang sangat dibutuhkan. Pupuk mengandung unsur-unsur yang dapat mengganti unsur hara dalam tanah yang habis diserap tanaman. Ditinjau dari asalnya, pupuk dibagi menjadi 3 jenis, yaitu pupuk anorganik, organik, dan hayati. Contoh pupuk anorganik adalah urea yang mengandung unsur N, yang sering disebut pupuk N. TSP atau SP36 yang mengandung unsur P dan KCL yang mengandung unsur K. Pupuk organik adalah pupuk yang berasal dari pukuk kandang, pupuk kompos, humus dan pupuk hijau. Pupuk hayati atau biofertilizer adalah pupuk yang mengandung mikroorganisme di dalamnya. Pupuk anorganik adalah pupuk buatan pabrik yang dicampur dengan bahan kimia dengan kandungan hara yang tinggi. Ditinjau dari kandungan haranya, pupuk anorganik dibedakan menjadi dua kelompok yaitu pupuk tunggal dan pupuk majemuk (Lingga & Marsono, 2002).

  (3) Untuk mendapatkan biaya total membeli pupuk, dapat dihitung dengan persamaan 4 .

  = 100

  ×

• Pupuk tunggal adalah pupuk yang di dalamnya hanya terdapat satu kandungan. Pupuk tunggal mempunyai 3 hara utama, yaitu Nitrogen (N), fosfor (P), Kalium (K).
• Pupuk majemuk adalah pupuk yang berasal dari campuran 2 unsur hara atau lebih, seperti pupuk NP yang dicampur dengan K sehingga menjadi pupuk NPK.

  (1) Nutrisi diperoleh dari kandungan yang terdapat dalam pupuk dalam satuan persen yang dikalikan dengan jumlah pupuk yang dibutuhkan.

  Kemudian menghitung total kekurangan pupuk dengan persamaan 2.

  (2) Total kekurangan pupuk diperoleh dari nutrisi yang terpenuhi dikurangi dengan nutrisi yg dibutuhkan. Total kekurangan dihitung untuk mencari pinalti dalam Algoritme genetik.

  Dalam optimasi komposisi pupuk, diperlukan persamaan untuk mengetahui total setiap pupuk N, P, K yang dibutuhkan. Total pupuk tersebut digunakan untuk mencari total biaya yang akan dikeluarkan. Untuk mencari total pupuk, dapat dihitung dengan persamaan 3.

  Dalam pengomposisian pupuk, diperlukan persamaan untuk mendapatkan nutrisi pupuk yang diperlukan, total kekurangan pupuk, total pupuk yang dibutuhkan dalam satuan kilo gram, dan total harga dari pupuk yang telah dikomposisikan. Untuk mengetahui berapa komposisi yang dibutuhkan tanaman jagung pada setiap daerah dapat menghitung nutrisi setiap pupuk dengan persamaan 1.

  Untuk mendapatkan hasil panen yang maksimal pada tanaman jagung, diperlukan komposisi yang tepat. Pemupukan dilakukan dengan tujuan untuk menyeimbangkan unsur hara yang telah habis diserap tanaman. Pupuk N, P, dan K dapat menambah unsur hara pada tanah. Dalam penanaman jagung, dibutuhkan komposisi pupuk yang berguna untuk memenuhi kebutuhan hara pada tanah tersebut. Pada rekomendasi pemupukan jagung, digunakan pupuk Urea yang mengandung N 46%, SP-36 yang mengandung P 36%, dan KCL yang mengandung K 60%.

  (4)

  2.4 Algoritme genetika

  Algoritme genetika adalah bagian dari teori evolusi, yang merepresentasikan berbagai solusi yang ada sehingga terbentuk kumpulan individu dalam sebuah populasi. Berdasarkan teori evolusi, individu yang baik adalah individu yang mampu bertahan dalam populasnya hingga menghasilkan keturunan. Kemungkinan besar keturunan yang dihasilkan tersebut adalah individu yang baik pula, mampu bertahan dan menghasilkan keturunan yang lebih baik lagi. Sehingga semakin bertambahnya generasi, maka akan terbentuk kumpulan individu yang semakin baik pada populasi yang ada. Di dalam penelitian ini, generasi berikutnya disebut dengan iterasi (Mahmudy, 2013).

2.3 Komposisi Pupuk dan Unsur Hara

• Inisialisasi Inisialisasi awal adalah pembentukan kromosom secara acak, kromosom merupakan susunan dari beberapa gen. Dalam penelitian ini panjang kromosom disusun berdasarkan jumlah pupuk yang digunakan. Kromosom tersebut mampu mewakili solusi untuk permasalahan yang akan dicari solusinya. Dalam proses inisialisasi terdapat pembentukan individu di dalam populasi.
• Reproduksi Terdapat 2 proses untuk menghasilkan keturunan di dalam algoritme genetika, yaitu tukar silang (crossover) dan mutasi (mutation). Individu yang digunakan pada proses crossover dan mutasi dipilih secara acak dari populasi (Mahmudy, 2013).

  1. Crossover

  Di dalam proses crossover, kromosom anak dihasilkan berdasarkan pada crossover rate yang telah ditentukan. Crossover dilakukan dengan

  one-cut point dengan cara menyilangkan dua

  induk atau parent sehingga menghasilkan anak atau child yang jumlahnya sesuai dengan pengalian nilai Crossover rate (Cr) dengan

  Popsize . Parent dipilih secara random dari banyaknya populasi.

2. Mutation

  Mutasi adalah proses mengubah nilai salah satu gen pada induk terpilih. Dalam penelitian ini proses mutasi dilakukan dengan reciprocal

  exchange mutation yang dilakukan dengan cara

  memilih gen induk secara acak kemudian menukar salah satu gen. Jumlah kromosom anak dihasilkan dari Mr x Popsize. Parent dipilih secara random pada interval p1, p4, p5 dari 5 populasi.

• Gambar 1 Tahap metodologi penelitian

  Seleksi

  Seleksi dilakukan untuk memilih individu yang

  3.1 Pengumpulan Data

  akan bertahan pada generasi selanjutnya yang Data yang digunakan dalam penelitian ini didapat dari himpunan parent dan offspring. anatara lain adalah data rekomendasi pupuk N,

  Individu yang mempunyai nilai fitness paling besar, berpeluang terpilih mewakili generasi P, K untuk tanaman jagung di daerah Jawa Timur yang diperoleh dari Balai Pengkajian selanjutnya. Teknologi Pertanian Jawa Timur, kemudian data

2.5 Sistem Operasi Android

  pupuk yang mencakup nama pupuk, kandungan Android merupakan sistem operasi yang pada pupuk beserta harganya. Data pupuk berbasis linux pada perangkat mobile. Android diperoleh dari hasil survei di PT.Himikarta

  Malang pada bulan juni 2017. mencakup sistem operasi, aplikasi dan middlewere. Pada android tersedia platform

  3.2 Alur algoritme genetika

  terbuka yang dapat digunakan oleh pengguna Di dalam Algoritma genetika, terdapat untuk menciptakan aplikasi yang berbasis langkah-langkah mulai dari pembentukan android. kromosom hingga terpilihnya solusi terbaik. Android mempunyai banyak framework

  Alur algoritme genetika disajikan pada Gambar untuk mengembangkan aplikasi yang dibangun.

  2. Aplikasi android dapat dikembangkan menggunakan bahasa java atau C dengan framework Eclipse atau Android SDK. Selain itu juga dapat menggunakan bahasa pemrograman basic dengan framework Basic4ndroid, bahasa pemrograman ActionScript dengan framework Adobe AIR, bahasa pemrograman HTML5 dan

  javascript dengan framework PhoneGap, bahasa

  pemrograman PHP dengan framework PHP for

  Android , dan AndEngine adalah framework yang

  digunakan untuk mengembangkan game Android (Huda, 2013).

3. METODOLOGI PENELITIAN

  Penelitianya untuk pembuatan aplikasi optimasi komposisi pupuk tanaman jagung dilakukan melalui beberapa tahapan. Tahapan metodologi penelitian disajikan pada Gambar 1.

  Gambar 2 Alur algoritme genetika Pada siklus ini terdapat beberapa tahapan dalam menyelesaikan masalah menggunakan Algoritme Genetika. Tahapan tersebut dimulai dari menentukan parameter Algoritme genetika yaitu jumlah generasi, Crossover rate, mutation

  rate . Melakukan insialisasi parameter awal yang

  telah diinputkan. Merandom populasi awal sesuai popsize. Melakukan reproduksi yaitu

  crossover dan mutasi. Melakukan perhitungan nilai fitness setiap masing - masing kromosom.

  Untuk menghitung fitness dibutuhkan nilai

  penalty yang dihitung dengan persamaan 5 Rumus fitness dihitung dengan persamaan 6.

  (5) (6)

  Kemudian melakukan seleksi untuk mendapatkan populasi terpilih sebagai populasi selanjutnya. Kromosom yang telpilih merupakan kromosom terbaik dengan fitness terbesar.

  Button edit pupuk menampilkan halaman untuk mengedit data pupuk yang sudah ada dalam daftar. Data yang dapat diedit meliputi kandungan yang dimiliki pupuk dan harga pupuk. Button hapus pupuk pupuk menampilkan halaman untuk mengedit data pupuk yang sudah ada dalam daftar. Halaman antar muka pupuk disajikan pada Gambar 4.

4. IMPLEMENTASI

  Pada tampilan antar muka awal ini merupakan tampilan utama saat software dibuka. Halaman ini memuat beberapa button yaitu antarmuka pupuk, antarmuka acuan rekomendasi pupuk, antarmuka proses rekomendasi, antarmuka perhitungan. Halaman antar muka awal (home) disajikan pada Gambar 3.

  Gambar 3 Halaman antar muka awal (home ) Kemudian terdapat button proses yang untuk melanjutkan ke pemrosessan. Setelah di klik proses , halaman ini akan menampilkan informasi pupuk yang terpilih dan total biaya yang dibutuhkan untuk pembelian pupuk. Halaman antar muka proses opimasi disajikan pada Gambar 6.

  4.1 Antarmuka Awal (Home)

  Antarmuka pupuk menampilkan halaman data pupuk yang digunakan untuk proses optimasi. Di dalam data pupuk ini terdapat info kandungan pupuk dan harga pupuk. Pada halaman ini terdapat button tambah pupuk yang digunakan untuk menginputkan data pupuk yang akan ditambahkan yang meliputi nama pupuk, kadar n, kadar p, kadar k dan harga pupuk.

  Pada implementasi antarmuka terdiri dari beberapa halaman yaitu :

  Gambar 4 Halaman antarmuka pupuk

  4.3 Antarmuka Acuan Rekomendasi Pupuk

  Antarmuka acuan rekomendasi pupuk menampilkan data rekomendasi yang digunakan untuk proses optimasi. Di dalam data pupuk ini terdapat info jumlah yang dibutuhkan berdasarkan daerah kecamatan. Halaman antar muka acuan rekomendasi pupuk disajikan pada Gambar 5.

  Gambar 5 Halaman antarmuka acuan rekomendasi pupuk

  4.3 Antarmuka Proses Optimasi

  Antarmuka proses menampilkan halaman untuk proses optimasi komposisi pupuk. Pada halaman ini pengguna harus memasukkan parameter yang digunakan untuk perhitungan. Parameter yang harus dimasukkan adalah targer, luas tanah, kabupaten, kecamatan, pop size,

  generasi, crossover rate, mutation rate.

  4.2 Antarmuka Pupuk

  Gambar 6 Halaman antar muka proses optimasi

  Antarmuka hasil menampilkan hasil dari proses optimasi yang meliputi jumlah pupuk yang dibutuhkan, biaya untuk membeli pupuk, penalty dan fitnes. Halaman antar muka Hasil optimasi pupuk disajikan pada Gambar 7.

  Gambar 7 Halaman antarmuka hasil optimasi 5.

  Pengujian parameter ukuran populasi dilakukan dengan tujuan mengetahui pengaruh jumlah populasi terhadap nilai fitness dan ukuran populasi yang dapat menghasilkan fitness terbaik. Pengujian dilakukan dengan menggunakan target sebesar 10 ton, luas tanah sebesar 1 ha, Kabupaten Malang, Kecamatan Sukun, menggunakan generasi sebanyak 3.

  Banyaknya populasi yang diuji adalah kelipatan 3 dari 3 sampai 30 populasi, nilai crossover rate (Cr) sebesar 0,4 dan mutation rate (Mr) sebesar 0,6. Satu kali percobaan dilakukan sebanyak 10 kali dan dihitung rata-rata setiap percobaan. Hasil uji coba ukuran populasi disajikan pada Gambar 8.

  Gambar 8 Grafik uji coba populasi

  Pada grafik uji coba populasi dijelaskan bahwa nilai fitness mengalami kenaikan pada ukuran populasi 3 sampai 9. Pada populasi 9 sampai dengan populasi 30 menghasilkan nilai

4.4 Antarmuka Hasil Optimasi

  fitness yang konvergen atau sama. Rata-rata nilai fitness terendah terdapat pada populasi 3 yaitu

  0,8064 dan rata-rata nilai fitness tertinggi terdapat pada populasi 9 sampai populasi 30 yaitu 0,8403. Dari hasil pengujian ini dapat disimpulkan bahwa ukuran populasi mempengaruhi nilai fitness. Solusi terbaik terdapat pada populasi 9-30. Semakin tinggi nilai

  fitness perhitungan Algoritme genetika semakin bagus.

  5.2 Pengujian dan Analisis Uji Coba Banyaknya Generasi

  Pengujian parameter banyaknya generasi dilakukan dengan tujuan mengetahui pengaruh jumlah generasi terhadap nilai fitness dan ukuran generasi yang dapat menghasilkan fitness terbaik. Pengujian dilakukan dengan menggunakan target sebesar 10 ton, luas tanah sebesar 1 ha, Kabupaten Malang, Kecamatan Sukun, menggunakan populasi sebanyak 3. Banyaknya generasi yang diuji adalah kelipatan 3 dari 3 sampai 30 generasi, nilai crossover rate (Cr) sebesar 0,4 dan mutation rate (Mr) sebesar 0,6. Satu kali percobaan dilakukan sebanyak 10 kali dan dihitung rata-rata setiap percobaan. Hasil uji coba banyaknya generasi disajikan pada Gambar 9.

PENGUJIAN DAN ANALISIS

5.1 Pengujian dan Analisis Uji Coba Ukuran Populasi

  Gambar 9 Grafik uji coba generasi

  mutation rate dijelaskan bahwa rata-rata nilai fitness tertinggi terdapat pada komposisi crossover rate dan mutation rate 0,7 dan 0,3, 0,4 dan 0,6, 0,1 dan 0,9, 0 dan 1 yaitu 0,8403.

  Tabel 1 menunjukkan kromosom yang tepilih menghasilkan nilai fitness tertinggi yaitu 0,8403 dengan harga Rp1.190.000. Gambar 6.4

  Tabel 1 Representasi kromosom, total harga, dan nilai fitness

  Kasus : Target 10 ton, Luas Tanah 1 ha, Kota Malang dan Kecamatan Sukun. Representasi kromosom, total harga, dan nilai fitness dapat dilihat pada Tabel 1.

  Di dalam pengujian ini, langkah yang dilakukan yaitu menguji sebuah kasus dengan menggunakan parameter terbaik yang dihasilkan dari pengujian sebelumnya.

  5.4 Pengujian dan Analisa Uji Coba menggunakan parameter terbaik

  Semakin tinggi nilai fitness perhitungan Algoritme genetika semakin bagus.

  mutation rate 0,7 dan 0,3, 0,4 dan 0,6, 0,1 dan 0,9, 0 dan 1 dengan fitness sebesar 0,8403.

  Dari hasil pengujian ini dapat disimpulkan bahwa crossover rate dan mutation rate mempengaruhi nilai fitness. Solusi terbaik terdapat pada komposisi crossover rate dan

  mutation rate sebesar 0,9 dan 0,1 yaitu 0,7726.

  Sedangkan rata-rata nilai fitness terendah terdapat pada komposisi crossover rate dan

  Pada grafik uji coba crossover rate dan

  Pada grafik uji coba generasi dijelaskan bahwa nilai fitness mengalami kenaikan pada generasi ke-6 sampai generasi ke-12. Pada generasi ke-12 sampai generasi ke-30 menghasilkan nilai fitness yang konvergen atau sama. Rata-rata nilai fitness terendah terdapat pada generasi ke-6 yaitu 0,8065 dan rata-rata nilai fitness tertinggi terdapat pada generasi ke-9 sampai generasi ke-30 yaitu 0,8403. Dari hasil pengujian ini dapat disimpulkan bahwa ukuran generasi mempengaruhi nilai fitness. Solusi terbaik terdapat pada generasi ke-12 sampai dengan generasi ke-30. Semakin tinggi nilai

  Gambar 10 Grafik uji coba crossover rate dan mutation rate

  mutation rate disajikan pada Gambar 10.

  digunakan dalam pengujian adalah kelipatan 0,1 dari 0 sampai 1. Satu kali percobaan dilakukan sebanyak 10 kali dan dihitung rata-rata setiap percobaan. Hasil uji coba crossover rate dan

  crossover rate (Cr) dan mutation rate yang

  komposisi crossover rate dan mutation yang dapat menghasilkan fitness terbaik. Pengujian dilakukan dengan menggunakan target sebesar 10 ton, luas tanah sebesar 1 ha, Kota Malang, Kecamatan Sukun, menggunakan generasi sebanyak 3, ukuran populasi sebanyak 3. Nilai

  dan mutation terhadap nilai fitness dan

  mengetahui pengaruh komposisi crossover rate

  rate dan mutation rate dilakukan dengan tujuan

  Pengujian parameter komposisi crossover

  C rossover Rate dan Mutation Rate

  fitness perhitungan Algoritme genetika semakin bagus.

5.3 Pengujian dan Analisis Uji Coba

  Prosiding Pekan Serealia Nasional .

  Fattah, a. (2010). Efektivitas Pupuk Organik Saputra Nutrient Pada Tanaman Jagung.

  36 Sebanyak 75kg dengan nilai penalty 0% dan fitness sebesar 0,8403.

  6. PENUTUP

  Berdasarkan pengujian yang dilakukan, kesimpulan dari penelitian optimasi komposisi pupuk tanaman jagung menggunakan Algoritme genetika adalah sebagai berikut:

  Juansyah, A. (2015). Pembangunan Aplikasi Child Tracker Berbasis Assisted

  Pakan Ternak Ayam Pedaging Menggunakan Algoritme Genetika Seleksi Roulette Wheel. Malang.

  Sulawesi selatan. Jayanti, M. A. (2016). Optimasi Komposisi

  merupakan hasil solusi yang di dapat. Solusi yang terpilih adalah fitness tertinggi yang menandakan kebutuhan NPK terpenuhi dan harga pupuk paling rendah. Pada uji kasus yang telah dilakukan, solusi yang dihasilkan untuk target 10 ton, luas tanah 1 ha, di Kota Malang, Kecamatan Sukun yaitu pupuk KCL Rusia sebanyak 100 kg, Urea sebanyak 300 kg, dan SP-

• – Global Positioning System (A-Gps) Dengan Platform Android. Jurnal

  3. Performa solusi yang dihasilkan Algoritme Genetika pada optimasi komposisi pupuk tanaman jagung dapat diukur dengan pengujian yang telah dilakukan, yaitu menggunakan ukuran populasi, generasi, komposisi crossover rate dan mutation rate. Dari masing-masing pengujian menghasilkan rata-rata fitness tertinggi sebesar 0,8403. Setelah diterapkan pada kasus, hasil fitness yang didapat sebesar 0,8403 dengan total harga Rp 1990.000.

  Yogyakarta Lingga, & Marsono. (2007). Petunjuk Penggunaan Pupuk. Jakarta.

  Makanan Untuk Penderita Kolesterol Menggunakan Algoritme Genetika. Malang.

  Ambon. Wahid, N. (2015). Optimasi Komposisi

  Dan Strategi Pengembangan Jagung Untuk Mendukung Ketahanan Pangan Di Maluku. Jurnal Litbang Pertanian.

  Yogyakarta. Susanto, a. n., & Sirappa, m. (2005). Prospek

  Genetika Untuk Penentuan Komposisi Bahan Pangan Harian. Seminar Nasional Aplikasi Teknologi Informasi .

  Purwono, & Hartono, R. (2005). Bertanam Jagung Unggul. Depok. Rismawan, T. (2007). Aplikasi Algoritme

  Mahmudy, W. F. (2013). Malang: Program Teknologi Informasi dan Ilmu Komputer (PTIIK) Universitas Brawijaya. Malang

  Kasirah. (2007). Sistem Informasi Pemupukan Lahan Pertanian. Seminar Nasional Aplikasi Teknologi Informasi .

  Anissa, R. D. (2016). Optimasi Komposisi Pupuk Tanaman Padi Menggunakan Algoritme Genetika. Malang.

  Ilmiah Komputer dan Informatika (KOMPUTA) .Bandung.

  1. Implementasi metode Algoritme Genetika untuk optimasi kommposisi pupuk guna meningkatkan produktivitas jagung dilakukan dengan representasi kromosom menggunakan real code, proses crossover menggunakan one cut ponint, proses mutasi menggunakan reciprocal exchange

  mutation, dan proses seleksi menggunakan binary tournament selection.

  2. Parameter Algoritme Genetika pada optimasi komposisi pupuk tanaman jagung dapat dilakukan dengan menggunakan ukuran populasi, banyaknya generasi, dan komposisi crossover rate dan mutation rate yang yang telah diuji dan menghasilkan

  fitness tertinggi sebesar 0,8403 dengan harga

  pupuk Rp.1990.000 dan kebutuhan NPK yang memenuhi.

DAFTAR PUSTAKA

  Dewanto, f. G., Londok, J., Turutroong, R., & Kaunang, W. (2013, Januari). Pengaruh Pemupukan Anorganik Dan Organik Terhadap Produksi Tanaman Jagung Sebagai Sumber Pakan. Jurnal Zootek, 32 .Mannado.

  Akbarul Huda Arif. (2013). 24 Jam Pintar Pemrograman Android. www.slideshare.net. Diakses 4 Juli 2017