Desain Sistem Kontrol Otomatik Larutan Nutrisi Berbasis Electrical Conductivity Untuk Budidaya Hidroponik Menggunakan Logika Fuzzy

DESAIN SISTEM KONTROL OTOMATIK LARUTAN NUTRISI
BERBASIS ELECTRICAL CONDUCTIVITY UNTUK BUDIDAYA
HIDROPONIK MENGGUNAKAN LOGIKA FUZZY

M. NAUFAL RAUF IBRAHIM

DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM
FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Desain Sistem Kontrol
Otomatik Larutan Nutrisi Berbasis Electrical Conductivity untuk Budidaya
Hidroponik Menggunakan Logika Fuzzy adalah benar karya saya dengan arahan
dari Dosen Pembimbing Akademik dan belum diajukan dalam bentuk apa pun
kepada perguruan tinggi mana pun. 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

skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Januari 2015
M. Naufal Rauf Ibrahim
NIM F14100021

ABSTRAK
M. NAUFAL RAUF IBRAHIM. Desain Sistem Kontrol Otomatik Larutan Nutrisi
Berbasis Electrical Conductivity untuk Budidaya Hidroponik Menggunakan
Logika Fuzzy. Dibimbing oleh MOHAMAD SOLAHUDIN dan SLAMET
WIDODO.
Nilai electrical conductivity (EC) larutan nutrisi pada budidaya hidroponik
sangat menentukan tingkat pertumbuhan dan kualitas panen tumbuhan. Maka dari
itu dibutuhkan sistem kontrol larutan nutrisi yang mampu mengontrol nilai EC
yang sesuai. Tujuan dari penelitian ini adalah merancang sistem kontrol nutrisi
yang mampu mempertahankan dan mengontrol nilai EC dengan menggunakan
teknologi Ardunio sebagai microcontroller. Model budidaya tomat berdasarkan
referensi disimulasikan dengan masa budidaya yang dipercepat 1:1440 dan
volume larutan nutrisi yang diperkecil 1:25. Rancangan simulasi penurunan nilai

EC dengan penambahan air dapat mengikuti pola penurunan nilai EC penyerapan
nutrisi oleh model. Simulasi matematis dengan penggunaan inferensi fuzzy
menunjukkan sistem mampu mengontrol nilai EC pada setpoint referensi. Hasil
simulasi matematis digunakan sebagai sebagai acuan untuk simulasi aktual. Hasil
simulasi aktual mampu mengikuti pola kecenderungan penurunan EC simulasi
matematis dengan lag 24 detik ketika perubahan setpoint dari 1.7 mS/cm ke 1.6
mS/cm dan lag 35 detik ketika perubahan setpoint dari 1.6 mS/cm ke 1.9 mS/cm.
Metode MAPE digunakan untuk memvalidasi simulasi. Hasil validasi MAPE
memperlihatkan nilai error simulasi sebesar 0.336% dan menunjukkan bahwa
hasil simulasi dapat diterima.
Kata kunci: EC, fuzzy, MAPE, simulasi, sistem kontrol

ABSTRACT
M NAUFAL RAUF IBRAHIM. Design of Automatic Control System for
Hydroponic Culture Based on Electrical Conductivity using Fuzzy Logic.
Supervised by MOHAMAD SOLAHUDIN and SLAMET WIDODO.
Electrical conductivity (EC) of nutrient solution on hydroponic culture is a
crucial point that determines the growth rate of the plants and quality of the
products. The purpose of this research is to design the control system for nutrient
solution to maintain and control the EC of nutrient solution using Arduino

technology as a microcontroller. Model of tomato cultivation based on certain
reference from the previous research was simulated with scale 1:1440 for
cultivation time and 1:25 for initial nutrient solution. The result of EC declining
rate simulation by adding water compared to the EC declining rate due to nutrient
uptake of the model is showing good agreement. The result of the mathematical
simulation of control system using fuzzy inference shows that the system can
control EC of the nutrient solution based on the setpoints from the reference.
Based on this mathematical simulation the performance of the actual simulation is
measured. The result of the actual simulation can follow the mathematical
simulation as expected. The actual simulation has lag 24 seconds when the

setpoint changes from 1.7 mS/cm to 1.6 mS/cm and 35 seconds lag when setpoint
changes from 1.6 mS/cm to 1.9 mS/cm. Using MAPE validation the simulation
has error 0.336% and the result of simulation can be accepted.
Keywords: EC, fuzzy, MAPE, simulations, control system

DESAIN SISTEM KONTROL OTOMATIK LARUTAN NUTRISI
BERBASIS ELECTRICAL CONDUCTIVITY UNTUK BUDIDAYA
HIDROPONIK MENGGUNAKAN LOGIKA FUZZY

M. NAUFAL RAUF IBRAHIM

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Teknik
pada
Departemen Teknik Mesin dan Biosistem

DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM
FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga skripsi ini berhasil diselesaikan. Tema yang dipilih
dalam penelitian yang dilaksanakan sejak bulan Februari 2014 sampai September
2014 ini ialah sistem kontrol, dengan judul Desain Sistem Kontrol Otomatik
Larutan Nutrisi Berbasis Electrical Conductivity Untuk Budidaya Hidroponik

Menggunakan Logika Fuzzy.
Terima kasih penulis ucapkan kepada Bapak Dr Ir Mohamad Solahudin,
MSi dan Bapak Dr Slamet Widodo, STP, MSc selaku pembimbing, serta
Supriyanto, STP, MKom dan Dr Liyantono STP, MAgr yang telah banyak
memberi saran dan bantuan. Ungkapan terima kasih juga disampaikan kepada
ayah, ibu, serta seluruh keluarga, atas segala doa dan kasih sayangnya, dan rekanrekan yang telah membantu dalam penyelesaian penelitian dan penulisan skripsi
ini.
Semoga tulisan ini bermanfaat.

Bogor, Januari 2015
M. Naufal Rauf Ibrahim

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

v

PENDAHULUAN

1

Latar Belakang

1

Tujuan Penelitian

1

Ruang Lingkup Penelitian

2

TINJAUAN PUSTAKA

2

Nutrient Film Technique (NFT)

2

Larutan Nutrisi dan Konduktivitas Listrik (EC)

3

Nutrient Uptake (Serapan Nutrisi) pada Tanaman Tomat

4

Logika Fuzzy

5

METODE PENELITIAN

8

Alat dan Bahan Penelitian

8

Prosedur Penelitian

8

HASIL DAN PEMBAHASAN

13

Perancangan Simulasi

13

Simulasi

21

SIMPULAN DAN SARAN

27

Simpulan

27

Saran

27

DAFTAR PUSTAKA

28

LAMPIRAN

30

RIWAYAT HIDUP

36

DAFTAR TABEL
1
2
3
4

Kandungan nutrisi AB mix
Hasil pengamatan debit pompa
Lama penyalaan pompa untuk simulasi penurunan nilai EC
Matriks keputusan untuk output waktu penyalaan pompa

3
14
16
19

DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

Skema sistem NFT untuk budidaya tanaman
Nilai EC yang diatur selama masa budidaya
Model fungsi keanggotaan (kiri) segitiga (kanan) trapesium
Pendekatan crisp (kiri) dan fuzzy (kanan) dalam membedakan usia
Fungsi implikasi Min
Proses defuzzifikasi dengan metode centroid
Skema sistem kontrol simulasi fuzzy aktual
Diagram alir prosedur penelitian
Hasil kalibrasi sensor EC
Hubungan konsentrasi larutan dengan nilai EC
Model penurunan nilai EC akibat serapan kadar NO3
Air yang dibutuhkan per menit untuk simulasi
Simulasi penurunan nilai EC dengan pompa
Sistem inferensi fuzzy untuk sistem kontrol
Himpunan fuzzy error EC (mS/cm)
Himpunan fuzzy volume (liter)
Himpunan fuzzy lama waktu penyalaan pompa (detik)
Proses defuzzifikasi dengan MATLAB
Diagram alir proses perhitungan pada simulasi kontrol fuzzy
matematis sistem
Hasil simulasi kontrol fuzzy matematis sistem
Skema aliran data pada simulasi kontrol fuzzy aktual
Tampilan serial monitor ketika pengamatan
Hasil pengamatan simulasi aktual yang dibandingkan dengan
referensi dan simulasi matematis
Nilai error EC simulasi aktual terhadap simulasi matematis
Nilai inferensi fuzzy selama simulasi aktual
Lama penyalaan pompa AB mix selama simulasi aktual
Lama penyalaan pompa air selama simulasi aktual

3
4
5
6
6
7
11
12
13
14
15
16
17
18
18
18
20
20
21
22
23
23
24
24
25
25
25

DAFTAR LAMPIRAN
1
2
3
4

Hasil dan contoh perhitungan
Gambar alat dan bahan
Model penurunan nilai EC dan penambahan air untuk simulasi
penurunan nilai EC
Hasil simulasi fuzzy matematis dan aktual

30
33
34
35

PENDAHULUAN
Latar Belakang
Menurut Pusat Kajian Hortikultura Tropika (2013) saat ini permintaan
produk hortikultura semakin meningkat. Konsumsi sayur dan buah Indonesia
mengalami peningkatan yakni pada tahun 2005 sebesar 60.50 kg per kapita per
tahun, tahun 2008 sebesar 71.38 kg per kapita per tahun dan tahun 2011 sebesar
145.44 kg per kapita per tahun. Salah satu cara untuk menghasilkan produk
holtikultura yang berkualitas tinggi secara berkelanjutan dengan kuantitas yang
tinggi per tanamannya adalah budidaya dengan sistem hidroponik. Nutrient Film
Technique (NFT) adalah salah satu teknik budidaya pada sistem hidroponik.
Larutan nutrisi dialirkan ke akar tanaman yang terekspos ke dalam bak dan larutan
tersebut disirkulasi pada teknik budidaya NFT.
Konsentrasi larutan nutrisi merupakan salah satu parameter yang
menentukan kualitas dan hasil panen tanaman (Trejo-Téllez dan Gómez-Merino
2012). Konsentrasi larutan menyatakan jumlah larutan nutrisi yang terkandung
dalam air dan nilai tersebut berubah-ubah diakibatkan perbedaan serapan nutrisi
dan air oleh tanaman. Konsentrasi larutan nutrisi tersebut direpresentasikan
dengan nilai electrical conductivity (EC) (Arif 2008). Menurut Whipker dan
Cavins (2000) nilai EC larutan nutrisi yang terlalu tinggi mengakibatkan tanaman
tumbuh lambat dan biaya produksi yang tinggi. Sebaliknya, konsentrasi larutan
nutrisi yang terlalu rendah akan menyebabkan produktivitas tanaman menurun.
Maka dari itu, perlu adanya usaha dalam mengontrol konsentrasi larutan tersebut
agar hasil budidaya dari teknik NFT dapat mencapai tingkat maksimal.
Penggunaan teknologi microcontroller Arduino dipilih karena mempunyai
keunggulan tertentu yang tidak dimiliki microcontroller lain. Salah satu
keunggulannya adalah harganya yang lebih murah, koneksi dengan komputer
yang menggunakan USB, cross-platform yaitu dapat digunakan di berbagai
operating system (Windows, Macintosh OSX, Linux, Raspbian, dll), dan open
source (software maupun hardwarenya) sehingga dengan menggunakan Arduino,
sistem dapat diarahkan menjadi sistem yang fleksibel dan murah (Hirzel 2011).
Sistem kontrol otomatik yang dirancang pada penelitian ini mempunyai
kemampuan mengatur konsentrasi nutrisi pada teknik budidaya hidroponik NFT
secara kontinu berdasarkan model penyerapan nutrisi tanaman. Nilai konsentrasi
yang dipertahankan pada tingkat optimum diharapkan mampu memberikan
produktivitas tanaman yang maksimal.
Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1. Mendesain suatu sistem kontrol otomatik berbasis nilai electrical
conductivity (EC) yang mampu mengatur konsentrasi larutan pada
setpoint yang telah ditentukan menggunakan microcontroller Arduino.
2. Mensimulasikan penyerapan nutrisi pada tanaman tomat dengan masa
budidaya 9 minggu.
3. Merancang logika fuzzy untuk kontrol nutrisi.

2
Ruang Lingkup Penelitian
Penelitian ini memiliki ruang lingkup pada perancangan sistem kontrol
otomatik larutan nutrisi berbasis nilai EC untuk budidaya NFT dengan
microcontroller Arduino. Sistem kontrol ini dirancang berdasarkan model laju
penyerapan nutrisi pada masa budidaya tanaman tomat selama 9 minggu yang
kemudian disimulasikan dengan masa budidaya dipercepat menjadi 1 jam. Logika
pengambilan keputusan dari sistem ini menggunakan logika fuzzy dengan input
nilai perbedaan antara nilai EC setpoint dengan nilai EC aktual dan volume tangki
nutrisi. Output dari sistem ini adalah lama penyalaan pompa air dan pompa larutan
nutrisi AB mix.

TINJAUAN PUSTAKA
Budidaya Hidroponik Nutrient Film Technique (NFT)
Budidaya hidroponik adalah metode penanaman tanaman tanpa
menggunakan media tumbuh dari tanah (Rosliani dan Sumarni 2005). Menurut
Prihmantoro dan Indiriani (2005) hidroponik mulai dilirik dan berkembang sejak
tahun 1925 setelah didapati bahwa sistem ini mempunyai potensi untuk digunakan
oleh industri tanaman karena dapat mengatasi masalah keterbatasan lahan,
kesuburan tanah, dan serangan hama penyakit.
Salah satu metode budidaya hidroponik adalah Nutrient Film Technique
(NFT). Budidaya hidroponik NFT pertama kali dikembangkan oleh Allen Cooper
pada tahun 1970 di Inggris dengan tujuan untuk meningkatkan produktivitas
sayuran sepanjang tahun (Winsor et al. 1979). Lapisan tipis larutan nutrisi
mengalir melalui bedengan atau talang yang berisi akar-akar tanaman pada sistem
ini. Larutan bersirkulasi secara terus menerus selama 24 jam atau diatur pada
waktu-waktu tertentu dengan pengatur waktu. Sebagian akar tanaman terendam
dalam larutan nutrisi tersebut, sebagian lagi berada di atas permukaan larutan.
Lingkungan akar yang ideal merupakan faktor penting dalam peningkatan
produksi tanaman (Rosliani dan Sumarni 2005).
Menurut Suhardiyanto (2010) NFT memiliki karakteristik, bahwa akar
tanaman berada di udara dan larutan nutrisi sekaligus. Sebagian akar berada pada
ruang udara dalam saluran sehingga dapat menyerap oksigen, sebagian yang lain
terendam dalam larutan nutrisi sehingga dapat menyerap nutrisi dan air yang
diperlukan tanaman. Saluran yang diletakkan dengan kemiringan tertentu
memungkinkan larutan nutrisi mengalir sampai ujung saluran dan ditampung
kembali dalam tangki. Larutan nutrisi disirkulasikan terus menerus secara tertutup
pada sistem ini.

3

Bedengan

Pompa sirkulasi

Tangki larutan nutrisi

Gambar 1 Skema sistem NFT untuk budidaya tanaman
Larutan Nutrisi dan Konduktivitas Listrik (EC)
Konsentrasi larutan nutrisi yang sesuai dengan tanaman sangat diperlukan
untuk mencapai tingkat pertumbuhan dan produksi tanaman maksimal. Sistem
hidroponik tertutup seperti NFT, larutan nutrisi disirkulasikan ke akar tanaman
dan pada saat itulah terjadi penyerapan air dan nutrisi oleh tanaman. Penyerapan
nutrisi tanaman pada setiap sirkulasi akan mempengaruhi tingkat konsentrasi
larutan nutrisi. Salah satu hara yang digunakan dalam hidroponik adalah AB mix
(fertimix). AB mix dikemas dalam bentuk paket yang terbagi menjadi 2 jenis,
yaitu A dan B dalam bentuk padat (kristal dan bubuk) (Mairusmianti 2011).
Sebelum diaplikasikan ke tanaman, pupuk tersebut harus dicampurkan ke air dan
diaplikasikan sebagai larutan nutrisi. Kandungan nutrisi AB mix terdapat pada
Tabel 1.
Tabel 1 Kandungan nutrisi AB mix
Nutrisi (Ion)
Kalsium (Ca)
Nitrogen (NO3)
Kalium (K2O)
Fosfat (P2O5)
Sulfat (S)
Magnesium (Mg)
Fe EDTA
Boron (B)
Mangan (Mn)
Zinc (Zn)
Copper (Cu)
Molybdate (Mo)

Kandungan nutrisi (%)
8.300
9.900
16.500
9.900
6.600
2.800
0.040
0.010
0.010
0.010
0.009
0.009

Sumber: CV. Agrifam, tertera dalam kemasan AB mix

4
Salah satu metode untuk mengukur konsentrasi larutan nutrisi adalah
dengan mengukur konduktivitas elektrik (EC) (Roberto 2003). Nilai EC
menyatakan konsentrasi nutrisi atau nutrisi dalam air juga menyatakan kecocokan
larutan nutrisi untuk tanaman. Unsur-nutrisi yang terlarut dalam air berupa ion
bermuatan positif (kation) dan ion bermuatan negatif (anion). Keberadaan ion-ion
tersebut yang memungkinkan konduktivitas listrik dalam larutan nutrisi dapat
terukur oleh sensor EC. Satuan EC yang digunakan adalah mili-Siemens per
centimeter atau mS/cm (Sutiyoso 2008).
Nilai EC pada Budidaya Tanaman Tomat
Kebutuhan EC setiap jenis dan umur tanaman berbeda-beda dan disesuaikan
dengan fase pertumbuhannya Penelitian mengenai perlakuan nilai EC tanaman
tomat dengan media NFT telah dilakukan oleh Weerakkody et al. (2011) di
greenhouse Universitas Shizuoka, Jepang. Pada penelitian tersebut telah
didapatkan tingkat serapan nutrisi NO3 dengan waktu budidaya 9 minggu dengan
media NFT. Selama 9 minggu budidaya, pengaturan nilai EC berubah-ubah
dimana pada minggu ke 0-5 1.7 mS/cm, minggu ke 6-7 1.6 mS/cm dan minggu ke
8-9 1.9 mS/cm. Pada Gambar 2 disajikan nilai EC yang diatur selama masa
budidaya.
1.95

Setpoint EC (mS/cm)

1.9
1.85
1.8
1.75
1.7
1.65
1.6
1.55
0

1

2

3

4

5

6

7

8

9

Minggu ke

Gambar 2 Nilai EC yang diatur selama masa budidaya (Weerakkody et al.
2011)

5
Logika Fuzzy
Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang
input ke dalam suatu ruang output, mempunyai nilai kontinu. Fuzzy dinyatakan
dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu
sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama
dalam logika fuzzy (Kusumadewi 2002).
Sistem inferensi fuzzy merupakan suatu proses pengambilan keputusan
dengan menggunakan logika fuzzy. Proses yang terjadi yaitu memetakan nilai
input ke dalam nilai output. Metode-metode yang dapat digunakan dalam sistem
inferensi fuzzy antara lain Metode Tsukamoto, Mamdani dan Sugeno. Metode
Mamdani disebut juga Metode Min-Max. Metode ini diperkenalkan oleh Ebrahim
Mamdani pada tahun 1975 (Kusumadewi dan Purnomo 2004). Logika fuzzy
memerlukan 4 tahapan untuk mendapatkan output, yaitu fuzzifikasi, fungsi
implikasi, komposisi aturan, dan defuzzifikasi.
Fuzzifikasi
Fuzzifikasi adalah proses penentuan sebuah bilangan input masing-masing
himpunan fuzzy. Himpunan fuzzy merupakan suatu grup yang wewakili suatu
kondisi atau keadaan tertentu dalam suatu variable fuzzy. Variabel fuzzy
merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Fungsi
keanggotaan adalah suatu kurva yang menunjukan pemetaan titik-titik input data
ke dalam nilai keanggotaannya. Nilai dari fungsi keanggotaan disebut dengan
derajat keanggotaan yang memiliki interval antara 0 sampai 1. Derajat
keanggotaan diperoleh melalui pendekatan fungsi. Beberapa fungsi yang dapat
digunakan yaitu representasi linier, kurva segitiga, dan trapesium. Representasi
kurva dapat dibedakan berdasarkan fungsi keanggotaan yaitu linier dan
polynomial, seperti pada Gambar 3.
µ(x)

µ(x)

1

1

0

0
x

x

Gambar 3 Model fungsi keanggotaan (kiri) segitiga (kanan) trapesium
Himpunan fuzzy memiliki 2 atribut yaitu linguistik dan numerik. Linguistik
adalah penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu
dengan menggunakan bahasa alami. Numeris yaitu suatu nilai (angka) yang
menunjukan ukuran dari suatu variabel. Nilai keanggotaan suatu x dalam suatu
himpunan A pada himpunan crisp (himpunan yang memiliki batas yang jelas),
yang sering ditulis dengan µ A(x), hanya memiliki 2 kemungkinan menjadi
anggota himpunan tersebut atau tidak sama sekali anggota himpunan tersebut.
Perbedaan pendekataan crisp dengan fuzzy dapat dilihat pada Gambar 4.

6

µ(x)
1

Muda

Parobaya

µ(x)
1 Muda

Tua

0

Parobaya

Tua

0
x

x

Gambar 4 Pendekatan crisp (kiri) dan fuzzy (kanan) dalam membedakan usia
Fungsi Implikasi
Tiap-tiap aturan pada basis pengetahuan fuzzy akan berhubungan dengan
suatu relasi fuzzy. Basis pengetahuan fuzzy terdiri dari basis data dan basis aturan.
Basis data berisi nilai linguistik dan derajat keanggotan variabel input yang
diperoleh melalui proses fuzzifikasi. Basis aturan terdiri dari aturan kendali fuzzy
yang digunakan untuk mencapai tujuan dari objek pengendalian. Basis aturan
pengendalian dibuat berdasarkan proses penalaran operator atau ahli dengan
melibatkan unsur pengalaman. Aturan kendali fuzzy mengekspresikan hubungan
antara variabel input dengan variabel output (Subrata 2009).
Bentuk umum aturan kendali fuzzy yang digunakan dalam fungsi implikasi
adalah IF x is A THEN y is B dengan x dan y adalah skalar, A dan B adalah
himpunan fuzzy. Aturan yang mengikuti IF disebut sebagai anteseden, sedangkan
proposisi yang mengikuti THEN disebut sebagai konsekuen. Aturan ini dapat
diperluas dengan menggunakan operator fuzzy dalam bentuk logika IF THEN di
bawah ini
IF (x1 is A1) and (x2 is A2) and… and (xn is An) THEN y is B
Salah satu fungsi implikasi yang dapat digunakan adalah implikasi Min
(minimum). Fungsi ini akan memotong output himpunan fuzzy (Irfani 2011).
Gambar 5 merupakan contoh bagaimana fungsi implikasi Min berjalan.
Aplikasi
operator AND

A2
A1

B
x1

y
x2
Gambar 5 Fungsi implikasi Min

Fungsi
implikasi Min

7
Komposisi Aturan
Komposisi aturan berisi aturan-aturan yang berhubungan dan dinyatakan
dalam bentuk matriks keputusan. Komposisi aturan merupakan formulasi yang
mendasari pengambilan keputusan apabila sistem terdiri dari beberapa aturan,
maka inferensi diperoleh dari korelasi antar aturan (Kusumadewi dan Purnomo
2004).
Defuzzifikasi
Defuzzifikasi merupakan suatu proses yang mengkombinasikan seluruh
fuzzy output menjadi sebuah hasil spesifik. Proses ini merupakan kebalikan dari
fuzzifikasi, dimana nilai keanggotaan dari suatu himpunan fuzzy dikonversikan ke
dalam suatu bilangan real. Pada komposisi aturan Mamdani, salah satu metode
yang dapat digunakan adalah metode centroid (Irfani 2011). Proses defuzzifikasi
dijelaskan pada Gambar 6.
Daerah fuzzy
output M

Daerah fuzzy
output
gabungan

Daerah fuzzy
output N
Centroid (nilai
keputusan)

Gambar 6 Proses defuzzifikasi dengan metode centroid
Metode ini menghasilkan solusi dengan mengambil titik pusat daerah fuzzy.
Secara umum dapat dirumuskan:

Z=

∑n

∑n

(
(

(1)

Keterangan:
Z
= Keputusan (solusi fuzzy)
Zj
= Interval diskrit pada himpunan semesta Z atau posisi pusat sistem
output
µ(Zj)
= Nilai keanggotaan solusi fuzzy atau luasan tiap fuzzy output

8

METODE PENELITIAN
Waktu dan Tempat Penelitian
Penelitian dilaksanakan pada bulan April – September 2014 di Laboratorium
Teknik Bioinformatika dan Laboraturim Manufaktur, Departemen Teknik Mesin
dan Biosistem, Fakultas Teknologi Pertanian, Institut Pertanian Bogor.

Alat dan Bahan Penelitian
Alat yang digunakan pada penelitian ini adalah 2 unit microcontroller
Arduino, seperangkat komputer untuk proses pemrograman, sensor EC Atlas
Scientific K1, sensor ultrasonik HC-SR04, rangkaian relay 4 channel, EC meter,
gelas ukur, 4 pompa air, 4 tangki air (nutrisi A dan B, air, campuran). Software
yang digunakan meliputi Arduino IDE 1.0.5, MATLAB R2014a, dan Microsoft
Excel. Bahan yang digunakan adalah nutrisi yang berupa campuran larutan nutrisi
AB mix. Gambar alat dan bahan dapat dilihat pada Lampiran 2.

Prosedur Penelitian
Penelitian dilakukan dengan tiga tahap, yaitu tahap penyiapan larutan nutrisi,
tahap perancangan simulasi dan simulasi. Perancangan simulasi meliputi kalibrasi
sensor, mencari hubungan konsentrasi larutan dengan nilai EC, penentuan debit
air untuk simulasi penurunan nilai EC, perhitungan debit pompa dan perancangan
kontrol fuzzy sedangkan pada simulasi meliputi simulasi matematis sistem dan
simulasi aktual sistem.
Persiapan Larutan Nutrisi
Larutan nutrisi yang digunakan di penelitian ini sebelumnya dalam bentuk
padatan sehingga perlu dilarutkan dengan air untuk menjadi larutan nutrisi.
Pencampuran dilakukan dengan 2 tahap:
1. Tahap I
Padatan A dan B masing-masing dilarutkan ke dalam air sampai 1 liter
sehingga total AB mix menjadi 2 liter larutan.
2. Tahap II
Larutan A dan B yang telah dibuat pada tahap I masing-masing diencerkan ke
dalam air sampai 10 liter sehingga total menjadi 20 liter larutan. Larutan AB
mix inilah yang digunakan pada perancangan simulasi dan simulasi.
Perancangan Simulasi
1. Kalibrasi sensor
Metode kalibrasi sensor yang digunakan adalah membandingkan nilai
keluaran sensor (sensor EC) dengan alat ukur (EC meter). Larutan AB mix
dengan nilai EC yang berbeda-beda diukur masing-masing dengan sensor dan
alat ukur, kemudian hubungan antara nilai keluaran sensor dengan alat ukur
dapat diketahui dengan membuat regresi linear dengan sumbu y-nya adalah

9
nilai keluaran alat ukur dan sumbu x-nya adalah nilai keluaran sensor.
Persamaan tersebut layak dipakai jika koefisien determinasi (R2) lebih besar
dari 0.9
(2)
Keterangan:
y = Nilai keluaran alat ukur sebagai acuan (µS/cm)
x = Nilai keluaran sensor (µS/cm)
a, b = Konstanta
2.

Hubungan konsentrasi larutan dengan nilai EC
Hubungan konsentrasi larutan dengan nilai EC dapat diketahui dengan
dengan membandingkan konsentrasi larutan dengan nilai EC dan membuat
regresi linear dengan sumbu y adalah nilai EC dan sumbu x adalah nilai
konsentrasi larutan. Persamaan hubungan konsentrasi larutan dengan nilai EC
menggunakan Persamaan 2.

3.

Perhitungan debit pompa
Pompa yang digunakan pada penelitian ini mempunyai 2 tujuan, yaitu
pompa untuk penurunan nilai EC dan pompa untuk pengendalian nilai EC
dalam larutan. Debit pompa dapat dihitung dengan rumus:
(3)
Keterangan:
Q
= Debit pompa (ml/s)
V
= Volume pada saat t (ml)
t
= Waktu bukaan pompa (s)

4.

Penentuan debit air untuk simulasi penurunan nilai EC
Penurunan nilai EC dari serapan unsur oleh tanaman dapat
direpresentasikan dalam penurunan konsentrasi larutan nutrisi AB mix.
Penurunan konsentrasi terjadi akibat berkurangnya nutrisi dapat dimodelkan
dengan penambahan air. Sebelum menentukan debit air untuk simulasi
penurunan nilai EC, perlu diketahui serapan kadar nutrisi tertentu dalam
ml/hari agar penurunan nilai EC dimodelkan. Persamaan untuk mendapatkan
nilai serapan nutrisi dalam ml/hari dapat dilihat pada Persamaan 4.
Um =

x
x

p

x

Keterangan:
Um
= Serapan nutrisi (ml/hari)
U
= Serapan nutrisi (mg/tanaman/hari)
N
= Jumlah tanaman model
m
= Massa padatan AB mix (mg)
p
= Persentase ion dalam AB mix (%)
V
= Volume larutan AB mix yang dilarutkan pada tahap I (ml)

(4)

10
Penambahan air yang dibutuhkan setiap kali waktu penyerapan dapat
ditentukan dengan Persamaan 5.
n

-

n

-

(5)

Keterangan:
Vnm
= Volume AB mix model (ml)
= Volume serapan (ml)
Vu
Vtm
= Volume total model (ml)
Vns
= Volume AB mix simulasi (ml)
Vts
= Volume total simulasi (ml)
Vi
= Volume air yang ditambahkan (ml)
5.

Perancangan kontrol fuzzy
Pada perancangan kontrol fuzzy (fuzzy control), digunakan sistem
inferensi Mamdani dan fungsi implikasi Min. Sistem inferensi Mamdani
dipilih berdasarkan penelitian sebelumnya oleh Suprijadi et al. (2009) yang
mampu mengatur volume nutrisi hidroponik berdasarkan ketinggian larutan
dengan menggunakan sistem inferensi Mamdani. Perancangan kontrol fuzzy
dilakukan dengan menggunakan software MATLAB.

Simulasi
1. Simulasi fuzzy matematis sistem
Simulasi matematis dilakukan untuk mengevaluasi sistem kontrol fuzzy
yang telah dibangun dengan perhitungan matematis. Perhitungan simulasi
dilakukan dengan menggunakan software Ms. Excel dan MATLAB. Jika
simulasi fuzzy matematis sistem telah dianggap baik secara kuantitatif dengan
membandingkan hasil simulasi terhadap referensi, maka sistem layak
dilakukan simulasi aktual sistem. Nilai parameter yang dilihat adalah nilai
error dan lag selama simulasi.
2. Simulasi fuzzy aktual sistem
Simulasi aktual dilakukan untuk mengetahui respon sistem kontrol
f zzy secara aktual. Evaluasi simulasi dilakukan secara kualitatif dan
kuantitatif. Evaluasi secara kualitatif melihat apakah respon sistem
menyerupai respon sistem matematis dan evaluasi secara secara kuantitatif
dilakukan dengan metode MAPE (Mean Ab ol e Percen age Error). Metode
MAPE cocok digunakan untuk mengevaluasi akurasi dari foreca ng dan
lebih mudah dipahami karena hasil disajikan dalam persentase (Hyndman dan
Koehler 2006).

11
M=

n

∑n |

A −F
A

| x 100%

(6)

Keterangan:
M
= Nilai MAPE (%)
n
= Jumlah data
A
= Nilai aktual atau simulasi aktual (µS/cm)
F
= Nilai foreca ng atau simulasi matematis (µS/cm)
Foreca ng yang dimaksud adalah menvalidasi sistem kontrol dengan
membandingkan model sistem yang telah dibuat (Abraham dan Ledolter
2005). Menurut Makridakis et al. (1983), jika nilai MAPE < 25%, maka hasil
simulasi dapat diterima secara memuaskan. Skema kontrol f zzy pada
simulasi f zzy aktual dapat dilihat pada Gambar 7. Diagram alir kegiatan
penelitian keseluruhan dapat dilihat pada Gambar 8.
Input:
Setpoint EC Error EC

-

+

Arduino
Sensor
Ultrasonik

Output: Waktu
nyala pompa
Fuzzy
Controller

Nilai EC yang
terkontrol

Pompa

Input:
Volume
Sensor EC

Feedback:
Nilai EC
Gambar 7 Skema sistem kontrol simulasi fuzzy aktual

12

Penetuan debit air untuk
simulasi penurunan nilai
EC

Referensi
serapan ion

Evaluasi
error dan lag

Kurang
sesuai

Sesuai

M > 25%

M < 25%

Gambar 8 Diagram alir prosedur penelitian

13

HASIL DAN PEMBAHASAN
Perancangan Simulasi
Kalibrasi sensor
Sensor yang digunakan pada penelitian ini adalah sensor tipe K 1.0 Atlas
Scientific dengan jangkauan pembacaan sensor antara 0.5 mS/cm sampai 200
mS/cm dan sensor perlu dikalibrasi terlebih dahulu sebelum digunakan (Atlas
Scientific 2014). Sensor dikalibrasi dengan metode membandingkan nilai keluaran
EC meter dengan nilai keluaran sensor EC. Hasil kalibrasi sensor dapat dilihat
pada Gambar 9.
2000

y = 1.0307x + 123.87
R² = 0.9998

Nilai EC meter (µS/cm)

1800
1600
1400
1200
1000
800
600
400
200
0
400

600

800

1000

1200

1400

1600

1800

Nilai sensor EC (µS/cm)

Gambar 9 Hasil kalibrasi sensor EC
Hasil kalibrasi menunjukkan persamaan ini mempunyai nilai R2 > 0.9
sehingga persamaan tersebut layak digunakan untuk sensor ini.
Hubungan konsentrasi larutan dengan nilai EC
Hubungan konsentrasi larutan dengan nilai EC diperlukan dalam penentuan
debit air untuk simulasi, perancangan kontrol fuzzy, dan evaluasi simulasi. Nilai
EC diterjemahkan ke dalam nilai konsentrasi sehingga dapat diketahui jumlah
larutan AB mix yang harus ditambahkan ke dalam larutan nutrisi. Nilai
konsentrasi yang dibandingkan adalah yang mencapai sekitar nilai EC 1.7 mS/cm.
Hubungan nilai konsentrasi larutan dengan nilai EC dapat dilihat di Gambar 10.

14
2500
y = 160.24x + 297.8
R² = 0.999

Nilai EC (µS/cm)

2000
1500
1000
500
0
2

4

6

8

10

12

Konsentrasi (%)

Gambar 10 Hubungan konsentrasi larutan dengan nilai EC
Hasil pengamatan didapatkan hubungan yang sangat baik dengan R 2 > 0.9,
sehingga persamaan ini layak digunakan.
Perhitungan debit air pompa
Penelitian ini menggunakan 2 jenis pompa berbeda yang telah diatur
debitnya sedemikian rupa untuk kebutuhan simulasi. Pompa yang pertama adalah
pompa air Amara P1200 yang digunakan untuk simulasi penurunan nilai EC dan
pompa air Aquila P1000 yang digunakan untuk kontrol kadar nutrisi. Debit kedua
pompa ini dapat ditentukan dengan Persamaan 3. Hasil pengamatan debit pompa
dapat dilihat pada Tabel 2.
Tabel 2 Hasil pengamatan debit pompa
Jenis pompa

Volume
pengamatan
(ml)

Waktu
pengamatan
(detik)

Debit
(ml/s)

AquilaP1000
AmaraP1200

500
500

42
33

11.63
15.15

Penentuan debit air untuk simulasi penurunan nilai EC
Sistem kontrol pada penelitian ini diarahkan untuk dapat mengendalikan
tingkat penurunan nilai EC dari budidaya tanaman tomat 9 minggu. Penurunan
nilai EC akibat penyerapan oleh tanaman dapat disimulasikan dengan
penambahan air, sehingga dapat mempresentasikan penyerapan nutrisi dalam
satuan konsentrasi (%).
Simulasi pada penelitian ini menggunakan model budidaya tomat dari
referensi dengan 1 tanaman tomat dan larutan nutrisi total (larutan AB mix dan
air) 100 liter dengan masa budidaya 60 hari. Referensi nilai EC larutan nutrisi di
awal budidaya dimulai dengan nilai EC 1 700 µS/cm atau 1.7 mS/cm.
Menggunakan persamaan hubungan konsentrasi dengan nilai EC pada Gambar 10,

15
dapat ditentukan konsentrasi yang dibutuhkan agar nilai EC larutan mencapai 1.7
mS/cm. Menggunakan persamaan pada Gambar 10, didapatkan nilai konsentrasi
yang dibutuhkan sebesar 8.75%. Penurunan nilai EC dapat dimodelkan
berdasarkan serapan nutrisi ion tertentu dan untuk model ini dipilih ion NO3.
Model penurunan nilai EC akibat serapan kadar NO3 dapat dibuat dengan
mengetahui serapan nutrisi referensi dari hasil penelitian Weerakkody et al.
(2011) dalam ml/hari. Proses perhitungan untuk mendapatkan serapan nutrisi AB
mix ml/hari dapat dilihat pada Lampiran 1.
Model mempunyai larutan nutrisi total 100 liter dengan konsentrasi AB mix
sebesar 8.75%, sehingga larutan AB mix yang terlarut sebesar 8.75 liter atau 8 750
ml. Penurunan nilai konsentrasi setiap penyerapan dikonversi menjadi penurunan
nilai EC. Model penurunan nilai EC dapat dilihat pada Gambar 11.
1750

Niali EC (µS/cm)

1700
1650
1600
1550
1500
1450
1400

0

10

20

30

40

50

60

70

Waktu budidaya (hari)

Gambar 11 Model penurunan nilai EC akibat serapan kadar NO3

Grafik pada Gambar 11 digunakan sebagai pembanding apabila larutan
nutrisi yang tidak dikontrol dengan larutan nutrisi yang dikontrol oleh sistem
kontrol. Serapan nutrisi pada simulasi penurunan EC dianggap sebagai gangguan
pada larutan nutrisi yang jika dibiarkan maka nilai EC akan menurun terhadap
waktu. Model ini disimulasikan dengan skala waktu yang dipercepat dan larutan
nutrisi total yang diperkecil. Skala model:simulasi berturut-turut adalah 1440:1
dengan waktu budidaya 60 hari dipercepat menjadi 60 menit dan 25:1 dengan
larutan nutrisi 100 liter diperkecil menjadi 4 liter. Menggunakan Persamaan 5,
dapat diketahui air yang dibutuhkan untuk merepresentasikan penurunan nilai EC
per menit simulasi. Gambar 12 menunjukkan air yang dibutuhkan per menit dalam
simulasi ini.

16

Air yang dibutuhkan (ml)

30
25
20
15
10
5
0
0

10

20

30

40

50

60

Waktu simulasi (menit)

Gambar 12 Air yang dibutuhkan per menit untuk simulasi
Simulasi yang dirancang menggunakan pompa air sebagai alat untuk
menyalurkan air yang dibutuhkan per menitnya. Lama waktu penyalaan pompa
per menitnya dapat diatur sesuai kebutuhan dengan menggunakan relay. Waktu
penyalaan pompa per menit dibuat sama untuk mempermudah pengaturan pompa,
dengan pengaturan untuk menit 1-35 (minggu 1-5), menit 36-49 (minggu 6-7),
dan menit 50-60 (minggu 8-9) simulasi. Waktu penyalaan pompa didapatkan dari
rata-rata debit per menitnya dengan debit pompa AmaraP1200 sebesar 15.15 ml/s.
Waktu 0.1 detik ditambahkan pada lama penyalaan pompa untuk mengatasi
keterlambatan penyalaan pompa. Lama penyalaan pompa untuk simulasi pada
tahap ini dapat dilihat pada Tabel 3.
Tabel 3 Lama penyalaan pompa untuk simulasi penurunan nilai EC
Waktu
simulasi
(menit)

Air yang
dibutuhkan
(ml/menit)

Lama
penyalaan
pompa (detik)

1-35
36-49
50-60

11.13
25.58
16.21

0.835
1.788
1.170

Air yang ditambahkan tersebut merepresentasikan serapan nutrisi yang
kemudian menurunkan nilai EC. Simulasi penurunan nilai EC yang dilakukan
dengan pompa diuji apakah mampu menyamai tingkat penurunan nilai EC sesuai
dengan kecenderungan penurunan pada Gambar 11. Hasil pengujian pompa dapat
dilihat pada Gambar 13.

17
1.75
1.7
Referensi

Nilai EC (mS/cm)

1.65

Simulasi

1.6
1.55
1.5
1.45
1.4
0

1000

2000

3000

4000

Waktu simulasi (detik)

Gambar 13 Simulasi penurunan nilai EC dengan pompa
Atlas Scientific (2014) menyatakan bahwa dibutuhkan 15-25 kali
pembacaan untuk sensor membaca yang stabil dengan satu kali pembacaan
dibutuhkan waktu 1 detik. Setiap penambahan air per menit, nilai EC larutan
mengalami penurunan dan sensor membutuhkan waktu paling cepat 15 detik
untuk stabil, sehingga mengakibatkan grafik simulasi tidak stabil. Pengaturan
pompa simulasi penurunan nilai EC dapat dikatakan baik karena mampu
mengikuti pola dan kecenderungan penurunan EC yang seharusnya.
Perancangan kontrol fuzzy
Sistem kontrol fuzzy pada penelitian dirancang untuk mampu menjaga nilai
EC pada setpoint yang di kontrol dari penurunan EC akibat penyerapan nutrisi
oleh tanaman. Kontrol fuzzy ini memiliki output nilai penyalaan pompa air atau
larutan AB mix dengan 2 jenis input yaitu error EC dan volume larutan pada
tangki dalam satuan liter. Pemilihan himpunan fuzzy pada error EC berdasarkan
trial and error, sedangkan pada volume berdasarkan kapasitas tangki simulasi.
Gambar 14 menjelaskan tentang sistem inferensi fuzzy yang telah dirancang untuk
sistem kontrol dan Gambar 15 dan 16 merupakan batas-batas himpunan fuzzy
untuk error EC dan volume.

18

Fuzzifikasi
Himpunan fuzzy
error EC

Defuzzifikasi
metode centroid

Fungsi implikasi
Min
Komposisi aturan
Mamdani

Himpunan
fuzzy volume

Himpunan fuzzy
lama nyala pompa

Gambar 14 Sistem inferensi fuzzy untuk sistem kontrol
LN

N

Z

P

LP

1

0.5

0
-0.5

-0.4

-0.3

-0.2

-0.1

0

0.1

0.2

0.3

0.4

0.5

Gambar 15 Himpunan fuzzy error EC (mS/cm)
E

M

F

1

0.5

0
3

4

5

6

7

8

9

10

Gambar 16 Himpunan fuzzy volume (liter)
Nilai input EC didapatkan dari sensor EC K1.0 Atlas Scientific dan input
volume didapatkan dari sensor ultrasonik. Nilai volume dapat ditentukan jika
diketahui penampang alas dari tangki tersebut dan ketinggian sensor ultrasonik
terhadap permukaan air. Tangki yang digunakan menyerupai kerucut terpenggal
atau corong dengan penampang atas lebih luas dari penampang bawah, sehingga
dengan menggunakan prinsip integral dapat ditentukan persamaannya (Anonim
2014).

19
∫ (

)

(7)

Keterangan:
V
= Volume (cm3)
b
= Tinggi titik muka air (cm)
a
= Tinggi permukaan tangki terhadap tanah (cm)
f(x)
= Persamaan gradient
Menggunakan perhitungan di atas, didapatkan persamaan mencari volume
dalam satuan liter dari ketinggian muka air adalah π[(0.005x3 + 1.334x2 + 110.25x
– 66.63)/1 000] dalam liter dengan x adalah nilai jarak dari sensor ultrasonik
sampai permukaan air. Implikasi yang digunakan berbentuk IF error EC „x
mS/cm‟ AND volume „y liter‟ THEN penyalaan pompa „z detik‟. Proses fungsi
implikasi sistem menggunakan sistem Min dan dipilih derajat keanggotaan yang
paling rendah dari derajat keanggotaan error EC dan volume.
Komposisi aturan dibuat berdasarkan tujuan yang ingin dicapai yaitu waktu
penyalaan pompa yang sesuai. Terdapat 13 aturan untuk pengambilan keputusan
waktu penyalaan pompa berdasarkan error EC dan volume larutan pada tangki.
Komposisi aturan sistem disajikan pada Tabel 5.
Tabel 4 Matriks keputusan untuk output waktu penyalaan pompa
EEC
VOL
LN
N
Z
P
LP

Keterangan:
EEC = Error EC
VOL = Volume
LN = Large Negative
N
= Negative
Z
= Zero
P
= Positive
LP = Large Positive

E

M

F

QAB
QAB
Z
QW
QW

MAB
QAB
Z
QW
MW

LAB
MAB
Z
MW
LW

E
M
F
QAB
MAB
LAB
QW
MW
LW

= Empty
= Medium
= Full
= Quick AB
= Moderate AB
= Long time AB
= Quick Water
= Moderate Water
= Long time Water

Hasil aturan komposisi tersebut diterjemahkan dalam bentuk output yang
terpilih. Himpunan output sistem kontrol fuzzy dapat dilihat pada Gambar 17.

20

LAB

MAB

QAB

Z

-4

0

QW

MW

LW

1

0.5

0
-12

-10

-8

-6

-2

2

4

6

8

10

12

Gambar 17 Himpunan fuzzy lama waktu penyalaan pompa (detik)
Metode yang dipilih untuk proses defuzzifikasi adalah metode titik pusat
luasan (centroid of area). Hasil yang dihasilkan dari proses defuzzifikasi adalah
lama waktu penyalaan pompa dalam detik. Bagaimana proses defuzzifikasi
dilampirkan pada Gambar 18.

Gambar 18 Proses defuzzifikasi dengan MATLAB
Hasil rancangan kontrol fuzzy ini kemudian diaplikasikan ke dalam program
Arduino.

21
Simulasi
Simulasi kontrol fuzzy matematis
Simulasi kontrol fuzzy matematis dilakukan dengan menggunakan
MATLAB dan Microsoft Excel. Simulasi dilakukan dengan perhitungan
matematis. Software Microsoft Excel berisi input nilai EC dan perhitungan
perubahan konsentrasi larutan, sedangkan MATLAB mengeksekusi perhitungan
fuzzy dan menghasilkan output hasil fuzzy dari input Microsoft Excel. Bagan
simulasi kontrol fuzzy matematis dilampirkan pada Gambar 19.

Gambar 19 Diagram alir proses perhitungan pada simulasi kontrol fuzzy matematis sistem

Simulasi ini mengikuti perubahan setpoint dan volume penambahan air pada
waktu simulasi 60 menit. Berdasarkan Gambar 2 dan Tabel 4, pada waktu
simulasi 1-35 menit EC yang diatur sebesar 1.7 mS/cm dan penambahan air 11.13
ml/menit, pada masa budidaya 36-49 menit EC yang diatur sebesar 1.6 mS/cm
dan penambahan air 25.58 ml/menit, dan pada masa budidaya 50-60 menit EC
yang diatur sebesar 1.9 mS/cm dan penambahan air sebesar 16.21 ml/menit.
Volume larutan total awal pada simulasi matematis adalah 4 liter. Data-data
setpoint EC, volume penambahan air, dan volume larutan total merupakan input
data. Menggunakan input data tersebut dan persamaan yang telah ditulis di
Microsoft Excel, kemudian simulasi matematis ini diproses. Khusus pada
perhitungan volume AB mix, hasil perhitungan fuzzy ketika penambahan air dikali
faktor pengali 10 dan penambahan AB mix dikali faktor pengali 1. Hasil simulasi
kontrol fuzzy matematis sistem dapat dilihat pada Gambar 20.

22

2
Referensi

Simulasi Matematis

Tidak Dikontrol

1.9

EC (mS/cm)

1.8

1.7

1.6

1.5

1.4
0

10

20
30
40
Waktu simulasi (menit)

50

60

Gambar 20 Hasil simulasi kontrol fuzzy matematis sistem
Waktu pembacaan dan penambahan air atau AB mix pada simulasi
matematis ini dilakukan tiap menit. Evaluasi simulasi matematis dilakukan secara
kuantitatif dengan batas apakah sistem mampu mempertahankan nilai EC dan
mampu segera mencapai setpoint yang diharapkan ketika terjadi perubahan
setpoint selama kontrol. Berdasarkan grafik hasil simulasi matematis, dapat dilihat
sistem mampu mempertahankan nilai EC tanpa error dan mampu mencapai
setpoint yang diharapkan dengan lag (selang waktu) yang tidak lama. Jika
dibandingkan dengan referensi, simulasi ini memiliki lag 2 menit untuk
menurunkan nilai EC dari 1.7 mS/cm ke 1.6 mS/cm dan lag 6 menit untuk
menaikkan nilai EC dari 1.6 mS/cm ke 1.9 mS/cm. Berdasarkan acuan pola grafik
kontrol pada Gambar 20, menjadi dasar evaluasi MAPE pada simulasi kontrol
fuzzy aktual.
Simulasi kontrol fuzzy aktual
Simulasi kontrol fuzzy aktual dilakukan untuk melihat kinerja sistem kontrol
secara langsung. Input dari sensor EC dan ultrasonik dibaca oleh Arduino,
kemudian dari input tersebut dibaca, lalu dilakukan perhitungan fuzzy oleh
Arduino, dan hasil perhitungan berupa lama waktu penyalaan pompa dikirim ke
relay, dimana relay tersebut telah terhubung ke 4 pompa. Tiga pompa digunakan
untuk kontrol EC larutan dan satu pompa lagi untuk simulasi penurunan nilai EC.
Penambahan air sebagai gangguan akibat serapan nutrisi diaplikasikan sesuai
dengan simulasi penurunan nilai EC menggunakan pompa pada Gambar 13.
Tangki larutan yang digunakan mengacu pada tangki larutan nutrisi pada Gambar

23
1. Sistem aerasi sebagai pengaduk digunakan pada saat simulasi untuk proses
pencampuran yang lebih cepat. Keluaran selang pompa diarahkan ke pengaduk
sehingga diharapkan terjadi pengadukan yang lebih cepat. Sensor EC diletakkan
agak jauh dari pengaduk agar yang nilai EC yang terbaca oleh sensor merupakan
yang teraduk sempurna dan larutan dengan aliran yang tenang agar pembacaan
lebih stabil. Sensor ultrasonik diletakkan tegak lurus dengan permukaan air
sebagai pembaca ketinggian muka air larutan. Skema aliran data simulasi kontrol
fuzzy aktual dilampirkan pada Gambar 21

Gambar 21 Skema aliran data pada simulasi kontrol fuzzy aktual
Hasil pengamatan dicatat dengan microcontroller. Hasil pengamatan
Arduino dapat dilihat dengan serial monitor pada program Arduino IDE. Gambar
22 memperlihatkan bagaimana data ditampilkan pada serial monitor.

Gambar 22 Tampilan serial monitor ketika pengamatan
Sensor membaca 35 kali sebelum mengeksekusi perhitungan fuzzy untuk
hasil pengamatan yang lebih stabil. Dapat dilihat dari gambar di atas bahwa pada
pembacaan sensor ke 1-3 data yang masuk masih belum stabil dan akan memulai

24
perhitungan fuzzy apabila data yang masuk adalah data pembacaan yang ke 36.
Pengamatan lag yang dimaksud adalah waktu pengamatan dimulai dari awal
pembacaan sensor dalam milidetik. Waktu yang dibutuhkan sistem untuk
mencapai setpoint tertentu dan waktu selesainya simulasi dapat diketahui dengan
adanya pengamatan lag.
Hasil simulasi aktual disimpan di Microsoft Excel kemudian hasil simulasi
tersebut ditampilkan dengan grafik bersama dengan hasil simulasi matematis dan
referensi, sehingga dapat dibandingkan secara visual hasil simulasi aktual
terhadap simulasi matematis dan referensi. Gambar 23 menunjukkan
perbandingan referensi, hasil simulasi matematis dan simulasi aktual. Gambar 24
menunjukkan menunjukkan nilai error EC simulasi aktual terhadap simulasi
matematis simulasi dan Gambar 25 menunjukkan nilai inferensi fuzzy selama
simulasi aktual.
2
1.9

Referensi

Simulasi Matematis

Simulasi Aktual

Tidak Dikontrol

EC (mS/cm)

1.8
1.7
1.6
1.5
1.4
0

10

20

30

40

50

60

Waktu simulasi (menit)

Gambar 23 Hasil pengamatan simulasi aktual yang dibandingkan dengan referensi
dan simulasi matematis
0.06

Error EC (mS/cm)

0.04
0.02
0

-0.02
-0.04
-0.06
-0.08
-0.1
-0.12
0

10

20

30

40

50

60

Waktu simulasi (menit)

Gambar 24 Nilai error EC simulasi aktual terhadap simulasi matematis

25
2
Nilai inferensi fuzzy

1
0
-1
-2
-3
-4
0

10

20

30

40

50

60

50

60

Waktu simulasi (menit)

Lama penyalaan pompa AB mix (detik)

Gambar 25 Nilai inferensi fuzzy selama simulasi aktual
10
9

8
7
6
5
4
3
2
1
0
0

10

20

30

40

Waktu simulasi (menit)

Gambar 26 Lama penyalaan pompa AB mix selama simulasi aktual
Lama penyalaan pompa air (detik)

10
9
8

7
6
5
4
3
2
1

0
0

10

20

30

40

50

Waktu simulasi (menit)

Gambar 27 Lama penyalaan pompa air selama simulasi aktual

60

26
Nilai inferensi fuzzy pada Gambar 25 menyatakan lama penyalaan pompa air
atau AB mix. Nilai inferensi fuzzy kurang dari nol menyatakan lama penyalaan
pompa AB mix kemudian dikalikan dengan faktor pengali -1 sedangkan nilai lebih
dari nol menyatakan lama penyalaan pompa air kemudian dikalikan dengan faktor
pengali 10. Gambar 26 dan 27 menunjukkan lama penyalaan pompa AB mix dan
air selama simulasi aktual.
Berdasarkan Gambar 23, dapat dilihat bahwa performansi sistem kontrol
dapat mengikuti pola perubahan EC simulasi matematis dan terdapat error selama
masa steady state error dan adanya lag ketika terjadi perubahan setpoint dari 1.7
mS/cm ke 1.6 mS/cm dan 1.6 mS/cm ke 1.9 mS/cm. Error yang dihasilkan oleh
simulasi ini diakibatkan oleh sensor, gangguan, dan sistem kontrol dengan pompa.
Pembacaan 1 sampai 3 oleh sensor tercatat nilai EC yang lebih rendah dari
seharusnya ketika proses penambahan AB mix atau air seperti pada Gambar 22,
sehingga terlihat nilai EC turun cukup signifikan yang kemudian mengikuti pola
kembali sehingga terjadi error. Error berupa overshoot (error di atas setpoint)
maupun undershoot (error di bawah setpoint) pada pengamatan diakibatkan oleh
kontrol pompa menggunakan sistem ON-OFF walaupun waktu lama penyalaan
pompa ditentukan dengan inferensi fuzzy. Menurut Siegenthaler (2011)
karakteristik sistem ON-OFF adalah adanya overshoot dan undershoot saat
kontrol.
Simulasi fuzzy aktual terlihat dapat mengikuti pola kontrol EC simulasi
fuzzy matematis walaupun terjadi overshoot. Selama masa steady state error, nilai
error terbesar mencapai 0.02 mS/cm ketika di awal pengamatan. Hal ini terjadi
akibat ketidakstabilan sensor ketika di awal pengamatan seperti pada hasil
pengamatan simulasi penurunan nilai EC pada Gambar 13. Selama masa
perubahan nilai setpoint simulasi fuzzy aktual dapat mengikuti penurunan nilai EC
simulasi matematis dengan lag sebesar 24 detik ketika perubahan setpoint dari 1.7
mS/cm ke 1.6 mS/cm namun dapat lebih cepat mencapai 1.6 mS/cm dibandingkan
simulasi matematis. Hal yang sama terjadi pada perubahan setpoint dari 1.6
mS/cm ke 1.9 mS/cm dengan lag sebesar 35 detik saat memulai peningkatan nilai
EC. Perubahan nilai EC yang lebih cepat oleh simulasi fuzzy aktual diakibatkan
oleh eksekusi hasil inferensi fuzzy pada sistem fuzzy aktual lebih cepat
dibandingkan dengan simulasi fuzzy matematis. Eksekusi inferensi fuzzy pada
simulasi fuzzy aktual dilakukan setelah pembacaan sensor ke 35, sedangkan pada
simulasi fuzzy matematis eksekusi inferensi fuzzy dilakukan per menit.
Keterlambatan pada perubahan setpoint dari 1.6 mS/cm ke 1.9 mS/cm juga
disebabkan oleh hal yang sama. Simulasi aktual masih pada proses pembacaan
sensor pada saat simulasi matematis mulai mengeksekusi hasil inferensi fuzzy.
Berdasarkan Gambar 24, nilai error yang cukup besar pada menit ke 35 dan 50
menunjukkan terlambatnya sistem kontrol memulai penurunan EC. Osilasi error
terjadi akibat simulasi aktual lebih cepat mencapai setpoint dibandingkan dengan
simulasi matematis.
Evaluasi hasil simulasi dilakukan dengan metode MAPE menunjukkan
bahwa sistem mempunyai error sebesar 0.336%, dengan nilai MAPE kurang dari
25% maka dapat dikatakan simulasi berhasil dan mempunyai hasil yang
memuaskan.

27

SIMPULAN DAN SARAN
Simpulan
Pembuatan desain sistem kontrol otomatik berbasis nilai EC menggunakan
logika fuzzy telah selesai dilakukan. Model tanaman budidaya pada penelitian ini
adalah tanaman tomat dengan masa budidaya 60 hari dan larutan nutrisi awal 100
liter. Model ini mempunyai 3 masa budidaya yang memiliki setpoint EC yang
berbeda-beda, yaitu 1-5 minggu dengan EC 1.7 mS/cm, 6-7 minggu dengan 1.6
mS/cm dan 8-9 minggu dengan 1.9 mS/cm. Sistem kontrol yang telah dibuat
mampu mempertahankan nilai EC dengan masa budidaya yang dipercepat 1440
kali dan larutan nutrisi awal yang diperkecil 25 kali dari model. Persamaan regresi
linear kalibrasi sensor dan hubungan nilai EC dengan konsentrasi larutan nutrisi
menunjukkan nilai R2 > 0.9 sehingga persamaan tersebut layak digunakan. Model
penurunan nilai EC sebagai gangguan dengan penambahan air yang telah dibuat
berdasarkan referensi sesuai dengan penurunan nilai EC akibat penyerapan nutrisi.
Debit air yang dibutuhkan pada model penurunan EC 1-35 menit, 36-49 menit,
dan 8-9 minggu berturut-turut adalah 11.13 ml/menit, 25.58 ml/menit, dan 16.21
ml/menit. Rancangan kontrol fuzzy dibuat dengan metode Mamdani dengan input
error EC dan ketinggian larutan nutrisi dalam tangki dan output lama penyalaan
pompa. Simulasi ini menggunakan 4 pompa, dengan 3 pompa untuk kontrol
nutrisi dan 1 pompa untuk model penurunan nilai EC.
Simulasi matematis menggunakan MATLAB menunjukkan sistem mampu
mempertahankan nilai EC dan mampu mengontrol nilai EC ketika terjadi
perubahan setpoint. Simulasi aktual menunjukkan mampu menyamai hasil
simulasi matematis dengan lag sebesar 24 detik ketika memulai perubahan
setpoint dari 1.7 mS/cm ke 1.6 mS/cm dan lag sebesar 35 detik ketika memulai
perubahan setpoint dari 1.6 mS/cm ke 1.9 mS/cm. Evaluasi dengan metode MAPE
menunjukkan simulasi aktual mempunyai nilai error sebesar 0.336%.
Saran
Simulasi penurunan nilai EC dapat dikembangkan dengan menggunakan
unsur selain NO3 seperti K, Na, PO3, atau kombinasi unsur tersebut. Simulasi ini
akan lebih akurat di kondisi nyata apabila memperhitungkan penyerapan tiap
nutrisi dalam larutan AB mix serta serapan air oleh tanaman. Nilai error pada
simulasi aktual dapat dikurangi dengan menggunakan kontrol fuzzy berbasis
kontrol pompa selain ON-OFF seperti PWM (Pulse Width Modulation). Proses
simulasi membutuhkan sensor yang lebih stabil. Sensor EC dapat diperbaiki
logika pembacaannya agar pembacaan yang lebih stabil atau dapat diganti