Pemilihan Aturan Fuzzy Inference System Mamdani Menggunakan Algoritme Particle Swarm Optimization Dalam Sistem Penyiraman Otomatis Pada Tanaman Tomat
Vol. 2, No. 11, November 2018, hlm. 5525-5534 http://j-ptiik.ub.ac.id
Pemilihan Aturan Fuzzy Inference System Mamdani Menggunakan
Algoritme Particle Swarm Optimization Dalam Sistem Penyiraman Otomatis
Pada Tanaman Tomat
1 23 Indah Larasati , Budi Darma Setiawan , Mahendra Data
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 3 Email: indahlar97@gmail.com mahendra.data@ub.ac.id
Abstrak
Laboratorium Tanah Benih Balai Pengkajian Teknologi Pertanian (BPTP) Jawa Timur merupakan salah satu tempat kerja yang bertugas melakukan pengkajian tanah untuk pembibitan tanaman. Salah satu pengujian tanah pada Laboratorium Tanah BPTP Jatim adalah pengujian parameter kelembapan tanah. Saat ini di tempat tersebut sedang dikembangkan alat siram otomatis berdasarkan sensor kelembapan tanah untuk memprediksi kebutuhan volume air yang berfungsi untuk menjaga kelembapan media penumbuhan benih. Penelitian ini akan menghitung banyaknya volume air tanaman dengan dua variabel masukan yaitu kelembapan awal dan lama waktu siram menggunakan metode Fuzzy Inference
System Mamdani. Kedua variabel tersebut dapat menyebabkan aturan fuzzy sering terulang atau aturan
yang sama digunakan lebih dari satu. Untuk menghindari hal tersebut, maka diperlukan pemilihan aturan
fuzzy dengan menggunakan algoritme Particle Swarm Optimization. Pengujian sebanyak 10 kali
percobaan dengan menerapkan jumlah partikel sebanyak 250, nilai bobot inersia (w) adalah 0,7, nilai kombinasi C1 dan C2 adalah 1,4 dan 1,3, dan iterasi maksimalnya adalah 2500, maka diperoleh nilai
fitness tertinggi pada percobaan ketujuh yaitu sebesar 1,39949 dengan nilai Root Mean Square Error
(RMSE) sebesar 1,50319. Hasil dari nilai fitness tertinggi tersebut mampu memilih aturan yang awalnya 27 aturan menjadi 8 aturan.
Kata kunci: pengujian tanah, fuzzy inference system, mamdani, algoritme Particle Swarm
Optimization, pemilihan aturan fuzzy.
Abstract
Laboratorium Tanah Benih Balai Pengkajian Teknologi Pertanian (BPTP) East Java is one of the institutes to do some research on plant nursery. One of soil testings which have been done in Laboratorium Tanah BPTP East Java is the parameter testing soil humadity. The research laboratory, right now, is developing an automatic watering based on soil humadity sensory to predict the amount of water needed to keep the humadity of the growing seed media. This research will figure out how much water plant volume with two input variables which are the initial humadity and flushing duration using
Fuzzy Inference System Mamdani method. The two variables can cause often repeated rule based fuzzy
or the same rule used more than once. Thus, to prevent these things to be happened, it needs fuzzy rule base fuzzy choice by using Particle Swarm Optimization algorithm. The testing was done in ten times trials by applying the amount of particles which is 250, value of inertia quality (w), which is 0,7, combination value of C1 and C2, which are 1,4 and 1,3, and the maximum iteration, which is 2500, and then it obtained the highest fitness value is on the seventh trial, which is 0,39949 with Root Mean Square Error (RMSE) value, which is 1,50319. The result from the highest fitness value is able to change the system from 27 arrangements to eight arrangements.
Keywords: initial moisture, fuzzy inference system, mamdani, Particle Swarm Optimization algorithm,
rule base fuzzy choicesatu penentu akan hasil perkebunan dengan cara 1. mengetahui daya dukung, karakteristik dan
PENDAHULUAN
kondisi geologi tanahnya. Untuk mengetahui Pengolahan tanah yang baik menjadi salah daya dukung, karakteristik dan kondisi geologi
Fakultas Ilmu Komputer Universitas Brawijaya
5525 tanah dapat dilakukannya pengujian terhadap tanah. Pengujian terhadap tanah mempunyai berbagai parameter pendukung. Seperti pada Laboratorium Tanah Balai Pengkajian Teknologi Pertanian (BPTP) Jawa Timur, terdapat 8 parameter yang digunakan untuk pengujian tanah. Salah satu parameter tersebut adalah kadar air (Balai Pengkajian Teknologi Pertanian Jawa Timur, 2010). Kelembapan tanah merupakan salah satu benda yang mengandung kadar air, karena kelembapan tanah merupakan banyaknya kandungan air yang terkandung di dalam tanah.
Pengujian parameter kelembapan tanah yang dilakukan oleh Laboratorium Tanah BPTP Jatim menggunakan bantuan alat yang bertujuan untuk mendapatkan data yang ideal. Akan tetapi alat asli yang digunakan untuk pengujian masih sederhana, seperti penggunaan serangkaian paku yang dialiri air ketika melakukan penyiraman untuk menghasilkan kelembapan tanah yang ideal. Alat yang tidak bisa bekerja secara otomatis tersebut menjadi nilai minus tersendiri, karena kelembapan tanah yang dihasilkan di pengujian tersebut dapat tidak sesuai jika diterapkan di lapangan.
fuzzy
2.3 Volume Air Dalam Tanah
Kelembapan tanah atau yang bisa juga disebut sebagai lengas tanah merupakan air yang mengisi seluruh atau sebagian ruang pori - pori dalam tanah. Menurut Suyono dan Sudarmadil (1997) menyatakan bahwa kelembapan tanah kelembapan tanah sangat dinamis, hal ini disebabkan oleh penguapan melalui permukaan tanah, transparansi dan perkolasi. Kapasitas penyimpanan tanah tergantung pada tekstur, kedalaman dan struktur tanah.
2.1 Kelembapan Tanah
2. LANDASAN TEORI
Algoritme Particle Swarm Optimization (PSO) adalah metode pencarian nilai optimal dengan mengadopsi pola hewan seperti sekelompok burung yang sedang mencari makan. Apabila terdapat seekor burung yang lebih dulu menemukan makanan, maka akan memberitahu kepada burung burung yang lain. Hal tersebut menunjukkan bahwa algoritme PSO dapat mencari solusi secara acak dari suatu kumpulan yang setiap partikelnya berkaitan dengan posisi dan kecepatan dalam melakukan pencarian baru berdasarkan perilakunya.
Permasalahan optimasi secara matematis dapat dilakukan menggunakan algoritme Particle Swarm Optimization.
sendiri mempunyai 2 faktor yang dapat mempengaruhi kinerjanya, yaitu aturan dan derajat keanggotaannya (Esmin & Torres, 2007), sehingga untuk mendapatkan kinerja yang optimal, aturan dan derajat keanggotaannya perlu ditentukan dengan tepat. Pada penelitian ini hanya berfokus pada penentuan aturannya.
Mamdani dapat melakukan penalaran seperti bagaimana manusia melakukan penalaran dengan nalurinya. Metode
Saat ini di Laboratorium Benih BPTP Jatim sedang dikembangkan alat yang diciptakan oleh peneliti terdahulu, Muhammad Rifqi Maulana (2017) yaitu alat siram otomatis berdasarkan sensor kelembapan tanah untuk menentukan kebutuhan volume air dalam tanah. Untuk mendapatkan hasil kelembapan tanah yang optimal, maka dilakukan pengujian tanah untuk mendapatkan data. Data hasil pengujian berupa kumpulan amatan kebutuhan volume air berdasarkan kelembapan tanah. Data tersebut memuat tiga variabel, antara lain adalah kelembapan awal tanah, lama waktu penyiraman dan volume air.
Ineference System
Mamdani ini sangat cocok untuk menentukan waktu yang paling optimal dengan kondisi yang tidak pasti. Fuzzy
Ineference System
Mamdani sangat fleksibel pada perubahan dan ketidakpastian masalah (Hidayat, et al., 2014) , s ehingga Fuzzy
Fuzzy Ineference System
algoritme Particle Swarm Optimization untuk menentukan banyaknya volume air pada tanaman tomat. Namun pada penelitian ini, berfokus pada komputasi cerdasnya yang akan mengolah hasil sensor kelembapan tanah untuk menentukan banyaknya volume air menggunakan suatu metode.
Fuzzy Inference System Mamdani menggunakan
Dari permasalahan tersebut, penelitian ini akan menyelesaikan permasalahan tersebut dengan komputasi cerdas yang nantinya dapat diterapkan pada alat pengukur kelembapan tanah yang sudah dikembangkan oleh penelitian terdahulu. Alat pengukur kelembapan tanah tersebut akan melakukan penyiraman air pada lahan berdasarkan volume air sehingga dapat bekerja secara otomatis. Peneliti akan melakukan optimasi pada pemilihan aturan pada
Air merupakan faktor penting bagi kehidupan semua makhluk hidup, termasuk bagi tanaman. Air berfungsi sebagai senyawa
- – objek yang mempunyai kesamaan sifat tertentu (Susilo, 2006) .
µ A (x) = µ B (x). Jika µ A (x) bernilai satu,
keterangan:
µ (x i ) = max (µ s f (x i ), µ k f (x i )) (2)
3. Komposisi aturan Aturan fuzzy berisi pernyataan-pernyataan logika fuzzy atau fuzzy statement yang berbentuk pernyataan IF-THEN. Pada metode mamdani, komposisi aturan yang digunakan adalah Max, yaitu solusi himpunan fuzzy yang diperoleh dengan cara mengambil nilai maksimum pada aturan. Kemudian nilai maksimum tersebut untuk memodifikasi daerah fuzzy dan mengaplikasikannya ke output dengan menggunakan operator OR (gabungan). Persamaan metode Max dapat dituliskan seperti persamaan (2):
2. Aplikasi fungsi implikasi Pada tahap ini basis aturan disusun. Basis aturan yang dimaksud adalah aturan-aturan berupa implikasi-implikasi fuzzy yang menyatakan relasi antara variabel input dengan variabel output. Fungsi implikasi yang digunakan pada metode mamdani adalah Min.
Pembentukan himpunan fuzzy Dalam tahap pertama ini, menentukan terlebih dulu semua variable yang terkait dalam proses yang akan ditentukan. Variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy.
dikenal juga sebagai metode Max-Min (Kusumadewi & Purnomo, 2004). Metode Max- Min ini diperkenalkan pada tahun 1975 oleh Ebrahim Mamdani. Dalam penggunaan metode mamdani, prosesnya terdiri dari beberapa tahapan, antara lain: 1.
Rules dalam kaidah fuzzy. Metode mamdani
sistem penarikan kesimpulan dari kumpulan- kumpulan kaidah fuzzy, kesimpulan yang diambil dapat berupa input nilai eksak maupun
2.6 Fuzzy Inference System Mamdani Fuzzy Inference System adalah sebuah
menunjukkan x adalah anggota penuh dari himpunan fuzzy A. Sementara nilai antara nol hingga satu menunjukkan bahwa x merupakan anggota dari himpunan fuzzy A secara parsial.
A dan B dinyatakan sama jika dan hanya jika
utama pembentuk protoplasma. Air membantu menghasilkan hidrogen ketika proses fotosintesis. Volume air yang tinggi membuat aktivitas fisiologis pada tumbuhan menjadi tinggi sedangkan volume air yang rendah membuat aktivitas fisiologis tumbuhan menjadi rendah. Air juga dapat menjaga suhu pada tanaman (Noggle, 1983)
→ [0,1] (1) Di mana [0,1] merupakan interval bilangan real dari nol sampai dengan satu. Dua himpunan
µ A : X
Fungsi keanggotaan diartikan sebagai berikut: Jika X adalah himpunan semesta, maka fungsi keanggotaan µ A (fungsi keanggotaan A pada X) yang diartikan oleh himpunan fuzzy A memiliki ketentuan berikut:
Himpunan merupakan suatu kumpulan atau koleksi objek
2.5 Himpunan Fuzzy
Nilai keanggotaan atau derajat keanggotaan menjadi ciri utama dalam penalaran dengan logika fuzzy tersebut (Kusumadewi & Purnomo, 2004).
Profesor Lotfi A. Zadeh dari Universitas California tahun 1965, seorang guru besar di University of California, Berkeley, Amerika Serikat adalah seseorang yang pertama kali memperkenalkan konsep logika fuzzy. Dasar logika fuzzy adalah teori himpunan fuzzy. Pada teori himpunan fuzzy , peranan derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan sangat penting.
2.4 Logika Fuzzy
Pemberian air terhadap tanah memiliki tujuan antara lain untuk menjaga dan meningkatkan kelembapan tanah agar tetap optimal.
. Kelembapan air merupakan salah satu bentuk dari persediaan air dalam tanah yang dipengaruhi oleh besarnya volume air yang disiramkan ke tanah atau pengaruh curah hujan.
µ s f (x i ) = nilai keanggotaan solusi fuzzy hingga aturan ke-i. µ k f (x i ) = nilai keanggotaan konsekuen fuzzy hingga aturan ke-i.
(0)Ɐ ∈ 1: (4) b. Inisialisasi posisi terbaik partikel sampai posisi awalnya
a.
Untuk setiap N partikel: a.
Inisialisasi.
Menurut Marini & Walczak (2015), secara umum langkah- langkah dari algoritme PSO adalah sebagai berikut: 1.
p i (0) = x i (0) (5) c.
Hitung nilai fitness dari masing-masing partikel dan bila f(x j
(0)) ≥ f(x i (0)) Ɐ i ≠ j
maka inisialisasi global best adalah
g = x j (0) (6) 2.
Sampai kriteria terpenuhi, ulangi langkah berikut:
Ubah kecepatan partikel sesuai dengan ekuasi pada persamaan sebagai berikut:
x i
Metode Centroid Pada metode Centroid menghasilkan solusi yang didapatkan dari hasil jumlah momen dibagi dengan jumlah luas pada daerah baru yang terbentuk.
Metode yang digunakan saat melakukan proses defuzzifikasi adalah: a.
aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy dalam range tertentu, maka harus diambil suatu nilai tertentu sebagai output.
fuzzy yang diperoleh dari komposisi aturan-
Penegasan (defuzzifikasi) Menurut Kusumadewi (2004) input dari proses defuzzifikasi adalah suatu himpunan
[R3] IF Kuota Penerimaan TINGGI AND Peminat TURUN THEN Pendaftar BERKURANG; 4.
[R2] IF Kuota Penerimaan STANDAR THEN Pendaftar NORMAL;
Peminat NAIK THEN Pendaftar BERTAMBAH;
Misalkan ada 3 aturan (proposisi) sebagai berikut: [R1] IF Kuota Penerimaan RENDAH And
v i (t+1) = v i (t) + C1 (p i
Inisialisasi posisi
- – x i (t)) R 1 +C2
b. Ubah posisi partikel sesuai dengan
(t)) R 2
f (x i (t+1)) (9) d.
Evaluasi nilai fitness partikel
x i (t+1) = x i (t)+v i (t+1) (8) c.
ekuasi pada persamaan sebagai berikut:
(3) Keterangan: Z = nilai solusi menggunakan metode Centroid .
ℎ ℎ
=
(7)
(g-x i
2.7 Particle Swarm Optimization
- 1)) ≥ f(g), ubah global best (Gbest):
merupakan salah satu teknik optimasi yang memiliki kesamaan dengan Genetic Algorithm, yaitu dimulai dengan membangkitkan populasi secara acak. Namun berbeda dengan Genetic Algorithm, PSO tidak memiliki operator evolusi, yaitu crossover dan mutasi. Selain itu, setiap partikel di dalam PSO juga berhubungan dengan suatu kecepatan. Partikel-partikel tersebut bergerak melalui penelusuran ruang dengan kecepatan yang dinamis berdasarkan perilaku historisnya. Oleh karena itu, partikel-partikel mempunyai kecenderungan untuk bergerak ke ruang penelusuran yang lebih baik setelah melewati proses penelusuran sebelumnya.
Proses algoritme Particle Swarm
Optimization diinspirasi oleh perilaku sosial dari
binatang, seperti sekawan burung dan sekelompok ikan dalam suatu gerombolan (swarm) (Sevkli & Guner, 2006).
Particle Swarm Optimization (PSO)
Apabila f(x i (t
- 1)) ≥ f(p i ), ubah personal best (Pbest):
p i = x i (t+1) (10) e.
Apabila f(x i (t
g = x i (t+1) (11) 3.
Pada akhir proses iterasi, solusi terbaik dijadikan sebagai variabel g.
2.8 Binary Particle Swarm Optimization
PSO standar dirancang untuk mengatasi masalah optimasi fungsi kontinu. Hal ini tidak untuk mengatasi masalah optimasi fungsi diskrit. Oleh karena itu, Kennedy dan Eberhart
3. METODE PENGUMPULAN DATA
- – 30 Januari 2017. Pengujian yang dilakukan oleh Hendra Pratama Budianto dan Muhamad Rifqi Maulana didampingi oleh pakar dari Laboratorium Tanah BPTP Jawa Timur.
Alat siram otomatis yang digunakan dalam pengujian tanah tersebut berdasarkan sensor kelembapan tanah. Pengambilan data dilakukan dengan cara mengukur beberapa sampel tanah yang pada keadaan yang berbeda dimulai dari keadaan kering hingga keadaan basah. Kemudian, pada masing-masing sampel tersebut diukur dahulu kelembapan awal tanahnya dengan bantuan sensor kelembapan tanah pada alat yang digunakan. Setelah itu, diukur banyaknya air yang dibutuhkan dari masing- masing sampel tanah hingga mencapai kelembapan ideal tanaman tomat. Sehingga data yang dihasilkan berupa kumpulan amatan kelembapan tanah terhadap kebutuhan volume air yang didapatkan.
(13)
Gambar 2. Diagram Alir Algoritme Particle Swarm Optimization 5.
Rancangan algoritme PSO pada penelitian ini yaitu setiap partikel berisi 27 indeks posisi. Indeks posisi tersebut merepresentasikan 27 aturan yang telah di tentukan. Setiap satu indeks posisinya menghitung 30 data kebutuhan volume air terhadap kelembapan tanah pada tanaman tomat. Diagram alir algoritme PSO dapat dilihat pada gambar 2.
Pada penelitian ini permasalahan yang ingin di selesaikan adalah memilih aturan fuzzy menggunakan algoritme optimasi yaitu algoritme PSO. Diselesaikan berdasarkan 2 variabel masukan yaitu kelembapan awal dan lama waktu siram.
4. PERANCANGAN ALGORITME
Gambar 1. Alat Siram Otomatis Yang Digunakan Untuk Pengujian Tanah
mengusulkan versi modifikasi dari PSO yang disebut Binary Particle Swarm Optimization (BPSO) yang dapat digunakan untuk memecahkan masalah optimasi fungsi diskrit. Perbedaan utama dari standar PSO dan BPSO adalah pada interpretasi dari kecepatan.
Data yang dikumpulkan adalah data kebutuhan volume air pada tanaman tomat. Data tersebut didapatkan dari hasil pengujian tanah secara langsung oleh Hendra Pratama Budianto (2017) dengan menggunakan alat siram otomatis yang dikembangkan oleh Muhammad Rifqi Maulana (2017). Pengujian tanah secara langsung tersebut dilakukan pada tanggal 10 November 2016
( + 1) = {1 , < ( ( + 1)) 0 , ℎ
(12) Persamaan (12) digunakan untuk memperbarui vektor kecepatan partikel. Posisi baru partikel diperoleh dengan menggunakan persamaan 13.
1 1+ − ( )
( ) = (( )) =
′
Pada BPSO kecepatan dibatasi dalam kisaran [0,1]. Persamaan dari kecepatan seperti persamaan (12).
PENGUJIAN DAN ANALISIS HASIL
5.1 Pengujian dan Analisis Jumlah Partikel
Pengujian jumlah partikel atau yang bisa disebut dengan pengujian ukuran populasi bertujuan untuk mendapatkan jumlah partikel dengan nilai fitness terbaiknya. Pengujian jumlah populasi ini dilakukan sebanyak lima kali percobaan dengan jumlah partikel 50 sampai 300 dengan kelipatan 50. Selain itu ada beberapa parameter lain sebagai masukan untuk menguji jumlah partikel yaitu nilai bobot inersia, nilai C1 dan C2, dan jumlah iterasi maksimal. Masing- masing nilai parameter pendukung yang di masukan antara lain nilai bobot inersia (w) adalah 1,00, nilai C1 dan C2 adalah 2,00, dan jumlah iterasi maksimal adalah 1500. Nilai parameter tersebut akan digunakan untuk mengukur semua jumlah partikel. Sehingga hasil pengujian ditunjukkan oleh Tabel 1 dan Gambar 3.
Tabel 1. Hasil Pengujian Jumlah Partikel Gambar 3. Grafik Hasil Pengujian Jumlah Partikel
Dari hasil pengujian pada Tabel 1 dan Gambar 3 dapat dilihat rata-rata nilai fitness terbaik dimiliki oleh jumlah partikel sebanyak 250 partikel dengan nilai fitness sebesar 0,33567. Sedangkan rata-rata nilai fitness terkecil dimiliki oleh jumlah partikel sebanyak 150 partikel dengan nilai fitness sebesar 0,32510. Pada jumlah partikel sebanyak 100 partikel, rata-rata nilai fitness-nya mengalami kenaikan. Namun, pada jumlah partikel sebanyak 150 partikel, rata-rata nilai fitness-nya mengalami penurunan. Hal tersebut disebabkan karena dari lima kali pengujian menggunakan jumlah partikel sebanyak 150 partikel, terdapat 1 hasil pengujian yang memiliki nilai fitness sangat kecil dibanding 4 hasil pengujian yang lainnya. Ketidakpastian mendapatkan partikel yang semakin optimal tersebut juga disebabkan karena pembangkitan nilai partikel ini secara
acak.
5.2 Pengujian dan Analisis Nilai Bobot Inersia (w)
Pengujian nilai bobot inersia (w) bertujuan untuk mendapatkan nilai w dengan nilai fitness terbaiknya. Pengujian nilai w ini juga bertujuan untuk mendapatkan posisi partikel yang terbaik. Pengujian nilai w ini dilakukan sebanyak sepuluh kali percobaan dengan nilai w 1,45 sampai 0,9 dengan selisih 0,05. Selain itu ada beberapa parameter lain sebagai masukan untuk menguji nilai w yaitu jumlah partikel, nilai C1 dan C2, dan jumlah iterasi maksimal. Masing- masing nilai parameter pendukung yang di masukan antara lain jumlah partikel adalah 50, nilai C1 dan C2 adalah 2,00, dan jumlah iterasi maksimal adalah 1500. Nilai parameter tersebut akan digunakan untuk mengukur semua nilai w. Sehingga hasil pengujian ditunjukkan oleh Tabel 2 dan Gambar 4.
Tabel 2. Hasil Pengujian Bobot Inersia
Tabel 3. Hasil Pengujian nilai 1 dan 2 Gambar 4. Grafik Hasil Pengujian Nilai Bobot Inersia (w)
Dari hasil pengujian pada Tabel 2 dan Gambar 4 dapat dilihat rata-rata nilai fitness terbaik dimiliki oleh nilai w adalah 0,7 dengan nilai fitness sebesar 0,36870. Sedangkan rata- rata nilai fitness terkecil dimiliki oleh nilai w adalah 0,5 dengan nilai fitness sebesar 0,33318. Pada Gambar 4 terjadi kenaikan dan penurunan nilai fitness yang diakibatkan pemberian nilai w mempengaruhi pencarian posisi terbaik oleh setiap partikel dalam keseluruhan iterasi di setiap kali proses PSO. Maka dapat disimpulkan dari hasil pengujian nilai w bahwa pengujian ini sangat mempengaruhi nilai fitness pada setiap kali percobaan. Semakin besar nilai w juga
Gambar 5. Grafik Hasil Pengujian Nilai
belum tentu mendapatkan nilai fitness yang
1 dan 2
semakin optimal dikarenakan tidak terlalu banyak peningkatan bahkan bisa saja menurun.
Dari hasil pengujian pada Tabel 3 dan Gambar 5 dapat dilihat rata-rata nilai fitness terbaik dimiliki oleh kombinasi nilai
5.3 Pengujian dan Analisis Nilai C1 dan C2
1 adalah 1,4 dan nilai 2 adalah 1,3 dengan nilai fitness
Pengujian nilai 1 dan 2 bertujuan untuk sebesar 0,36962. Sedangkan rata-rata nilai mendapatkan nilai
1 dan 2 dengan nilai fitness
fitness terkecil dimiliki oleh kombinasi nilai
1 terbaiknya. Pengujian nilai 1 dan 2 ini juga adalah 2 dan nilai
2 adalah 2 dengan nilai bertujuan untuk mengatur keseimbangan antara
fitness sebesar 0,32873. Pada Gambar 5 terjadi komponen kognitif dan komponen sosial.
kenaikan dan penurunan nilai fitness yang Pengujian nilai 1 dan 2 ini dilakukan diakibatkan pembangkitan nilai secara acak atau sebanyak sepuluh kali percobaan dengan nilai random pada setiap kali proses particle kombinasi nilai
1-nya 0,2 sampai 2 dengan swarm optimization . selisih sekitar 0,2 dan kombinasi nilai
2-nya 0,1 sampai 2 dengan selisih sekitar 0,3. Selain itu
5.4 Pengujian dan Analisis Jumlah Iterasi
ada beberapa parameter lain sebagai masukan
Maksimal
untuk menguji nilai 1 dan 2 yaitu jumlah partikel, nilai bobot inersia, dan jumlah iterasi Pengujian jumlah iterasi maksimal bertujuan maksimal. Masing-masing nilai parameter untuk mendapatkan jumlah iterasi maksimal pendukung yang di masukan antara lain jumlah dengan nilai fitness terbaiknya. Pengujian partikel adalah 50, nilai bobot inersia adalah jumlah iterasi maksimal ini dilakukan sebanyak 1,00, dan jumlah iterasi maksimal adalah 1500. dua belas kali percobaan dengan jumlah iterasi Nilai parameter tersebut akan digunakan untuk maksimal sebanyak 250 sampai 3000 dengan mengukur semua nilai kelipatan 250. Selain itu ada beberapa parameter
1 dan 2. Sehingga hasil lain sebagai masukan untuk menguji jumlah pengujian ditunjukkan oleh Tabel 3 dan Gambar 5. iterasi maksimal yaitu jumlah partikel, nilai bobot inersia, dan nilai C1 dan C2. Masing- masing nilai parameter pendukung yang di masukan antara lain jumlah partikel adalah 50, nilai bobot inersia (w) adalah 1,00, dan nilai C1 dan C2 adalah 2,00. Nilai parameter tersebut akan digunakan untuk mengukur semua jumlah iterasi maksimal. Sehingga hasil pengujian ditunjukkan oleh Tabel 4 dan Gambar 6.
Tabel 4. Hasil Pengujian Jumlah Iterasi Maksimal Gambar 6. Grafik Hasil Pengujian Jumlah Iterasi Maksimal
Dari hasil pengujian pada Tabel 4 dan Gambar 6 dapat dilihat rata-rata nilai fitness terbaik dimiliki oleh jumlah iterasi maksimal sebanyak 2500 iterasi dengan nilai fitness sebesar 0,36973. Sedangkan rata-rata nilai
fitness terkecil dimiliki oleh jumlah iterasi
maksimal sebanyak 250 iterasi dengan nilai
fitness sebesar 0,33807. Dari grafik pada
Gambar 6 dapat diketahui bahwa perubahan pada jumlah iterasi maksimal sangat berpengaruh terhadap besarnya fitness yang tercapai. Pengujian jumlah iterasi maksimal dengan fitness yang paling kecil dihasilkan oleh angka 250 iterasi, fitness yang kecil dipengaruhi oleh jumlah iterasi maksimal yang kecil juga karena area pencarian yang dilakukan oleh algoritme PSO masih tergolong sempit. Sehingga dapat disimpulkan bahwa peningkatan jumlah iterasi seiring dengan peningkatan jumlah fitness. Namun pada titik tertentu mengalami penurunan karena area pencarian sudah menjauhi area optimal. Selain itu jumlah iterasi yang terlalu besar memerlukan waktu pencarian yang lebih panjang dan tidak menjamin solusi yang dihasilkan dapat lebih mendekati optimal.
5.5 Analisis Hasil Pengujian
Berdasarkan hasil dari pengujian parameter algoritme PSO, yaitu pengujian jumlah partikel, nilai bobot inersia (w), nilai C1 dan C2, dan jumlah iterasi maksimal didapatkan hasil terbaik dari masing-masing pengujian. Hasil terbaik tersebut antara lain jumlah partikelnya sebanyak 200 partikel, nilai bobot inersia (w) adalah 0,7, nilai C1 adalah 1,4 dan nilai C2 adalah 1,3, dan iterasi maksimalnya adalah 2500. Nilai parameter algoritme PSO yang telah didapat akan dijadikan sebagai input untuk mencari aturan pada fuzzy inference system mamdani yang telah dioptimasi. Aturan hasil optimasi tersebut nantinya akan digunakan untuk menghitung kebutuhan volume air dalam sistem penyiraman otomatis pada tanaman tomat. Setelah jumlah volume air didapatkan akan dihitung nilai eror yang didapatkan dari hasil perhitungan menggunakan metode fuzzy
inference system Mamdani dengan rumus RMSE
dan akan ditampilkan hasil fitness setelah optimasi menggunakan algoritme PSO yang digunakan sebagai akurasi sistem. Hasil perhitungan jumlah volume air dalam sistem penyiraman otomatis pada tanaman tomat dapat dilihat pada Gambar 7.
Gambar 7. Grafik Analisis Hasil Pengujian
Pada Gambar 7 di atas, telah didapatkan hasil perhitungan menggunakan metode fuzzy
inference system
inference system Mamdani menggunakan
7. SARAN
dioptimasi algoritme PSO dapat diterapkan dalam menyelesaikan permasalahan menentukan kebutuhan volume air pada tanaman tomat.
inference system Mamdani yang telah
nilai akurasi sistem yang berbeda satu sama lain yang dapat dilihat dari nilai fitness yang dihasilkan . Nilai akurasi sistem yang berbeda disebabkan karena aturan yang terpilih yang dimiliki oleh setiap partikel di setiap iterasinya juga berbeda. Selain itu, hal tersebut terjadi dikarenakan terdapat faktor bilangan acak (random) yang dibangkitkan setiap kali menghitung kecepatan pergerakan partikel dalam proses algoritme PSO. Dapat disimpulkan bahwa setelah metode fuzzy inference system Mamdani dioptimasi menghasilkan nilai eror 0,581. Hal ini membuktikan bahwa metode fuzzy
2. Dari beberapa kali percobaan, didapatkan
dengan nilai fitness sebesar 0,36962 dan lama waktu komputasi sistem selama 126 detik. Dan pada pengujian jumlah iterasi maksimal didapatkan iterasi optimal yaitu 2500 dengan nilai fitness 0,36973 dan lama waktu komputasi sistem selama 1034 detik.
C1 dan C2 optimal adalah C1 1,4 dan C2 1,3
komputasi sistem selama 189 detik. Pada pengujian nilai C1 dan C2 didapatkan nilai
fitness sebesar 0,36870 dan lama waktu
algoritme PSO, terdapat beberapa parameter yang mempengaruhi proses optimasi. Pada pengujian jumlah partikel didapatkan jumlah partikel optimal yaitu sebanyak 250 dengan nilai fitness sebesar 0,33567 dan lama waktu komputasi sistem selama 7521 detik. Pada pengujian nilai bobot inersia didapatkan nilai bobot inersia optimal adalah 0,7 dengan nilai
1. Ketika melakukan pemilihan aturan fuzzy
Mamdani dengan rumus RMSE dan hasil setelah dioptimasi menggunakan algoritme PSO. Hasil terbaik setelah dioptimasi adalah pengujian ke 7 dengan nilai fitness terbesar yaitu 0,39949 dengan lama waktu komputasi selama 1263 detik. Pada pengujian ke 7 tersebut, nilai RMSE yang didapatkan adalah 1,50319. Dalam hal ini terlihat bahwa nilai eror menggunakan RMSE mengalami kenaikan dan penurunan. Dari hasil terbaik setelah dioptimasi tersebut, dapat diketahui aturan fuzzy inference
Berdasarkan hasil dan analisis Pengujian, didapatkan kesimpulan antara lain:
6. KESIMPULAN
Mamdani satu dengan yang lainnya, sehingga hasil fitness dan aturan yang dihasilkan berbeda pula.
lain seperti derajat keanggotaan yang belum optimal dan penentuan aturan yang belum sesuai karena akan memengaruhi perhitungan defuzzifikasinya. Sedangkan pada algoritme PSO nilai eror dapat diperoleh dari beberapa faktor yaitu terdapat faktor bilangan random yang dibangkitkan setiap kali pemberian nilai partikel yang menginterpretasikan aturan yang digunakan, menghitung kecepatan dan menghitung pergerakan posisi partikel pada algoritme particle swarm optimization. Bilangan tersebut belum tentu sama antara proses pemilihan aturan fuzzy inference system
system Mamdani diperoleh dari beberapa faktor
menggunakan PSO. Pada Kebutuhan volume air setelah dioptimasi, nilai eror yang dihasilkan sebesar 0,581. Hasil tersebut memperlihatkan bahwa nilai eror setelah metode fuzzy inference
inference system Mamdani setelah dioptimasi
Aturan fuzzy inference system Mamdani yang terpilih akan digunakan untuk menghitung kebutuhan volume air pada tanaman tomat. Setelah kebutuhan volume air didapatkan akan dihitung nilai eror yang didapat dari hasil perhitungan menggunakan metode fuzzy
Tabel 5. Aturan Hasil Optimasi
jumlah volume air dalam sistem penyiraman otomatis pada tanaman tomat.
system Mamdani yang terbaik untuk menghitung
Saran yang dapat digunakan untuk penelitian selanjutnya adalah sebagai berikut:
1. Alat Monitoring Kelembapan Tanah Penambahan variabel masukan tidak hanya kelembapan awal tanah dan lama waktu Pada. Jurnal Pengembangan Teknologi siram saja, dapat ditambahkan beberapa Informasi dan Ilmu Komputer, 1 (1), x-x. parameter lain seperti debit keran, suhu dan Noggle, G. d. (1983). Introduction Plant variabel lainnya yang mendukung proses Physiology (2nd ed.). New Jersey: penanaman tanaman. Penambahan variabel Prentice Hall, Inc, Englewood Clifts. masukan dapat menambah jumlah aturan Sevkli, M., & Guner, A. R. (2006). Acontinuous
fuzzy , sehingga dengan jumlah aturan yang Particle Swarm Optimization for
semakin banyak mungkin saja akan Uncapacitated Facility Location mendapatkan hasil yang lebih optimal lagi. Problem. In Ant Colony Optimization
and Swarm Intelligence (pp. 4150:316-
323). Lecture Notes in Computer 2. Penelitian berikutnya disarankan tidak Science. terfokus hanya pada satu tanaman saja
Susilo, F. (2006). Himpunan dan Logika Kabur melainkan semua jenis tanaman yang
Serta Aplikasinya. Yogyakarta: Graha
sesuai dengan pembibitan di Balai Ilmu. Teknologi Pertanian Jawa Timur (BPTP Suyono, & Sumardil. (1997). Hidrologi Dasar. Jatim). Sehingga dapat membantu BPTP
Yogyakarta: Diktat Kuliah, Fakultas dalam pembibitan semua jenis tanaman yang Geografi, UGM. ada.
8. DAFTAR PUSTAKA
Balai Pengkajian Teknologi Pertanian Jawa Timur. (2010). Laboratorium Tanah.
Dipetik Juli 20, 2017, dari http://jatim.litbang.pertanian.go.id/ind/ Budianto, H. P., Setiawan, B. D., & Adikara, P.
P. (2017). Algoritme Genetik untuk Optimasi Pembentukan Fungsi Regresi Linier dalam Menentukan Kebutuhan Volume Air Penyiraman Tanah. Jurnal
Pengembangan Teknologi Informasi dan Ilmu Komputer , 1 (9), 748-753.
Esmin, A. A., & Torres, G. L. (2007).
Evolutionary computation based fuzzy membership functions optimization.
IEEE International Conference on Systems, Man and Cybernetics .
Hidayat, H. R., Putri, R. R., & Mahmudy, W. F.
(2014). Sistem Pakar Penentuan Kebutuhan Pembelajaran Bahasa Inggris dengan Metode Fuzzy Inference System Mamdani. Repository Jurnal
Mahasiswa PTIIK Universitas Brawijaya, 4 (3).
Kusumadewi, S., & Purnomo, H. (2004).
Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Jakarta: Graha Ilmu.
Marini, F., & Walczak, B. (2015). Particle Swarm Optimization (PSO). IEEE
Chemometrics and Intelligent Laboratory Systems , 13.
Muhammad Rifqi Maulana, M. H. (2017).
Penerapan Metode Logika Fuzzy Untuk