麻豆直播

Peningkatan produksi akan sejalan dengan keuntungan yang didapat pada teknologi hidroponik. Oleh karena itu, tim peneliti yang terdiri atas Maman Budiman, Ph.D. (KK Fisika Instrumentasi dan Komputasi, FMIPA 麻豆直播), Dr. Nina Siti Aminah (KK Fisika Instrumentasi dan Komputasi, FMIPA 麻豆直播), dan Ant. Ardath Kristi, S.T., (Lembaga Ilmu Pengetahuan Indonesia) dengan dua mahasiswanya, Efraim Partogi dan Prianka Anggara, melakukan penelitian dengan merancang purwarupa sistem instrumentasi berbasis Internet of Things (IoT) pada pertanian berteknologi hidroponik.

Lewat sistem ini, parameter fisis dipantau untuk mengetahui pengaruh proses produksi sehingga dapat dikendalikan. Tak hanya itu, tim peneliti juga menggunakan Machine Learning (ML) sehingga dapat diprediksi hasil produksi dari hidroponik yang diuji. Program ML yang digunakan adalah algoritma dari random forest regression, linear regression, dan polynomial regression.

Dikutip dari laman LPPM 麻豆直播, tanaman yang diteliti adalah pakcoy (Brassica rapa subsp. Chinensis) dan kangkung (Ipomoea aquatic) dengan sistem hidroponik Nutrient Film Technique (NFT).

鈥淧enelitian ini dilakukan pada hidroponik 鈥�Blessing Farm鈥� di Kabupaten Bandung Barat, Jawa Barat. Intensitas cahaya yang digunakan untuk penelitian kali ini diatur sedemikian rupa dengan atap, sehingga intensitas cahaya yang masuk tidak sama dengan yang keluar. Sedangkan sistem nutrisinya bertumpu pada satu tangki nutrisi untuk keseluruhan tanaman,鈥� ujar tim peneliti.

Artikel ini telah dipublikasikan di Rubrik Rekacipta itb Media Indonesia. Artikel lengkapnya dapat dibaca melalui tautan berikut: https://research.lppm.itb.ac.id/information/hidroponik_komersial_berbasis_internet_of_things

Untuk dapat memantau parameter fisis dari pertumbuhan tanaman hidroponik, diperlukan sistem instrumentasi yang tersusun dari sensor dan komponen. Keseluruhan sensor dihubungkan dengan mikrokontroler yang masing-masingnya memiliki modul wi-fi untuk menghubungkan sensor ke server. Kemudian, data yang didapat diolah dan disimpan dalam basis data dan dibagi menjadi data training dan data testing. Data training digunakan untuk membuat model prediksi, yang kemudian diuji performanya menggunakan data testing. Jika tingkat performa belum sesuai dengan kriteria performa yang diinginkan, ataupun jika terdapat penambahan data, maka dilakukan training kembali hingga model dapat mencapai tingkat performa yang diinginkan.

Dari data temperatur udara dan larutan, kelembapan udara, intensitas cahaya, hingga total dissolved solid (TDS) yang diamati sebagai variabel independen, didapat luas dan banyaknya daun serta tinggi tanaman sebagai variabel dependen yang diprediksi.

Koefisien determinasi tertinggi pada prediksi proses produksi tanaman pakcoy tertinggi didapat dari program algoritma random forest regression senilai 0,933. Selain itu, diperoleh data variabel independen pada produksi pakcoy dan kangkung yang paling mempengaruhi pertumbuhan tanaman 鈥搚ang dengan begitu dapat menjadi variabel kontrol yang didapat, adalah TDS dan intensitas cahaya. Tidak berhenti sampai disini, sistem control TDS akan dibuat dari hasil beberapa model dengan menerapkan program random forest regression. Dengan begitu, produksi daun dapat tumbuh secara optimal pada berbagai cuaca.

Reporter: Najma Shafiya (Teknologi Pascapanen, 2020)