Model Pengendalian Cerdas Pada Irigasi Bawah Permukaan Menggunakan Algoritma Pembelajaran Mandiri Hybrid RF–Fuzzy–PID dengan Adaptive Gain Tuning

Abstract

Pengelolaan irigasi yang efisien dan adaptif merupakan salah satu tantangan utama dalam sistem pertanian modern, khususnya di tengah meningkatnya tekanan terhadap ketersediaan sumber daya air dan ketidakpastian kondisi iklim. Sistem irigasi konvensional umumnya masih mengandalkan strategi pengendalian klasik, seperti Proportional Integral Derivative (PID) dan variasinya, termasuk Fuzzy-PID. Meskipun pendekatan ini telah digunakan secara luas karena struktur yang sederhana dan kemudahan implementasinya, pengendali tersebut memiliki keterbatasan mendasar, terutama karena penggunaan parameter penguatan (gain) yang bersifat tetap. Dalam lingkungan pertanian nyata, karakteristik sistem yang dikendalikan khususnya dinamika kelembapan tanah bersifat sangat nonlinier, dipengaruhi oleh variasi tekstur tanah, kapasitas lapang, laju infiltrasi, serta perubahan evapotranspirasi yang dinamis akibat fluktuasi cuaca harian. Kondisi ini menyebabkan pengendali dengan parameter statis menjadi kurang responsif dan tidak mampu mempertahankan kinerja optimal secara konsisten. Keterbatasan tersebut semakin nyata ketika sistem irigasi dihadapkan pada perubahan lingkungan yang cepat dan tidak terduga, seperti peningkatan suhu, variasi radiasi matahari, perubahan kelembapan udara, serta pola hujan yang tidak menentu. Dalam situasi seperti ini, pengendali PID klasik sering kali menghasilkan overshoot yang besar, waktu pemantapan (settling time) yang lama, dan kesalahan keadaan tunak (steady-state error) yang signifikan. Meskipun Fuzzy-PID menawarkan fleksibilitas yang lebih baik melalui aturan linguistik, pendekatan ini umumnya masih mengandalkan basis aturan dan parameter yang dirancang secara manual, sehingga adaptabilitasnya tetap terbatas ketika dihadapkan pada kondisi lingkungan yang sangat dinamis. Oleh karena itu, diperlukan pendekatan pengendalian yang tidak hanya adaptif, tetapi juga mampu belajar secara mandiri dari data lingkungan untuk meningkatkan presisi dan efisiensi penggunaan air. Menjawab tantangan tersebut, penelitian ini mengusulkan sebuah arsitektur pengendali Hybrid RF–Fuzzy–PID berbasis pembelajaran mandiri (self-learning). Arsitektur ini dirancang untuk mengintegrasikan keunggulan algoritma pembelajaran mesin dengan fleksibilitas kontrol fuzzy adaptif dalam satu kerangka sistem pengendalian yang terpadu. Pada lapisan pertama, algoritma Random Forest (RF) digunakan sebagai model prediksi untuk memperkirakan kebutuhan air tanaman secara harian. RF dipilih karena kemampuannya dalam menangani hubungan nonlinier yang kompleks, ketahanannya terhadap noise data, serta performanya yang stabil dalam regresi berbasis data lingkungan multivariat. Data masukan bagi model RF diperoleh dari Automatic Weather Station (AWS), yang mencakup parameter-parameter iklim penting seperti suhu udara, kelembapan relatif, radiasi matahari, dan evapotranspirasi. Dengan memanfaatkan data ini, RF mampu menghasilkan estimasi kebutuhan air yang lebih akurat dan kontekstual terhadap kondisi lingkungan aktual. Pada lapisan adaptasi, pengendali fuzzy menggunakan masukan error ??(??) = ?????? -??(??) dan perubahan error ????(??) yang dinormalisasi pada rentang [-1,1] dengan parameter ???????? = 0,10 n ?????????? = 0,05 asis aturan fuzzy 5×5 menghasilkan ????? , ????? , dan ????? (total 75 aturan) untuk melakukan gain scheduling pada PID. Pengendali PID bekerja pada setpoint kelembapan tanah ? ????? = 0,35 dengan pembatasan debit irigasi 0–10 mm/hari, serta dilengkapi mekanisme anti-windup back-calculation dengan koefisien ?????? = 0,2 untuk menjaga stabilitas pada kondisi saturasi aktuator. Evaluasi sistem dilakukan pada horizon 120 hari dengan langkah waktu ??? = 0,1hari menggunakan data AWS aktual, sehingga menghasilkan siklus kendali close-loop yang responsif terhadap dinamika lingkungan. Hasil prediksi kebutuhan air dari Random Forest selanjutnya digunakan sebagai sinyal feedforward dalam sistem pengendali. Pendekatan feedforward ini memberikan keuntungan signifikan karena memungkinkan sistem untuk mengantisipasi perubahan kebutuhan air sebelum terjadi deviasi kelembapan tanah yang besar. Dengan demikian, pengendali tidak hanya bereaksi terhadap kesalahan (error) yang telah terjadi, tetapi juga bersifat proaktif dalam menyesuaikan suplai air. Integrasi sinyal feedforward berbasis prediksi ini menjadi salah satu aspek kunci yang membedakan arsitektur yang diusulkan dari pendekatan pengendalian konvensional. Model Random Forest menunjukkan nilai R² sebesar 0,89 saat diuji dengan data pengujian, dengan MAPE sebesar 8,3% dan RMSE sebesar 0,42 mm/hari. Selisih antara data pelatihan dan pengujian tergolong kecil, yang menunjukkan bahwa model ini stabil dan tidak terjebak dalam overfitting. Tingkat akurasi ini memadai untuk berfungsi sebagai sinyal feedforward karena tingkat kesalahan prediksi masih berada dalam batas toleransi dinamika kelembapan tanah. Hasil rancangan sistem menunjukkan bahwa integrasi prediksi berbasis data (RF) dan hasil pemodelan kendali adaptif (Fuzzy–PID) mampu meningkatkan responsivitas sistem serta menjaga kelembapan tanah lebih stabil pada kondisi cuaca yang berfluktuasi. Peningkatan responsivitas ini terlihat dari berkurangnya waktu settling sebanyak 32% jika dibandingkan dengan sistem kontrol PID standar, serta pengurangan overshoot kelembapan tanah hingga 28%, yang memungkinkan fluktuasi kadar air tanah dijaga dalam batas toleransi ±3% dari setpoint. Di samping itu, nilai error dalam keadaan stabil menurun dari 5,4% pada sistem PID tradisional menjadi 2,1% pada sistem hybrid RF–Fuzzy–PID, yang mengindikasikan adanya perbaikan stabilitas kontrol saat menghadapi variasi cuaca. Selain meningkatkan efisiensi penggunaan air, sistem ini berpotensi meningkatkan produktivitas air (water productivity) melalui pengurangan pemborosan air irigasi, serta memberikan manfaat sosial-ekonomi berupa pengurangan intensitas monitoring manual, penurunan kebutuhan tenaga kerja lapangan, pengurangan labour cost, dan efisiensi biaya operasional irigasi (operational cost) melalui otomatisasi pengaturan debit berbasis data.