| dc.description.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. | |
