Artificial Life pada Pemodelan Pertumbuhan Tanaman Varietas Kedelai Menggunakan Pendekatan Intelligence

Suyantohadi, Atris (2010) Artificial Life pada Pemodelan Pertumbuhan Tanaman Varietas Kedelai Menggunakan Pendekatan Intelligence. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 2207301710-Master_thesis.pdf Restricted to Repository staff only Download (11MB)

Abstract

Sistem budidaya pertanian pada tanaman kedelai memiliki karakteristik yang bersifat kompleks dan dalam kondisi yang tidak dapat dinyatakan secara pasti selama pertumbuhan. Dalam penelitian ini, pemodelan sistem dinamis pertumbuhan tanaman kedelai telah dihasilkan menggunakan pendekatan intelligence. Optimasi pada pertumbuhan diameter batang dan indeks luas daun tanaman kedelai yang dipengaruhi oleh komposisi pupuk nitrogen telah dihasilkan menggunakan metode neural network dan genetic algorithm, dan visualisasi model pada pertumbuhan tanaman telah diperoleh menggunakan Lindenmayer System (L-System). Perubahan dinamis pertumbuhan tanaman kedelai pada diameter batang dan indeks total luas daun tanaman, pada tahap awal diidentifikasi menggunakan metode neural network dan selanjutnya nilai optimalisasi diperoleh melalui proses simulasi dari hasil identifikasi model neural network menggunakan metode genetic algorithm. L-System secara umum digunakan sebagai dasar dalam pengembangan dan desain realistis pemodelan pertumbuhan tanaman. L-System merupakan piranti untuk merepresentasikan pertumbuhan tanaman secara grafis berdasarkan aturan grammar dan formula matematis. Penelitian ini menghasilkan temuan baru pada pemodelan sistem dinamis pertumbuhan tanaman dalam pencapaian optimalisasi dan visualisasi yang mengintegrasikan metode neural network, genetic algorithm, dan L-System. Metode neural network dinamis diaplikasikan untuk meningkatkan dan menganalisis jumlah pola data pada respon kumulatif pertumbuhan tanaman kedelai untuk identifikasi melalui simulasi model yang dihasilkan. Metode neural network menggunakan time delay dalam algoritma backpropagation menghasilkan performa jaringan terbaik dengan nilai laju pembelajaran (learning rate) sebesar 0,2, konstanta momentum sebesar 0,9, dan batas galat (error) sebesar 0,1 untuk identifikasi respon kumulatif pertumbuhan diameter batang dan indeks total luas daun tanaman. Nilai optimalisasi dari komposisi pupuk nitrogen yang diberikan yang memberikan hasil maksimum pada diameter batang dan indeks total luas daun ditentukan dari proses simulasi hasil identifikasi model neural network menggunakan metode genetic algorithm. Solusi optimalisasi menggunakan genetic algorithm menghasilkan penurunan jumlah pupuk nitrogen dari pemakaian 100 kg/ha pada tahap awal dan menurun pada tahap akhir sebesar 50 kg/ha. Metode neural network dan genetic algorithm pada sistem dinamis pertumbuhan tanaman kedelai telah dapat mengidentifikasi output pada diameter batang dan indeks total luas daun serta pencapaian nilai optimal berdasarkan komposisi pupuk nitrogen yang diberikan. Visualisasi model pada sistem yang didesain dikembangkan menggunakan L-System, dan output grafis 3 dimensi yang merefleksikan pertumbuhan tanaman sebagai sistem pertumbuhan tanaman secara artificial life. Menggunakan sampel-sampel pada aturan grammar L-System untuk menggambarkan karakteristik pertumbuhan tanaman, visualisasi dari struktur pertumbuhan tanaman telah dihasilkan dari penelitian ini. Sistem dinamis pada model pertumbuhan tanaman kedelai dan visualisasi dari struktur pertumbuhan tanaman menggunakan pendekatan intelligence telah dapat dihasilkan untuk implementasi pada pertumbuhan tanaman kedelai. Hasil riset yang telah didapatkan menyatakan bahwa pemodelan sistem dinamis menggunakan metode neural network dan genetic algorithm dapat diterapkan untuk pencapaian nilai optimalisasi pertumbuhan tanaman dan metode L-System untuk pemodelan visualisasinya. Hasil akhir penelitian memberikan kontribusi bagi pengembangan teknologi di bidang pertanian.
==================================================================================================================================
Agricultural cultivation systems for soybean plant growth are characterized by complexity and uncertainty. In this study, dynamic system modeling of soybean plant growth was investigated using intelligence approaches. Optimal stem diameter and index of total leaf area in soybean plant growth, influenced by nitrogen fertilizer composition, were determined using neural network and genetic algorithm methods, while the fundamental prototype of visualization on plant growth was investigated using the Lindenmayer System (L-System). The dynamic changes of soybean plants during cultivation—specifically the growth of stem diameter and total leaf area index influenced by nitrogen fertilizer composition—were first identified using a neural network, and then optimal values were determined through simulation of the identified neural network model using a genetic algorithm. L-System was used as a framework for designing realistic modeling of plant growth, serving as a tool for representing plant growth based on grammar syntax and mathematical formulations. This study presents new findings on dynamic system modeling for optimizing and visualizing soybean plant growth by integrating neural networks, genetic algorithms, and L-System. The dynamic neural network method was applied to explore and examine data patterns in the cumulative responses of soybean plant growth for acceptable identification through model simulation. The dynamic neural network using time delay in the backpropagation algorithm yielded the best performance with a learning rate (lr) of 0.2, momentum constant (m) of 0.9, and error threshold (err) of 0.1 for identifying cumulative responses of stem diameter and total leaf area index. The optimal value of nitrogen fertilizer composition that maximizes stem diameter and total leaf area index was determined through simulation of the identified neural network model using genetic algorithms. The optimization solution obtained via genetic algorithm showed that the required amount of nitrogen fertilizer decreased from 100 kg/ha in the initial stage to 50 kg/ha in the final stage. The neural network and genetic algorithm on the dynamic system of soybean plant growth successfully identified outputs for stem diameter and total leaf area index, reaching optimum values based on nitrogen fertilizer composition. System visualization was developed using L-System, and the resulting 3D graphic output reflected plant growth as an artificial life system. Using sample L-System grammar rules to describe plant growth characteristics, the structural visualization of plant growth was successfully produced. Dynamic system modeling and structural visualization using intelligence approaches were successfully realized for implementation in soybean plant growth. These results suggest that dynamic system modeling using neural networks and genetic algorithms can be introduced to find optimal values in soybean plant growth, alongside visualization modeling using L-System, contributing to technological advancements in the agricultural field.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Pendekatan intelligence, pertumbuhan tanaman, kedelai, neural network, genetic algorithm dan L-System , Intelligence Approaches, plant growth, soybean, neural network, genetic algorithm, L-system.
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence
Divisions:	Faculty of Electrical Technology > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	magang .
Date Deposited:	28 Sep 2026 03:08
Last Modified:	28 Sep 2026 03:08
URI:	http://repository.its.ac.id/id/eprint/144932

Actions (login required)

View Item