Model optimasi penggunaan pupuk dengan metode pengendalian TDS berbasis Q-Learning untuk tanaman cabai

Nugraha, Fajar (2025) Model optimasi penggunaan pupuk dengan metode pengendalian TDS berbasis Q-Learning untuk tanaman cabai. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (213kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (734kB) | Preview
Preview	Text (Surat Pernyataan Karya Sendiri) Surat pernyataan karya sendiri.pdf Download (182kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (454kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (3MB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (3MB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (7MB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (5MB) | Request a copy
	Text (BAB VI) 9_bab6.pdf Restricted to Registered users only Download (692kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (978kB) | Request a copy

Abstract

Optimasi penggunaan air dan nutrisi merupakan salah satu faktor krusial dalam meningkatan produktifitas pertanian, khususnya budidaya tanaman cabai. Pengendalian Total Dissolved Solids (TDS) yang dinamis sesuai dengan fase pertumbuhan tanaman menjadi tantangan. Penelitian ini bertujuan untuk menjawab tantangan tersebut, dengan mengembangkan model kontrol adaptif menggunakan algoritma Q-learning untuk mengoptimalkan pencampuran air dan nutrisi secara otomatis. Model dirancang untuk mencapai target TDS yang berubah-ubah sesuai dengan siklus pertumbuhan tanaman (600, 900, dan 1200 ppm). Model juga dirancang untuk mampu beradaptasi terhadap kondisi sumber air dan sumber nutrisi yang fluktuatif. Metodologi penelitian melibatkan perancangan lingkungan Markov Decision Process (MDP). Kondisi lingkungan yaitu TDS input direpresentasikan sebagai state, action adalah volume cairan yang dicampurkan, reward adalah yang mengatur kebijakan model berdasarkan seberapa dekat volume campuran dan TDS campuran dengan target. Kondisi lingkungan state dan action yang kontinu, diatasi dengan metode diskretisasi sehingga mengurangi kompleksitas pelatihan model. Kinerja model dievaluasi dengan serangkaian pengujian, yaitu analisis konvergensi selama pelatihan, dan analisis praktis simulasi siklus tanaman 45 hari dengan antarmuka streamlit serta divalidasi lebih lanjut pada simulasi perangkat keras. Hasil pengujian menunjukan bahwa model Q-learning berhasil menghasilkan kebijakan terbaik untuk setiap kombinasi state-action. Hasil simulasi siklus tanaman selama 45 hari menunjukan kemampuan adaptasi terhadap perubahan kondisi dinamis dan akurasi tinggi dengan nilai Mean Absolute Error (MAE) sebesar 1,73 ppm. Penelitian ini menyimpulkan bahwa Q-learning dapat dikembangkan untuk sistem kontrol nutrisi cerdas yang adaptif dan berbiaya rendah.

Actions (login required)

View Item