🐨 Dosis Em4 Untuk Padi Sawah

Padi merupakan dasar olahan beras yang termasuk komoditi bahan pangan pokok terbesar di dunia. Indonesia menempati peringkat ke-3 untuk luas lahan tanam padi, produksi padi, dan tingkat konsumsi beras. Indonesia pernah mengalami era swasembada beras, namun tidak bertahan lama dan Indonesia harus mengimpor beras. Segala usaha peningkatan produksi beras salah satunya adalah dengan sistem pemupukan berimbang yaitu tepat waktu, spesifik varietas dan spesifik lokasi. Selain hal tersebut, inefisiensi pemupukan memberi peluang tanaman padi terinfeksi patogen atau dirusak hama. Harga jual pupuk yang tinggi juga menjadi permasalahan tersendiri bagi petani. Oleh karena itu rekomendasi dosis pemberian pupuk dan pestisida yang optimal dan rasional sangat bermanfaat karena efisiensi pemupukan tidak hanya berperan penting dalam meningkatkan pendapatan petani, tetapi juga terkait dengan keberlanjutan sistem produksi. Sebelumnya metode algoritma evolusi telah banyak digunakan untuk sistem optimasi seperti Algoritma genetika yang digunakan untuk mengoptimasi pemberian dosis pupuk pada tumbuhan hortikultura dengan memperhatikan keadaan hara tanah dan bertujuan meminimalisir biaya. Sedangkan metode Parallel Time Variant Particle Swarm Optimization PTVPSO digunakan untuk meningkatkan performansi PSO untuk pengklasifikasian kebangkrutan suatu perusahaan. Oleh karena itu, metode PTVPSO dipilih karena proses implementasi yang mudah, cepat, serta efektif dalam mencari solusi untuk setiap ruang pencarian dengan teliti. Dalam pengujian terhadap kasus tertentu dijumpai bahwa rekomendasi dosis yang dihasilkan sistem dapat menghemat biaya sebesar 5% per hektar dan memenuhi kebutuhan untuk memenuhi hara tanah. Rice is the basis of processed rice which included basic food commodities in the world. Indonesia ranks third for land rice planting, rice production and rice consumption levels. Indonesia never experienced the era of self-sufficiencyor in rice swasembada beras, but did not last longer and Indonesia has to import rice. All efforts to increase rice production is the one that balanced fertilization system that is accurate on time, specific varieties and specific location. Besides this, the inefficiency provides opportunities fertilizing rice plants infected by the pathogen or pest destroyed. The selling price of fertilizer that high, also become a problem for farmers. Therefore the recommendation dosage of fertilizers and pesticides that are optimal and rational is very useful because not only plays an important role in increasing the income of farmers, but also related to the sustainability of production systems. Previous methods have been widely used evolutionary algorithms for optimization systems such as Genetic algorithms that used to optimize the dosing of fertilizers in horticulture plants by taking into account the state of soil nutrients and aims to minimize costs. While the method of Parallel Time Variant Particle Swarm Optimization PTVPSO is used to improve the performance of PSO to classify the bankruptcy of a company. Therefore, the method PTVPSO been selected for the implementation process easy, fast, and effective in finding solutions for any search space carefully. In testing of the particular case found that the dosage recommendations generated by the system can save costs by 5% per hectare and needs to meet the nutrient soil. Discover the world's research25+ million members160+ million publication billion citationsJoin for free OPTIMASI PEMBERIAN PUPUK DAN PESTISIDA SECARA BERKALA PADA TANAMAN PADI DENGAN PARALLEL TIME VARIANT PARTICLE SWARM OPTIMIZATION PTVPSO Edelin Yoda Bernadifta1, Imam Cholissodin, Heru Nurwarsito, Ir., 3 Program Studi Teknik Informatika Program Teknologi Informasi dan Ilmu Komputer Universitas Brawijaya, Malang 65145, Indonesia email edelinbernadifta[at] imamcs[at] heru[at] Abstrak Padi merupakan dasar olahan beras yang termasuk komoditi bahan pangan pokok terbesar di dunia. Indonesia menempati peringkat ke-3 untuk luas lahan tanam padi, produksi padi, dan tingkat konsumsi beras. Indonesia pernah mengalami era swasembada beras, namun tidak bertahan lama dan Indonesia harus mengimpor beras. Segala usaha peningkatan produksi beras salah satunya adalah dengan sistem pemupukan berimbang yaitu tepat waktu, spesifik varietas dan spesifik lokasi. Selain hal tersebut, inefisiensi pemupukan memberi peluang tanaman padi terinfeksi patogen atau dirusak hama. Harga jual pupuk yang tinggi juga menjadi permasalahan tersendiri bagi petani. Oleh karena itu rekomendasi dosis pemberian pupuk dan pestisida yang optimal dan rasional sangat bermanfaat karena efisiensi pemupukan tidak hanya berperan penting dalam meningkatkan pendapatan petani, tetapi juga terkait dengan keberlanjutan sistem produksi. Sebelumnya metode algoritma evolusi telah banyak digunakan untuk sistem optimasi seperti Algoritma genetika yang digunakan untuk mengoptimasi pemberian dosis pupuk pada tumbuhan hortikultura dengan memperhatikan keadaan hara tanah dan bertujuan meminimalisir biaya. Sedangkan metode Parallel Time Variant Particle Swarm Optimization PTVPSO digunakan untuk meningkatkan performansi PSO untuk pengklasifikasian kebangkrutan suatu perusahaan. Oleh karena itu, metode PTVPSO dipilih karena proses implementasi yang mudah, cepat, serta efektif dalam mencari solusi untuk setiap ruang pencarian dengan teliti. Dalam pengujian terhadap kasus tertentu dijumpai bahwa rekomendasi dosis yang dihasilkan sistem dapat menghemat biaya sebesar 5% per hektar dan memenuhi kebutuhan untuk memenuhi hara tanah. Kata Kunci Padi, pupuk, pemupukan berimbang, pestisida, optimasi dosis, PTVPSO. Abstract Rice is the basis of processed rice which included basic food commodities in the world. Indonesia ranks third for land rice planting, rice production and rice consumption levels. Indonesia never experienced the era of self-sufficiencyor in rice swasembada beras, but did not last longer and Indonesia has to import rice. All efforts to increase rice production is the one that balanced fertilization system that is accurate on time, specific varieties and specific location. Besides this, the inefficiency provides opportunities fertilizing rice plants infected by the pathogen or pest destroyed. The selling price of fertilizer that high, also become a problem for farmers. Therefore the recommendation dosage of fertilizers and pesticides that are optimal and rational is very useful because not only plays an important role in increasing the income of farmers, but also related to the sustainability of production systems. Previous methods have been widely used evolutionary algorithms for optimization systems such as Genetic algorithms that used to optimize the dosing of fertilizers in horticulture plants by taking into account the state of soil nutrients and aims to minimize costs. While the method of Parallel Time Variant Particle Swarm Optimization PTVPSO is used to improve the performance of PSO to classify the bankruptcy of a company. Therefore, the method PTVPSO been selected for the implementation process easy, fast, and effective in finding solutions for any search space carefully. In testing of the particular case found that the dosage recommendations generated by the system can save costs by 5% per hectare and needs to meet the nutrient soil. Keywords Rice, fertilizer, balanced fertilization, pesticide, dose optimization, PTVPSO. 1. Latar belakang Padi merupakan dasar olahan beras yang termasuk komoditi bahan pangan pokok terbesar di dunia disamping dengan jagung dan gandum. Terutama pada sebagian negara - negara di Asia, beras menjadi sumber utama bahan pangan. Berdasarkan data survei yang dilansir oleh FAO Statistik 2013 dan IRRI International Rice Research Institute 2015, 9 Negara di Asia menempati rangking teratas sebagai negara dengan tingkat produksi dan konsumsi beras tertinggi di dunia. Di Original Article Bernadifta, EY., Cholissodin, I., Nurwarsito, H., 2016, Optimasi Pemberian Pupuk Dan Pestisida Secara Berkala Pada Tanaman Padi Dengan Parallel Time Variant Particle Swarm Optimization PTVPSO', DORO Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 7, no. 35 antara negara-negara tersebut, Indonesia menempati peringkat ke-3 untuk luas lahan tanam padi, produksi padi, dan tingkat konsumsi beras. Dukungan geografis, iklim dan upaya peningkatan produksi padi melalui gerakan revolusi hijau telah mengantarkan Indonesia untuk berswasembada beras pada tahun 1984. Namun pada faktanya, menginjak tahun 2000, era swamsebada beras kian menurun. Bahkan target pemerintah untuk meningkatkan dan memenuhi kebutuhan beras dalam negeri sudah tidak dapat dicapai lagi, bahkan berdasarkan data USDA 2011, Indonesia menjadi negara pengimpor beras terbesar kedua di dunia pada 2011. Di Indonesia, padi sawah merupakan konsumen pupuk terbesar[21]. Pupuk anorganik atau yang juga disebut pupuk buatan menjadi alternatif yang mendominasi pertanian Indonesia. Menurut Menteri Pertanian, Suswono, seperti yang dikutip dari sambutannya dalam jurnal BPPP, hal ini mendorong tingginya tingkat ketergantungan petani terhadap pupuk anorganik, bahkan mereka seringkali menggunakannya dalam jumlah yang berlebihan. Selain tidak lagi meningkatkan hasil, penggunaan pupuk anorganik dengan takaran di atas kebutuhan tanaman juga mengurangi keuntungan yang dapat diperoleh dari usaha tani [9]. Tidak hanya inefisiensi, namun juga berdampak pada dinamika subsidi pupuk oleh pemerintah. Anggaran subsidi pupuk diperkirakan mencapai lebih dari Rp. 20 trilyun pada tahun 2015. Angka ini akan membebani anggaran pemerintah. Oleh karena itu, mulai tahun 2010, anggaran subsidi pupuk diturunkan. Hal ini akan berakibat pada meningkatnya HET harga eceran tertinggi pupuk. Untuk menghindari dampak pengurangan subsidi pupuk terhadap produksi padi nasional yang harus terus meningkat diperlukan strategi yang tepat dan bijaksana. Salah satu strategi adalah meningkatkan efisiensi penggunaan pupuk anorganik melalui penerapan sistem pemupukan berimbang[9]. Efisiensi pemupukan berperan penting dalam meningkatkan pendapatan petani dan juga terkait dengan keberlanjutan sistem produksi[9]. Oleh karena itu rekomendasi pemupukan harus didasarkan pada kebutuhan hara tanaman, cadangan hara yang ada di dalam tanah, target hasil realistis yang ingin dicapai, dan juga tepat waktu. Kebutuhan hara tanaman sangat beragam, dinamis atau spesifik lokasi yang ditentukan oleh berbagai faktor genetik dan lingkungan. Oleh sebab itu, rekomendasi pemupukan harus berimbang, bersifat spesifik lokasi dan spesifik varietas[21].Tidak hanya memperhatikan alokasi pemberian pupuk tetapi juga memperhatikan waktu tepat dalam pemupukan. Dalam 1 kali masa tanam, padi membutuhkan sistem pemupukan berkala sebanyak 2 – 3 kali berdasarkan ciri spesifik tanaman, khususnya daun dalam hitungan hari setelah tanam HST. Dalam pemupukan berimbang berarti memberikan unsur yang jumlahnya tidak cukup tersedia dalam tanah. Dampak negatif dari pemberian takaran dan waktu yang tidak tepat terus menerus adalah pencemaran lingkungan. Penambahan hara yang telah cukup tersedia justru akan meyebabkan pencemaran tanah, perairan, inefisiensi pemupukan, dan juga memberi peluang tanaman padi terinfeksi patogen atau dirusak hama. Pemupukan nitrogen yang berlebihan pada tanaman padi gogo dan padi sawah mengakibatkan tanaman rentan terhadap infeksi penyakit blas dan bercak daun coklat. Meningkatnya populasi hama penggerek batang dan wereng coklat dilaporkan ada hubungannya dengan tingginya dosis pupuk nitrogen yang diberikan[18]. Untuk menentukan rekomendasi pemupukan berimbang pada tanaman padi, Badan Litbang Pertanian bekerja sama dengan berbagai lembaga internasional dan nasional seperti International Rice Research Institute IRRI, Lembaga Pupuk Indonesia, dan produsen pupuk telah membuat beberapa metode dan alat bantu peningkatan efisiensi pemupukan N, P, dan K untuk tanaman padi sawah, antara lain Bagan Warna Daun BWD untuk pemupukan N, Petak Omisi dan Paddy Soil Test Kit Perangkat Uji Tanah Sawah, PUTS untuk pemupukan P dan K[14]. Namun, rekomendasi tersebut berupa standar anjuran yang sebenarnya bisa menjadi lebih efektif dan menguntungkan bila dilengkapi dengan perhitungan untuk optimasi dosis pupuk dan pestisida atau insektisida dalam pemberiannya secara berkala untuk meminimalkan penggunaan tetapi tetap mencapai target optimal agar efisiensi penggunaan menjadi ramah lingkungan dan tentunya juga menghemat biaya pemupukan yang bisa mencapai 30% - 60% dari biaya produksi [18][22]. Permasalahan optimasi tersebut dapat diselesaikan dengan penerapan algoritma Particle Swarm Optimization PSO. Dalam penelitian sebelumnya berjudul ”Optimal Generator Scheduling Based On Particle Swarm Optimization” oleh Maickel Tuegeh, Adi Soeprijanto, Mauridhi Hery P 2009 telah berhasil menunjukkan bahwa simulasi yang dilakukan dengan metode Modified Improved Particle Swarm Optimization MIPSO memberikan performansi yang lebih baik dibandingkan metode iterasi lambda dan berhasil menekan total biaya bahan bakar. Pada penelitian Kemudian pada penelitian “A novel bankruptcy Original Article Bernadifta, EY., Cholissodin, I., Nurwarsito, H., 2016, Optimasi Pemberian Pupuk Dan Pestisida Secara Berkala Pada Tanaman Padi Dengan Parallel Time Variant Particle Swarm Optimization PTVPSO', DORO Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 7, no. 35 prediction model based on an adaptive fuzzy k-nearest neighbor method” oleh Hui-Ling Chen, Bo Yang, Gang Wang, Jie Liu, Xin Xu, Su-Jing Wang, Da-You Liu 2011, metode PTVPSO digunakan untuk mengoptimasi parameter FKNN dengan menentukan ukuran tentangga k dan parameter pada fuzzy KNN. PTVPSO merupakan strategi otomasi yang diterapkan pada parameter PSO untuk meningkatkan performansi PSO. PTVPSO menggunakan parameter kontrol untuk mengontrol kemampuan pencarian lokal secara efisien dan konvergensi ke solusi optimum global dari algoritma PSO. A. Ratnaweera, S. Halgamuge, H. Watson, 2004, memperkenalkan koefisien percepatan waktu bervariasi PSO-TVAC untuk mengurangi konvergensi dini dibagian awal dari pencarian dan untuk meningkatkan konvergensi diakhir optimasi[1]. PSO memiliki kemiripan dengan metode Algoritma Genetika GA. Dibandingkan dengan GA, PSO tidak menggunakan teknik crossover dan mutasi, komputasi sederhana juga secara memori dan runtime[13].PSO terbukti efektif digunakan pada permasalahan dengan area pencarian yang sangat luas [15][16]. Berdasarkan latar belakang yang telah diuraikan di atas, penulis berinisiatif untuk merancang sistem berbasis komputer untuk memberikan solusi optimasi pemupukan berimbang dalam penelitian tugas akhir yang berjudul “Optimasi Pemberian Pupuk Dan Pestisida Secara Berkala Pada Tanaman Padi Dengan Parallel Time Variant Particle Swarm Optimization PTVPSO” untuk menghasilkan optimasi dosis pupuk dan pestisida yang optimal terhadap kebutuhan tanaman, keadaan hara tanah serta mempertimbangkan tingkat harga beli pupuk di pasaran. Peneliti berharap hasil penelitian ini dapat membantu petani dalam meminimalkan biaya pemupukan namun tetap menghasilkan produksi yang optimal. Rumusan masalah Berdasarkan latar belakang masalah di atas, dapat dibuat rumusan masalah sebagai berikut 1. Bagaimana langkah implementasi algoritmaParallel Time Variant Particle SwarmOptimization PTVPSO untuk kasus optimasipemberian pupuk dan pestisida secaraberkala pada tanaman padi?Bagaimana hasil penerapan AlgoritmaPTVPSO untuk mengoptimasi pemberian pupuk dan pestisida secara berkala pada tanaman padi? Tujuan 1. Mengetahui cara penerapan metode PTVPSOuntuk optimasi dosis pemberian pupuk danpestisida secara berkala pada tanaman padiberdasarkan Mengetahui hasil optimasi yang dikeluarkansistem dengan penerapan Algoritma PTVPSOuntuk dosis pupuk dan pestisida secaraberkala pada tanaman padi Batasan masalah Batasan masalah yang dijadikan pedoman dalam pelaksanaan penelitian dan penyusunan skripsi ini adalah sebagai berikut 1. Varietas tanaman padi yang digunakan adalahvarietas padi sawah dan varietas padi gogoatau padi lahan Jenis pupuk yang direkomendasikan untukoptimasi meliputi kombinasi pupuk anorganikkimia dan organik berupa jerami dan Jenis hama dan penyakit yang ditangani olehpestisida kimia adalah wereng coklat,penggerek batang, walang sangit, hawar,blast, dan bercak daun dengan jenis Algoritma yang digunakan adalah TimeVariant PSO dengan parameter algoritma PSOadalah fungsi obyektif cost, posisi awalpartikel, kecepatan awal, time varyingacceleration coefficients TVAC dan timevarying inertia weight TVIW, koefisienpembatasan kecepatan, swarmsize danmaksimum DASAR Tanaman padi dan perkembangannya Padi merupakan komoditi pangan yang mendominasi pertanian di Indonesia. Padi dalam bahasa latin, yaiutu Oriza Sativa termasuk pada genus Oryza L. yang meliputi lebih kurang 25 spesies. Tanaman ini tersebar di daerah tropis dan sub tropis seperti Asia, Afrika, Amerika dan Australia. Padi mulai masuk ke Indonesia diperkirakan dibawa oleh para nenek moyang yang bermigrasi dari daratan Asia, China dan India, sekitar 1500 SM. Produksi padi dunia menempati urutan ketiga setelah jagung dan gandum. Padi diolah menjadi beras yang menjadi bahan makanan pokok sebagian besar masyarakat Indonesia. Berdasarkan data yang dirilis oleh IRRI pada tahun 2015 area tanam padi di Indonesia menempati peringkat ke-3 terluas di dunia yaitu dalam 000 Ha ,untuk produksi beras peringkat ke-3 di dunia yaitu dalam 000 ton dan juga peringkat ke-3 Original Article Bernadifta, EY., Cholissodin, I., Nurwarsito, H., 2016, Optimasi Pemberian Pupuk Dan Pestisida Secara Berkala Pada Tanaman Padi Dengan Parallel Time Variant Particle Swarm Optimization PTVPSO', DORO Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 7, no. 35 dunia untuk total konsumsi nasi terbesar yaitu dalam 000 ton. Di Indonesia sentra penanaman padi terletak di Pulau Jawa, Bali, Madura dan sebagian Kalimantan. Pulau jawa menjadi lahan terbesar persawahan di Indonesia, berdasarkan data profil ekoregion kementrian lingkungan hidup, sekitar 80% lahan sawah teririgrasi teknis tersebar di Pulau Jawa dengan tingkat konsumsi beras juga terbesar di Indonesia[14]. Varietas tanamana padi digolongkan berdasarkan bentuk morfologi tanaman, kualitas hasil dan juga lahan yang digunakan untuk bercocok tanam. Berdasarkan hal tersebut di Indonesia varietas padi dibedakan sebagai berikut[10] 1. Inbrida Padi Sawah INPARIInbrida Padi Irigasi, atau lebih dikenal denganINPARI adalah varietas-varietas unggul padisawah yang cocok ditanam di lahan Hibrida Padi HIPAPadi hibrida adalah turunan pertama F1 daripersilangan antara dua galur murni[20].2. Inbrida Padi Gogo INPAGOPadi gogo adalah tanaman pertanian yangdiusahankan di lahan kering pada di daerahyang bercurah hujan rendah atau pada bagianteratas dari suatu daerah berlereng yangtidak/kurang mampu menampung air Inbrida Padi Rawa INPARAInbrida Padi Rawa INPARA adalah varietas-varietas unggul padi yang dibudidayakanpada kondisi lahan rawa, tahan terhadaprendaman, serta daya adaptasi pada kondisilahan Pemupukan berimbang Pemupukan berimbang adalah pemberian pupuk sesuai dengan jenis dan dosis yang sesuai dengan kesuburan tanah dan kebutuhan tanaman. Tujuannya adalah untuk menyediakan semua zat hara yang cukup sehingga tanaman padi mencapai hasil tinggi, bermutu serta meningkatkan produktivitas hasil pertanian. Berimbang menekankan bahwa jenis dan dosis pupuk yang diberikan tidak dapat disamaratakan tetapi harus memiliki spesifik lokasi. Pupuk yang diberikan dapat berupa pupuk tunggal seperti urea, SP-36. TSP dan KCl, pupuk majemuk ditambah pupuk tunggal atau campuran pupuk tunggal[22]. Penerapan pemupukan berimbang pada tanaman padi didasarkan uji tanah sawah dengan menggunakan data analisa tanah. Pada lahan sawah kebutuhan N, P dan K tanaman dapat diketahui dengan cara mengukur tingkat kehijauan warna daun padi dengan BWD bagan warna daun sedangkan kebutuhan P dan K tanaman dengan PUTS Perangkat Uji Tanah Sawah, Selain dengan cara tersebut, kebutuhan tanaman akan pupuk juga dapat diketahui melalui Uji petak omisi atau minus satu unsur[4]. Tabel menampilkan hasil analisi unsur hara tanah berdasarkan hasil uji Balai Penelitian Tanah, Bogor. Tabel Hasil analisis unsur hara tanah P - ekstrak HCL 25% mg/100g K - ekstrak HCL 25% mg/100g Sumber Balai Penelitian tanah, 2003 Setelah kategori tingkat keberadaan unsur hara diketahui, selanjutnya data kebutuhan pupuk N, P dan K untuk tanaman padi di lahan sawah daerah jawa timur ditentukan menggunakan Tabel rekomendasi yang disajikan pada Tabel di bawah ini. Tabel Kebutuhan hara N,P,K tanaman padi Sumber BPTP, 2015 Pengendalian hama terpadu PHT adalah suatu sistem pengendalian organisme pengganggu tanaman OPT atau hama dalam konteks hubungan antara dinamika populasi dan lingkungan suatu jenis hama, menggunakan berbagai teknik yang kompatibel untuk menjaga agar populasi hama tetap berada di bawah ambang kerusakan ekonomi. Dalam konsep PHT, pengendalian OPT berorientasi kepada stabilitas ekosistem dan efisiensi ekonomi serta sosial[18]. Berdasarkan konsep PHT, pengendalian OPT harus memperhatikan populasi hama atau patogen dalam keadaan sekitar dan semua biaya pengendalian harus mendatangkan keuntungan ekonomi yang maksimal[18]. Dalam menentukan diberlakukannya tindakan pengendalian hama dan penyakit, dilakukan perhitungan nilai Ambang Ekonomi AE hama. Original Article Bernadifta, EY., Cholissodin, I., Nurwarsito, H., 2016, Optimasi Pemberian Pupuk Dan Pestisida Secara Berkala Pada Tanaman Padi Dengan Parallel Time Variant Particle Swarm Optimization PTVPSO', DORO Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 7, no. 35 Ambang ekonomi adalah suatu tingkat atau level kerusakan penyakit atau keparahan penyakit yang mengharuskan dilakukan pengendalian sehingga OPT dan penyakit tidak berkembang. PHT dilaksanakan jika populasi hama atau intensitas kerusakan akibat penyakit telah memperlihatkan akan terjadi kerugian dalam usaha pertanian. Penggunaan pestisida merupakan komponen pengendalian yang dilakukan dengan syarat populasi hama telah meninggalkan populasi musuh alami sehingga tidak mampu dalam waktu singkat menekan populasi hama, komponen pengendalian lainnya tidak dapat berfungsi secara baik, dan keadaan populasi hama telah berada pada rentang Ambang Ekonomi AE, yaitu batas populasi hama telah menimbulkan kerusakan yang lebih besar daripada biaya pengendalian[22]. Tabel Contoh penetapan Ambang Ekonomi Hama AE 1 kelompok telur /m2 atau intesitas seranganrata-rata 10% 5 ekor /m2 pada tahap tanaman setelah berbunga Sumber Yondang, 2007 Terdapat berbagai jenis OPT yang menyerang padi. Menurut Roja 2009 hama dan penyakit yang umum pada tanaman padi antara lain wereng coklat, penggerek batang, walang sangit serta beberapa jenis penyakit seperti tungro, hawar dan bercak daun. Pemberian pestisida harus sesuai dengan anjuran dosis atau konsenrasi yang umumnya terdapat pada kemasan. Konsentrasi atau kepekatan campuran pestisida adalah sejumlah volume pestisida atau bobot yang harus dicampurkan kedalam sejumlah volume air. Sedangkan dosis pestisida merupakan takaran pemberian sejumlah volume satu bobot pestisida yang harus diberikan secara merata pada luasan tertentu[27]. Parallel Time Variant Particle Swarm Optimization PTVPSO Dasar dari metode Parallel Time Variant Particle Swarm Optimization PTVPSO adalah algoritma particle swarm optimization PSO yang pertama kali dikenalkan oleh Dr. Eberhart dan Dr. Kennedy ditahun 1995 dalam sebuah konferensi jaringan syaraf di Perth, Australia. PSO merupakan teknik optimasi berbasis stochastic yang terinspirasi dari tingkah laku sosial sekawanan burung atau sekumpulan ikan. Analoginya diambil dari kebiasaan sekolompok burung yang secara random mencari makanan disuatu area[11]. PTVPSO merupakan strategi otomasi yang diterapkan pada parameter PSO untuk meningkatkan performansi PSO. Dalam PTVPSO, time variant yang digunakan adalah time varying acceleration coefficients TVAC dan time varying inertia weight TVIW. Time variant inilah yang secara adaptif mengontrol kemampuan PSO dalam lokal pencarian secara efisien dan konvergensi ke solusi optimum global, dimana nilai minimum dan maksimum  TVIW. A. Ratnaweera, S. Halgamuge, H. Watson, 2004, memperkenalkan koefisien percepatan waktu bervariasi PSO-TVAC untuk mengurangi konvergensi prematur dibagian awal dari pencarian dan untuk meningkatkan konvergensi diakhir optimasi[1]. Parameter TVPSO Parameter yang dibutuhkan pada algoritma particle swarm optimization antara lain[28][13] 1. Swarm sizeSwarm size atau jumlah partikel. Sebenarnyadalam sebagian besar masalah 10 sudah cukup , namun 20 - 40 partikel cukup baik untuk mendapatkan hasil yang bagus[2]. Untuk masalah yang sangat sulit atau khusus, bagus untuk mencoba 100 atau 200 particle. 2. Problem dimensionProblem dimension d atau dimensi solusidari particle Ini ditentukan dari masalah yang akan dioptimasi. 3. RangeRange merupakan batas ruang pencarianspace untuk setiap dimensi dari partikel yang ditentukan dari masalah yang akan dioptimasi. 4. Koefisien kognitif dan sosial partikelDalam PSO, pencarian terhadap solusi optimal dipandu oleh dua percepatan komponen yaitu kognitif dan komponen sosial[11]. Oleh karena itu, kontrol yang tepat dari dua komponen ini sangat penting untuk menemukan solusi optimal secara akurat dan efisien. Komponen kognitif  dan komponen sosial  disebut juga sebagai koefisien akselerasi yang mempengaruhi jarak maksimum yang dapat diambil oleh sebuah partikel dalam sebuah iterasi.  mengatur jarak yang dipengaruhi oleh memori posisi personal best dari partikel tersebut. Sedangkan mengatur jarak maksimum yang dipengaruhi oleh partikel global best. Komponen kognitif yang relatif tinggi dibandingkan dengan komponen sosial akan menghasilkan individu mengembara berlebihan melalui ruang pencarian. Sebaliknya, nilai Original Article Bernadifta, EY., Cholissodin, I., Nurwarsito, H., 2016, Optimasi Pemberian Pupuk Dan Pestisida Secara Berkala Pada Tanaman Padi Dengan Parallel Time Variant Particle Swarm Optimization PTVPSO', DORO Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 7, no. 35 komponen sosial yang relatif tinggi dapat menyebabkan partikel terburu-buru sebelum waktunya menuju optimum lokal atau konvergensi dini. Menurut A. Ratnaweera, S. Halgamuge dan H. Watson, 2004 , pertimbangan utama modifikasi ini adalah untuk menghindari konvergensi prematur pada tahap awal dari pencarian dan untuk meningkatkan konvergensi untuk solusi optimum global selama tahap terakhir dari pencarian. Nilai tersebut dalam rentang  dan  dengan nilai koefisien TVAC adalah       adalah konstan dan persamaan yang digunakan untuk menghitung nilai  adalah         5. Inertia weight atau bobot inersia Bobot inersia dikenalkan oleh Shi danEberhart 1998 yang dalam algoritma particle swarm optimization digunakan sebagai keseimbangan antara kemampuan eksplorasi global dan lokal secara utama dan merupakan parameter penurunan kecepatan untuk menghindari stagnasi partikel di lokal optimum[11]. Bobot inersia  pada dasarnya akan mengontrol seberapa besar pengaruh pengetahuan dari arah terbang sebelumnya yang akan mempengaruhi kecepatan baru. Inersia dalam TVIW akan mengecil sesuai dengan bertambahnya iterasi sehingga kemampuan PSO dalam pencarian lokal akan lebih efisien dan konvergensi ke solusi optimum global, dimana nilai minimum dan maksimum  TVIW yang digunakan berada dalam range 0 sampai 1[11][13]. Adapun persamaan yang digunakan untuk menghitung nilai  adalah     Penerapan TVPSO 1. Inisialisasi PartikelProses pertama adalah inisialisasi partikel.     adalah posisi partikel ke-i pada dimensi ke-d, dimana  merupakan nilai acak random dengan range [0,1]. Kecepatan awal dapat diinisialisasi menjadi nol. Posisi terbaik individu ke-  awal untuk setiap partikel diinisialisasikan dengan posisi partikel pada waktu  Berdasarkan permasalahan dalam pencarian solusi, maka digambarkan dimensi permasalahan atau problem dimension sebagai berikut 2. Menghitung fungsi obyektif  Dalam penelitian ini penentuan fungsiobyektif PSO disasarkan pada hasil perhitungan cost bertujuan untuk meminimalkan harga dan juga meminimalkan selisih dosis pupuk yang dihasilkan sistem dengan rekomendasi pakar sebenarnya. Sebuah partikel dengan nilai lebih kecil dianggap sebagai calon solusi yang lebih baik. Berikut merupakan persamaan yang digunakan       Dimana  = dosis pupuk yang mengandung   = dosis pupuk yang mengandung  = dosis pupuk yang mengandung  = konsentrasi pestisida untuk jenis penyakit  = konstanta Harga = harga total pupuk dengan kandungan  atau  atau  Selisih = selisih dosis dari rekomendasi pakar dan keluaran sistem 3. Mencari Local Best  dan Global Best Komponen kognitif  merupakan posisi terbaik individu atau partikel yang telah dikunjungi sejak waktu pertama. Untuk masalah minimalisasi  dihitung sebagai berikut[2] Sedangkan nilai terbaik global berasal dari hasil social learning dari swarm yang ditemukan sebagai posisi individu terbaik dari keseluruhan partikel yang pernah ditemukan. Mencari  untuk kasus minimalisasi dihitung sebagai berikut[2]  Original Article Bernadifta, EY., Cholissodin, I., Nurwarsito, H., 2016, Optimasi Pemberian Pupuk Dan Pestisida Secara Berkala Pada Tanaman Padi Dengan Parallel Time Variant Particle Swarm Optimization PTVPSO', DORO Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 7, no. 35 4. Memperbarui atau Update Kecepatan danPosisiBerdasarkan  dan  yang diperoleh, maka kecepatan  dan posisi dari particle  diubah. Persamaan untuk perubahan kecepatan  [11][2]     Kecepatan akan ditambahkan pada posisi partikel sekarang untuk mendapatkan posisi baru partikel, dengan kata lain individu bergerak menuju posisi baru sesuai dengan kecepatan. Persamaan untuk perubahan posisi  adalah sebagai berikut Untuk mengontrol eksplorasi global partikel, perlu adanya pembatasan kecepatan maksimum. Teknik ini disebut velocity clamping untuk mencegah partikel bergerak terlalu jauh melampaui ruang pencariannya. Dalam penelitian ini, batasan kecepatan atau threshold yang digunakan adalah sebagai berikut [17]     Strategi velocity clamping telah terbukti lebih efektif dalam meredam osilasi dengan menyediakan keseimbangan yang baik antara eksplorasi global dan eksploitasi lokal Marini & Walczak, 2015. Namun dalam menentukan nilai  bergantung pada bentuk permasalahan yang diselesaikan. Pada umumnya ketentuan yang banyak disetujui oleh penulis sebelumnya adalah nilai ditentukan dalan rentang berikut [17]  5. Random Injection PTVPSOPada ruang pencarian yang tidak terlalu besar, sering dijumpai pencapaian konvergensi dini. Hal ini disebabkan karena partikel lebih cepat menemukan posisi terbaik global dalam ruang pencarian yang kecil dan disebabkan oleh kurangnya diversitas populasi setelah melewati sekian generasi[16]. Untuk mengatasi hal tersebut dan membuat partikel lebih teliti atau bertahap dalam melakukakn eksploitasi lokal dan eksplorasi global, maka diterapkan sistem random injection[16]. Random injection dilakukan dengan menginisialisasi kembali posisi  partikel setiap  interval iterasi. Penentuan  dan  yang sesuai dilakukan berdasrkan beberapa percobaan sebelumnya pada sistem PTVPSO. Pada kasus ini ditentukan jumlah partikel yang diinjek adalah 30% dari ukuran swarsize dan interval injection adalah setiap kelipatan 3 iterasi. Random injection dilakukan dengan mengevaluasi nilai cost partikel saat memasuki interval injec. Nilai cost akan diurutkan, kemudian 30% dari jumlah partikel dengan nilai cost terbesar akan digantikan dengan partikel yang baru. Untuk partikel baru tersebut, maka diberikan nilai kecepatan   dan pBest sama dengan partikel itu sendiri. Hal ini sama seperti proses inisialisasi awal partikel. 6. Kondisi berhentiMerupakan kriteria yang digunakan untukmengakhiri iterasi atau perulangan dan mendapatkan solusi optimum. Kondisi berhenti tidak boleh menyebabkan PSO konvergen dini karena solusi suboptimal akan diperoleh[11][12]. Dalam kasus optimasi ini, kondisi berhenti adalah ketentuan saat mencapai nilai iterasi maksimum. 3. METODOLOGI PENELITIAANDalam metodologi penelitian dan perancangan akan dijelaskan secara umum tahapan dalam implementasi Particle Swarm Optimization PSO untuk optimasi pemupukan berimbang pada tanaman padi spesifik lahan berdasarkan analisa hara tanah sawah. Tahapan penelitian meliputu analisa kebutuhan sistem, deskripsi umum sistem, data yang digunakan, perancangan sistem, proses PSO, perancangan user interface, dan perancangan pengujian. Tahapan penelitian ini ditunjukkan pada Gambar Pengujian dan Analisis Sistem Pengambilan Kesimpulan dan Saran Gambar Metode penelitian Original Article Bernadifta, EY., Cholissodin, I., Nurwarsito, H., 2016, Optimasi Pemberian Pupuk Dan Pestisida Secara Berkala Pada Tanaman Padi Dengan Parallel Time Variant Particle Swarm Optimization PTVPSO', DORO Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 7, no. 35 Data Penelitian Teknik pengumpulan data dilakukan dengan wawancara ke Badan Penelitian dan Pengembangan Pertanian Jawa Timur, narasumber pakar agronomi Prof. Dr Mochammad Cholil dan juga dari literatur buku-buku yang terkait. Data yang diambil berupa data kandungan hara pupuk organik dan anorganik, aturan rekomendasi pemupukan berimbang padi. Kemudian untuk pendukung penelitian ini dikumpulkan data berikut 1. Data hasil uji tanah sawah menurut uji PUTS2. Data rekomendasi dosis pupuk yangdibutuhkan oleh padi sesuai keadaan harapada tanah Data pupuk yang terdiri dari jenis pupukbeserta kandungannya4. Data persentase dosis pupuk padi secaraberkala pupuk dasar dan susulan5. Data penyakit yang menyerang padi6. Data rekomendasi konsentrasi insektisida danpestisida untuk hama dan penyakit tanamanpadi7. Data harga pupuk dan pestisida non subsidi dipasaran4. PERANCANGAN SISTEMAlir perancangan sistem optimasi pemberianpupuk dan pestisida secara berkala pada tanaman padi berdasarkan varietas menggunakan Algoritma Time Variant PSO ditunjukkan pada Gambar mulaiJenis padi, jenis pupuk, status hara N, status hara P, status hara K, jenis OPT, nilai AE OPTProses perhitungan optimasi dengan metode TVPSODosis optimal pupuk berkala dan dosis optimal pestisida SelesaiGambar Diagram alir perancangan sistem Sedangkan untuk proses algoritma, secara umum rancangan implementasi metode PTVPSO adalah sebagai berikut Dosis optimal pupuk berkala dan dosis optimal pestisida SelesaiProses menghitung costtidakProses memperbarui pBestProses mencari gBestmaxmaxminmaxmin * tttwwwinertia For i=0; iAE, Walang Sangit atau OPT3 AE, Walang Sangit atau OPT3

JadualDan Tujuan Pemupukan Padi Sawah. Lokasi : Nagari Taratak Tinggi, Kecamatan Timpeh (Wilayah Binaan BPP Timpeh) Pemupukan adalah tindakan memberikantambahan unsur-unsur hara pada komplek tanah, baik langsung maupun tak langsung dapat menyumbangkan bahan makanan pada tanaman. Tujuannya untuk memperbaiki tingkat kesuburan tanah agar tanaman

^{Diberikansekitar 35-40 hst. Atau sebagai patokan sewaktu daun bendera atau daun terakhir keluar. Pada kondisi ini, tanaman padi membutuhkan energi dalam jumlah maksimal. Kenapa? sewaktu tanaman padi akan mengeluarkan malai maka daun perlu hijau, apalagi daun bendera.}

Լխպևξ ай իሚሢфэфе	ፏኃሿнтеρኤξе ιкл азоኮа
Еλዳврևбрюյ чቇቸոσθшո еլ	Узስсоጼе коሐθмաκυ ቤοт
Оሏαնθфխ ጢեбቧቢθμω	Цኁфужοሙ ψጱмул углαбኔ
Ժθዠи узሒ ավአ	Уጬипሸск οщረբаմуջυ θሖуጾаст
ሾኪжатխχеб уриդажኹጷ	Оቯጭ ш էхህм

kebutuhanpupuk Urea, SP-36 dan KCl padi sawah spesifik lokasi. Hasil kegiatan diharapkan: (1) sebagai bahan masukan untuk menetapkan rekomendasi pemupukan padi sawah spesifik lokasi, (2) dosis pemupukan padi sawah diberikan sesuai dengan kandungan hara tanah, (3) meningkatkan efisiensi penggunaan pupuk Urea, SP-36 dan KCl untuk tanaman padi.

Bisalangsung anda taburkan pada tanaman padi. Dosis Pupuk Mutiara untuk Tanaman Padi. Pada jenis cair, anda dapat memberikan pupuk pada tanaman padi 200 ml seminggu dua kali. Pada jenis padat, anda dapat memberikan secara langsung dengan menaburkannya kurang lebih lima kilo untuk satu sawah dan seminggu sekali saja.

Untukmemahami pemupukan pada tanaman padi, kita harus mengetahui umur tanaman padi terlebih dahulu. Salah satu contoh dosis, jenis pupuk dan waktu pemupukan yang tepat pada tanaman padi adalah sebagai berikut: - Pemupukan susulan pertama dilakukan saat padi berumur 7-10 HST. Pupuk yang digunakan adalah Urea 75 kg/ha, SP-36 100 kg/ha dan

yW0p. 117 238 178 228 416 97 137 479 177

dosis em4 untuk padi sawah