Amantra Bali – Di artikel sebelumnya Mengoptimalkan Pertanian Hidroponik dengan Teknologi AI dengan Metode Machine Learning, kita sudah membahas gambaran besar bahwa AI bisa membantu petani hidroponik bekerja lebih tepat dan hemat. Kali ini kita tidak akan berteori saja. Kita akan membuat simulasi sederhana.
Bayangkan Pak Made, seorang petani selada hidroponik di Bedugul. Kebunnya rapi, pipa-pipanya dipenuhi selada hijau yang segar. Tapi ada satu masalah yang terus berulang. Beberapa kali dalam setahun, sebagian seladanya tiba-tiba menguning dan layu, padahal ia merasa sudah merawatnya seperti biasa.
Perubahan fluktuatif pH air
Dalam hidroponik, tanaman tidak tumbuh di tanah. Akarnya terendam air yang sudah dicampur nutrisi, semacam makanan cair untuk tanaman. Supaya selada tumbuh sehat, air ini harus berada dalam kondisi yang pas.
Salah satu yang paling penting adalah tingkat keasaman air, yang biasa disebut pH. Untuk selada, pH yang ideal kira-kira di angka 5,5 sampai 6,5. Kalau air terlalu asam atau terlalu basa, akar tanaman kesulitan menyerap makanan, walaupun nutrisinya sebenarnya ada di dalam air.
Masalahnya, perubahan pH tidak bisa dilihat dengan mata. Airnya tetap tampak jernih. Pak Made baru sadar ada yang salah setelah daun mulai menguning, dan saat itu kerusakan sudah terjadi beberapa hari. Ibaratnya seperti demam yang baru ketahuan setelah badan benar-benar ambruk.
Pencatatan Data Sensor
Sebelum AI bisa membantu, Pak Made perlu tahu kondisi airnya dari waktu ke waktu. Caranya dengan memasang sensor, alat kecil yang dicelupkan ke dalam tandon air nutrisi.
Dalam simulasi kita, Pak Made memasang tiga sensor sederhana.
- Sensor pH, yang mengukur tingkat keasaman air, seperti lidah yang bisa merasakan asam atau tidak.
- Sensor nutrisi (TDS), yang mengukur seberapa pekat nutrisi di dalam air, mirip seperti mengecek apakah sayur sop terlalu hambar atau terlalu asin.
- Sensor suhu, yang mengukur panas atau dinginnya air, seperti termometer.
Ketiga sensor ini terhubung ke mikro kontroler kecil seharga ratusan ribu rupiah. Setiap 10 menit, papan ini mencatat angka dari sensor lalu mengirimkannya lewat internet. Bedanya dengan manusia, sensor tidak pernah lelah, tidak lupa, dan tetap bekerja pukul 3 pagi saat Pak Made sedang tidur nyenyak.
Dalam sehari, terkumpul 144 catatan untuk setiap sensor. Dalam sebulan, jumlahnya lebih dari 4.000. Dari catatan inilah AI nantinya belajar.
AI Belajar dari Data Catatan Harian
Sekarang bagian yang paling menarik. Bagaimana sebenarnya AI membantu merawat tanaman?
Bayangkan seorang petani senior yang sudah puluhan tahun mengurus kebun. Ia hafal kebiasaan kebunnya. Misalnya, ia tahu bahwa kalau sore hari udaranya panas, besok paginya air nutrisi biasanya jadi lebih asam. Pengetahuan itu tidak datang tiba-tiba, tapi dari pengalaman melihat kejadian yang sama berulang kali.
AI mempelajari ribuan catatan dari sensor tadi. Dari situ, AI menemukan pola yang mungkin tidak disadari manusia. Contohnya, setiap kali suhu air naik di atas 26 derajat selama beberapa jam, pH cenderung turun perlahan dalam 6 sampai 8 jam berikutnya.
Setelah belajar, AI tidak hanya melaporkan kondisi air saat ini. Ia bisa memperkirakan kondisi air beberapa jam ke depan, persis seperti ramalan cuaca yang memberi tahu kita akan hujan nanti sore.
Jadi, alih-alih menunggu daun menguning, Pak Made menerima pesan di ponselnya dengan peringatan pH air diperkirakan turun ke 5,2 dalam 6 jam ke depan.
Pak Made punya waktu untuk bertindak sebelum masalah muncul. Ia tidak lagi memadamkan api, tapi mencegah api menyala.
Model AI
Jenis AI yang cocok untuk tugas seperti ini disebut model deret waktu (time series). Salah satu yang populer adalah LSTM (Long Short-Term Memory), yaitu model yang mampu mengingat urutan kejadian dari waktu ke waktu. Kemampuan mengingat urutan inilah yang membuatnya cocok untuk meramal angka sensor yang terus berubah sepanjang hari.
Simulasi Seminggu, Tanpa AI dan dengan AI
Supaya lebih terasa, mari kita bandingkan dua skenario. Minggu ini cuaca Bedugul sedang tidak biasa, siang hari lebih panas dari biasanya.
| Hari | Tanpa AI | Dengan AI |
| Senin | Cuaca panas, pH mulai turun pelan tanpa ada yang tahu | AI mendeteksi pola suhu naik dan mulai memantau lebih ketat |
| Selasa | pH terus turun, air tetap terlihat jernih | Notifikasi masuk, pH diperkirakan turun dalam 6 jam. Pak Made menambahkan larutan penaik pH |
| Rabu | Akar mulai kesulitan menyerap nutrisi | pH kembali stabil di kisaran ideal |
| Kamis | Daun di beberapa pipa mulai menguning | Tanaman tumbuh normal |
| Jumat | Pak Made menyadari masalah dan mengecek pH secara manual | Tanaman tumbuh normal |
| Sabtu | pH diperbaiki, tapi sebagian tanaman sudah rusak | Tanaman tumbuh normal |
| Minggu | Sekitar 15 persen selada tidak layak jual | Hampir semua selada siap panen sesuai jadwal |
Perbedaannya bukan pada kerja keras Pak Made. Di kedua skenario ia sama-sama rajin. Bedanya ada pada waktu. Dengan AI, masalah ketahuan tiga hari lebih awal, cukup untuk menyelamatkan panen.
Simulasi di atas terdengar menjanjikan, tapi ada beberapa hal penting yang perlu diketahui sebelum mencobanya.
- AI butuh waktu belajar. Seperti petani baru, AI juga perlu pengalaman dulu. Biasanya dibutuhkan data dari beberapa minggu hingga beberapa bulan sebelum ramalannya cukup akurat.
- Sensor perlu dirawat. Sensor pH harus dibersihkan dan dikalibrasi secara rutin. Sensor yang kotor akan memberi angka yang salah, dan AI yang belajar dari angka salah akan memberi saran yang salah pula.
- Ramalan bisa meleset. Sama seperti ramalan cuaca, prediksi AI tidak selalu tepat 100 persen. Kejadian yang belum pernah dialami sebelumnya, misalnya pompa rusak, mungkin tidak bisa ditebak.
- Keputusan tetap di tangan petani. AI hanya memberi peringatan dan saran. Pengalaman dan penilaian Pak Made tetap yang paling menentukan.
Kabar baiknya, perangkat untuk memulai tidak harus mahal. Papan elektronik seperti ESP32 beserta beberapa sensor dasar bisa didapat dengan biaya sekitar satu jutaan rupiah, tergantung jenis dan kualitas sensornya.
Penutup, Kembali ke Kebun Pak Made
Dengan bantuan sensor dan AI, Pak Made tidak lagi bekerja dengan cara menebak-nebak. Kondisi air terpantau terus, tanaman dicek lewat foto setiap pagi, dan peringatan datang sebelum masalah muncul.
Yang perlu diingat, AI tidak menggantikan peran petani. AI membantu petani mengambil keputusan lebih cepat dan lebih tepat, sehingga waktu dan tenaganya bisa dipakai untuk hal lain yang lebih penting.
Teknologi ini juga tidak harus dimulai dari kebun besar. Siapa pun bisa mencobanya dari skala kecil, misalnya satu rak hidroponik di halaman rumah dengan satu sensor pH. Dari situ, data mulai terkumpul, dan AI pun mulai belajar.
Referensi
- Puriyanto, R., Supriyanto, & Yudhana, A. (2019). LSTM Based Prediction of Total Dissolved Solids in Hydroponic System. Proceedings of the 2019 Ahmad Dahlan International Conference Series on Engineering and Science (ADICS-ES 2019), Atlantis Press. Penelitian dari Yogyakarta tentang peramalan kadar nutrisi air hidroponik dengan LSTM.
- Ridwan, M., & Sari, K. M. (2021). Penerapan IoT dalam Sistem Otomatisasi Kontrol Suhu, Kelembaban, dan Tingkat Keasaman Hidroponik. Jurnal Teknik Pertanian Lampung, 10(4), 481-487.
- Wulandari, N. N. R. (2023). Sistem Monitoring dan Kontrol Kandungan Nutrisi dan pH Air pada Tanaman Hidroponik Berbasis IoT. Skripsi, Politeknik Negeri Bali. Penelitian lokal Bali tentang selada hidroponik dengan sensor pH, TDS, dan ESP32.
- Yusuf, N. F. (2022, 31 Januari). PLN Bali dukung pengembangan IoT untuk petani hidroponik di Desa Pelaga. ANTARA News Bali. Kisah petani di Pelaga, Badung, yang mengatur kebun hidroponiknya lewat ponsel dari rumah.
- Mongabay Indonesia. (2019, 28 Juli). Uniknya Kebun Hidroponik Tenaga Surya di Noja Bali. Kebun hidroponik di Denpasar yang memakai panel surya untuk menggerakkan pompa.
- Mongabay Indonesia. (2020, 8 Maret). Kebun Hidroponik di Atap Hotel, Siasat Pasok Pangan di Nusa Penida. Cerita hotel di Nusa Penida yang menanam sayuran hidroponik di atapnya.
