Skema Aplikasi Resolving Dominating Set pada Prediksi Waktu Panen Bunga Matahari dengan Spatio-Temporal Graph Neural Network

Abstract

Bunga matahari (Helianthus annuus L.) merupakan komoditas florikultura yang memiliki berbagai manfaat dan nilai ekonomi. Kualitas bunga matahari dipengaruhi oleh ketepatan waktu panen, sedangkan penentuannya masih banyak bergantung pada pengamatan manual dan pengalaman petani. Oleh karena itu, diperlukan pendekatan berbasis data yang mampu menganalisis perkembangan tanaman sebagai dasar dalam mengestimasi waktu panen. Penelitian ini mengintegrasikan teori graf dan kecerdasan buatan melalui konsep Resolving Dominating Set (RDS) dan Spatio-Temporal Graph Neural Network (STGNN). RDS merupakan himpunan titik yang sekaligus memenuhi sifat dominating set dan resolving set, dengan kardinalitas minimum yang disebut resolving domination number dan dinotasikan dengan γr(G). Penelitian ini bertujuan menentukan RDS pada graf Circular Ladder Triangle (CLTm) dan Circular Ladder Flower (CLFm), serta menyusun skema penerapannya pada prediksi perkembangan morfologi bunga matahari menggunakan STGNN. Penelitian ini merupakan penelitian eksploratif dan terapan dengan menggunakan metode deduktif aksiomatik, pengenalan pola, dan aplikatif. Metode deduktif aksiomatik dan pengenalan pola digunakan untuk menentukan dominating number, dimensi metrik, serta resolving domination number pada kedua graf. Metode aplikatif digunakan untuk mengintegrasikan struktur graf dengan data perkembangan morfologi tanaman dalam model STGNN. Hasil analisis menunjukkan bahwa γr(CLTm) = m dan γr(CLFm) = m untuk m ≥ 3. Skema penerapan menggunakan graf CLT3 yang terdiri atas sembilan titik dan 15 sisi. Himpunan titik representatif yang diperoleh adalah W = {v4, v5, v6}. Ketiga titik tersebut digunakan sebagai titik dominator dan menjadi fokus dalam penyajian hasil prediksi. Simulasi dilakukan menggunakan Python pada Google Colaboratory dengan data perkembangan sembilan tanaman bunga matahari selama 118 hari. Data terdiri atas diameter bunga, diameter bunga tabung, dan panjang bunga pita dengan bentuk dataset (118, 9, 3). Data temporal dibentuk menggunakan metode sliding window dengan lag tiga hari sehingga menghasilkan data fitur berukuran (115, 9, 3, 3) dan data target berukuran (115, 9, 3). Data kemudian dibagi menjadi 60% data pelatihan dan 40% data pengujian. Model STGNN menggunakan arsitektur Temporal Graph Convolutional Network (TGCN) dengan tiga fitur masukan, 32 hidden channels, tiga periode rekuren, fungsi aktivasi ReLU, dan lapisan linear. Model dilatih selama 200 epoch menggunakan optimizer Adam dengan learning rate sebesar 0,01. Berdasarkan evaluasi terhadap seluruh snapshot pada objek loader, diperoleh nilai Mean Squared Error sebesar 0,0009. Prediksi dilakukan selama 14 hari menggunakan metode recursive multi-step forecasting. Hasil prediksi sebelumnya digunakan kembali sebagai masukan pada tahap berikutnya serta diproses menggunakan operasi maksimum dan smoothing. Proses tersebut menghasilkan kurva prediksi diameter bunga, diameter bunga tabung, dan panjang bunga pita yang digunakan untuk menganalisis kecenderungan perkembangan tanaman sebagai dasar dalam mengestimasi waktu panen. Program belum menghasilkan waktu panen secara langsung dalam bentuk hari atau tanggal tertentu. Konsep RDS digunakan sebagai dasar penyusunan skema konseptual penempatan sensor pada titik representatif. Namun, proses pelatihan dan prediksi masih menggunakan data lengkap dari seluruh sembilan tanaman. Secara keseluruhan, penelitian ini menghasilkan kajian teoritis RDS pada graf CLTm dan CLFm, serta skema integrasi RDS dan STGNN untuk mendukung estimasi waktu panen bunga matahari berdasarkan perkembangan morfologi tanaman.