Nama : Roliannisa

Nim : 145100601111029
Kelas : H/TBP 14
Tugas : Meresume jurnal tentang ANN

PENDUGAAN HASIL TANAMAN BAYAM (AmaranthustricolorL.) SECARA

HIDROPONIK DENGAN JARINGAN SYARAF TIRUAN (ANN)
Spinachs Yield Prediction Grown in a Hydroponics System Using Artificial Neural Network
PENDAHULUAN
Tujuan produksi di dalam greenhouse adalah diperoleh produk yang bermutu, sehat, dan
dapat meningkatkan pendapatan petani. Hal ini dapat dicapai dengan mengkombinasikan
tingkat produksi dan kualitas
yang
tinggi melalui peningkatan kualitas pengendalian
lingkungan. Hidroponik adalah budidaya tanaman tanpa menggunakan tanah sebagai media
tanamnya. Factor penting dalam budidaya tanaman adalah kualitas media tanam sifat fisik
media tanam dalam greenhouse dipengaruhi oleh bulk density, ukuran partikel dan media
tanam. Nilai EC (Electric Conductivity) yang dianjurkan untuk tanaman bayam adalah 1,4
sampai 1,8 mS/cm. Nilai pH untuk tanaman bayam berkisar 6.0 sampai7.0. Konduktivitas
listrik tanaman (EC) mempengaruhi metabolisme tanaman, kecepatanfotosintesis,
aktivitasenzim, dan potensi penyerapan ion-ion larutan oleh akar sehingga mempengaruhi
absorbsi. Pendugaan hasil tanaman bayam secara hidroponik dapat dilakukan dengan model
jaringan syaraf tiruan (ANN). Kemampuan dasar ANN adalah mampumempelajari contoh
input dan outputnya, kemudian beradaptasi dengan lingkungan. Tujuan dari penelitian ini
adalah mengembangkan model untuk menduga hasil tanaman bayam secara hidroponik
dengan menggunakan jaringan syaraf tiruan (ANN). Model disusun berdasarkan data
pertumbuhan dan hasil tanaman bayam.
METODE PENELITIAN
Penelitian dilakukan di rumah plastic Laboratorium Genetika Fakultas Pertanian Unsoed
Karangwangkal Purwokerto. Waktu penelitian bulan Juli sampai Nopember 2005.
A. Pengambilan Data Lapang
Percobaan penanaman bayam dilakukan dirumah plastic dengan system hidroponik.
Varietas bayam yang dicobakan Hijau, Merah, Alabama dan Lokal. Nilai EC yang
diberikan 1 mS/cm (EC1), 1.5 mS/cm (EC2) dan 2 mS/cm(EC3). Sistem irigasi
menggunakan modifikasi irigasi drip. Penyaluran air irigasi dengan system para yang
memanfaatkan gaya gravitasi. Rancangan yang digunakan adalah RAK (Rancangan
Acak Kelompok)
dengan tiga
kali pengulangan. Parameter tanaman bayam yang
diamati selama pertumbuhan adalah: tinggi tanaman, jumlah cabang, jumlah daun dan
bobot basah total tanaman.
B. Penyusunan Model Jaringan Syaraf Tiruan untuk Pendugaan Hasil Tanaman
Bayam Secara Hidroponik
Program
ANN
untuk menduga hasil pertumbuhan tanaman bayam dari perlakuan
EC
dan varietas dengan algoritma back propagation,
memakai bahasa
pemrograman Visual Basic6.0. Model ANN yang digunakan terdiri atas tiga layer
yaitu input layer, hidden layer, dan output layer. Data perlakuan EC dan varietas

digunakan dalam proses training dan validasi ANN. Dari proses tersebut didapatkan
nilai output yang berupa tinggi tanaman, jumlah cabang, jumlah daun dan bobot
basah total. Kinerja jaringan ANN dapat dinilai berdasarkan nilai RMS error (Root
Mean Square Error) pada proses generalisasi terhadap contoh data input-output
baru. Algoritma back propagation terdiri atas beberapa langkah, yaitu inisialisasi
pembobot (weight), perhitungan nilai aktivasi, perbaikan nilai pembobot (weight) dan
pengulangan (iterasi).Iterasi
yang
dicoba
10000 (pendugaan ANN I), 20000
(pendugaan ANN II) dan 30000 (pendugaan ANN III) untuk penduga nilai parameter
hasil bayam secara hidroponik.
1. Inisialisasi Pembobot (weight)
Pembobot dipilih secara acak, kemudian setiap sinyal input diberikan kedalam noda
pada input layer, lalu system akan mengirim sinyal ke noda pada hidden layer.
2. Perhitungan Nilai Aktivasi
Setiap noda pada hidden
layer dihitung nilai net inputnya dengan cara
penjumlahan seluruh hasil perkalian antara noda input (Xi) dengan pembobotnya
(Vij), sebagaimana dalam persamaan berikut:

Apabila setiap noda pada lapisan ini telah menerima nilai net input, langkah
selanjutnya adalah memasukan nilai net input pada setiap noda kedalam fungsi
aktivasi (fungsi sigmoid) berikut:

3. Perbaikan Nilai Pembobot

Nilai output dari setiap noda pada output
layer hasil perhitungan pada jaringan
dibandingkan dengan nilai target yang diberikan dengan persamaan jumlah kuadrat
galat, seperti dalam persamaan:

Pada setiap lapisan dilakukan perubahan pembobot dengan aturan delta rule.
Perubahan pembobot dari hidden layer ke output layer sesuai dengan persamaan:

Perubahan pembobot dari hidden layer ke input layer sesuai dengan persamaan:
Nilai perbaikan pembobot dapat dibuat dalam persamaan berikut:

Nilai laju pembelajaran dipilih antara 0-0.9. Laju pembelajaran penentu kecepatan
pelatihan sampai system tercapai pada keadaan optimal, jika nilainya besar akan
membuat jaringan melompati nilai minimum lokalnya dan akan berosilasi sehingga
tidak mencapai konvergensi. Perubahan nilai pembobot setelah dilakukan
penambahan konstanta momentum sesuai dengan persamaan berikut:

4. Pengulangan (Iterasi)
Keseluruhan proses diatas dilakukan pada setiap contoh dan dicoba 10000, 20000
serta 30000 iterasi. Kinerja jaringan dapat dinilai berdasarkan RMSE (RootMean
Square Error) pada proses generalisasi terhadap contoh data input-output baru,
nilai RMSE sesuai dengan persamaan berikut:

C. Validasi Model
Kriteria yang digunakan dalam validasi adalah standar
error (SEP), bias (d) dan
koefisien variasi (CV). Kriteria model dapat dihitung dengan persamaan berikut :

HASIL DAN PEMBAHASAN

Data tersebut dibagi menjadi dua, yaitu 7 set data untuk proses training dan 5 set data untuk
proses validasi. Hasil training dengan iterasi sebanyak 10000, 20000, dan 30000
diperoleh RMSE berturut-turut sebesar 3.19x10-03, 2.45x10-03, dan 2.21x10-03 serta nilai
pembobot. Nilai pembobot yang dihasilkan jaringan pada saat nilai error tersebut digunakan
untuk pendugaan tinggi tanaman, jumlah cabang, jumlah daun dan bobot basah total
tanaman bayam secara hidroponik.
1. Tinggi Tanaman
Validasi model dilakukan dengan parameter standard error of prediction (SEP), bias
(d) dan coefficient of variation(CV). Model pendugaan ANN III yang terbaik yaitu pada
iterasi 30000 dengan nilai validasi tinggi tanaman di bawah 4.0 dan nilai bias mendekati
nol.

2. Jumlah Cabang
Validasi model jumlah cabang tanaman bayam dengan ANN III didapat nilai SEP, d
dan CV yang paling sesuai. Hal ini karena nilai SEP rendah, biasnya mendekati
nol dan CV dibawah 5%. Jadi model ANN III sesuai untuk pendugaan karakter
jumlah cabang tanaman bayam secara hidroponik.

3. Jumlah Daun
Nilai pendugaan jumlah daun bayam ini mendekati nilai hasil pengukuran yaituANN III,
walaupun CV lebih tinggi dari ANN II, tetapi nilai tersebut masih di bawah 5%. Hal
ini menunjukkan bahwa ANN III optimal untuk pendugaan jumlah daun bayam secara
hidroponik.

4. Bobot Basah Total

Berdasarkan nilai SEP, d, dan CV nampaknya model ANN III yang sesuai.
Dari validasi model ini, bobot basah total tanaman bayam didapat nilai d mendekati
nol dan CV yang rendah (dibawah 5%). Hal ini menunjukkan kondisi iterasi ini yang
paling optimal untuk pendugaan tinggi tanaman bobot basah total bayam secara
hidroponik.

KESIMPULAN
Dari hasil dan pembahasan dapat disimpulkan bahwa model pendugaan tanaman bayam
secara hidroponik dengan ANN pada iterasi 30000 (ANN III) diperoleh nilai pendugaan
terbaik dengan nilai SEP, bias dan CV yang terendah dari pendugaan ANN I dan II. Model ANN
ini sesuai untuk menduga tinggi tanaman, jumlah cabang, jumlah daun, dan bobot basah
total tanaman bayam secara hidroponik.