58 155 1 PB PDF
58 155 1 PB PDF
Jurnal Penelitian dan Informasi Pertanian “Agrin”, Vol.11 No. 1, April 2007
Oleh:
E. Sumarni1, Suroso2, A. Margiwiyatno1
1
Jurusan Teknologi Pertanian, Fakultas Pertanian, Unsoed.
2
Departemen Teknik Pertanian, Fakultas Teknologi Pertanian, IPB.
ABSTRAK
Artificial Neural Network (ANN) dapat digunakan sebagai pendugaan output dari suatu input yang tidak
diketahui hubungannya. Tujuan dari penelitian ini adalah training data dengan jaringan ANN untuk
pendugaan hasil tanaman bayam secara hidroponik berdasarkan data parameter tanaman bayam (tinggi
tanaman, jumlah cabang, dan bobot basah total). Data yang diperoleh dari pengukuran dibagi menjadi 2
kelompok yaitu 7 set data digunakan untuk training dan 5 set data digunakan untuk validasi. Validasi
mempertimbangkan nilai Standar Error of Prediction (SEP), Coefisien of Variation (CV), dan perbedaan
antara hasil pengukuran dengan penduga (d). Iterasi sebanyak 30000 kali digunakan dalam training. Hasil
validasi model jaringan syaraf tiruan berupa nilai SEP, CV dan nilai d (bias) yang rendah bagi parameter
tanaman bayam yang digunakan. Model ANN ini dapat digunakan untuk pendugaan hasil tanaman bayam
dengan hidroponik.
ABSTRACT
Artificial Neural Network (ANN) could be used as a tool for predicting output from input which it
relationship with the output is unknown. This research was aimed at training of the network model by using
parameter data of spinach growth (height, branch, leaf, and wet weight) grown in a hydroponics system.
Results of training were then used for predicting the spinach yield. Measurement results were divided into
two groups; 7 set of data was used for training purpose and 5 set data for validation process. Validation of
the prediction results was made by considering low value of Standard Error of Prediction (SEP), Coefficient
of Variation (CV), and difference between actual yield and predicting yield (d). For training purpose, 30000
iterations were applied. Results of validation indicated that the iterations produced low value of the SEP, the
CV, and the d for each used for predicting the yield of spinach grown in hydroponics system.
1
ISSN: 1410-0029
Jurnal Penelitian dan Informasi Pertanian “Agrin”, Vol.11 No. 1, April 2007
peningkatan kualitas pengendalian ling- dapat memperoleh hasil yang lebih akurat,
kungan. Hidroponik adalah budidaya ta- karena mencoba mensimulasikan
naman tanpa menggunakan tanah sebagai kemampuan otak manusia untuk belajar.
media tanamnya (Soeseno, 1998). Kemampuan dasar ANN adalah mampu
Salah satu faktor penting dalam bu- mempelajari contoh input dan outputnya,
didaya tanaman adalah kualitas media kemudian beradaptasi dengan lingkungan
tanam (Biernbawn, 1992; Styer and (Jones, 1995; Challa dan Baker, 1995).
Koranski, 1997; Fonteno et al, 1996). ANN mampu memecahkan masalah-
Sifat fisik media tanam dalam greenhouse masalah yang tidak dapat dipecahkan
dipengaruhi oleh bulk density (Bunt, dengan metode komputasi konvensional
1988;; Hanan et al., 1981), ukuran partikel dan untuk pendugaan hubungan antara
(Puustjarvi dan Robertson, 1975), dan input dan output yang tidak diketahui
volume media (Fonteno, 1988). Nilai EC dengan jelas. Jaringan ini terdiri atas
(Electric Conductivity) yang dianjurkan sejumlah neuron yang memiliki nilai
untuk tanaman bayam adalah 1,4 sampai tertentu untuk menunjukkan seberapa
1,8 mS/cm. Tanaman tomat nilai EC-nya besar koneksi antar neuron yang disebut
2.0 sampai 5.0; tanaman cabai 1.8 sampai dengan pembobot. Pendugaan hasil
2.2; melon 2.0 sampai 2.5 ms/cm (Bunt, dengan ANN sudah dicobakan pada
1988; Devitt dan Morris, 1987; Dole and tanaman ketimun (Tamrin et al., 2005),
Wilkins, 1999; Hofstra dan Wukasch, cabai merah (Subrata et al., 2001), dan
1987; Nelson, 1996; Whipker et al, 2000). kualitas biji kopi (Sofi’i et al., 2005).
Nilai pH untuk tanaman bayam berkisar Tujuan dari penelitian ini adalah
6.0 sampai 7.0 (Cooper, 1979). mengembangkan model untuk menduga hasil
Konduktivitas listrik tanaman (EC) tanaman bayam secara hidroponik dengan
mempengaruhi metabolisme tanaman; menggunakan jaringan syaraf tiruan (ANN).
Model disusun berdasarkan data pertumbuhan
kecepatan fotosintesis, aktivitas enzim,
dan hasil tanaman bayam.
dan potensi penyerapan ion-ion larutan
oleh akar sehingga mempengaruhi
absorbsi (Haryadi, 1994).
METODA PENELITIAN
Penggunaan irigasi drip lebih efisien
karena mampu menjaga kelembaban pada Penelitian dilakukan di rumah plastik
permukaan media tanam dan Laboratorium Genetika Fakultas Pertanian
memaksimalkan hasil (Al-Jamal et al., Unsoed Karangwangkal Purwokerto.
2001) pada tanaman bunga kol (Brassica Waktu penelitian bulan Juli sampai
oleracea L.) (Thompson et al, 2000), Nopember 2005.
bayam, lettuce (Lactuca sativa L.)
(Thompson dan Doerge, 1995) dan A. Pengambilan Data Lapang
watermelon (Citrullus lanatus thumb) Percobaan penanaman bayam
(Pier dan Doerge, 1995). Irigasi drip dilakukan di rumah plastik dengan sistem
mampu mengurangi kehilangan air dan hidroponik. Varietas bayam yang
nutrisi dari media (Clinton et al, 2004). dicobakan Hijau, Merah, Alabama dan
Pendugaan hasil tanaman bayam Lokal. Nilai EC yang diberikan 1 mS/cm
secara hidroponik dapat dilakukan dengan (EC1), 1.5 mS/cm (EC2) dan 2 (EC3)
model jaringan syaraf tiruan (ANN). ANN mS/cm. Sistem irigasi menggunakan
2
ISSN: 1410-0029
Jurnal Penelitian dan Informasi Pertanian “Agrin”, Vol.11 No. 1, April 2007
modifikasi irigasi drip. Penyaluran air training dan validasi ANN. Dari proses
irigasi dengan sistem para yang tersebut didapatkan nilai output yang
memanfaatkan gaya gravitasi. Rancangan berupa tinggi tanaman, jumlah cabang,
yang digunakan adalah RAK (Rancangan jumlah daun dan bobot basah total.
Acak Kelompok) dengan tiga kali Data yang didapatkan dari
ulangan. Percobaan dapat dilihat pada pengukuran dibagi menjadi dua kelompok,
Gambar 1. Parameter tanaman bayam yaitu satu set data proses training dan satu
yang diamati selama pertumbuhan adalah: set data untuk proses validasi jaringan.
tinggi tanaman, jumlah cabang, jumlah Kinerja jaringan ANN dapat dinilai
daun dan bobot basah total tanaman. berdasarkan nilai RMS error (Root Mean
Square Error) pada proses generalisasi
terhadap contoh data input-output baru.
Model ANN untuk pendugaan hasil
tanaman bayam hidroponik dapat dilihat
pada Gambar 2.
3
ISSN: 1410-0029
Jurnal Penelitian dan Informasi Pertanian “Agrin”, Vol.11 No. 1, April 2007
akan mengirim sinyal ke noda pada rule. Perubahan pembobot dari hidden
hidden layer. layer ke output layer sesuai dengan
persamaan:
2. Perhitungan nilai aktivasi W jk k Z j .................................(6)
Setiap noda pada hidden layer dimana
dihitung nilai net inputnya dengan cara
Wjk = perubahan nilai pembobot Wij
penjumlahan seluruh hasil perkalian
= laju pembelajaran
antara noda input (Xi) dengan
pembobotnya (Vij), sebagaimana dalam k = galat output ke k
persamaan berikut: Zj = fungsi sigmoid
n Perubahan pembobot dari hidden layer ke
Z ij X iVij ….................................(1) input layer sesuai dengan persamaan:
i 1
4
ISSN: 1410-0029
Jurnal Penelitian dan Informasi Pertanian “Agrin”, Vol.11 No. 1, April 2007
5
ISSN: 1410-0029
Jurnal Penelitian dan Informasi Pertanian “Agrin”, Vol.11 No. 1, April 2007
Tabel 1. Nilai pengukuran tinggi tanam-an dibawah 5%. Hal ini menunjukkan bahwa
bayam, pendugaan, SEP, d dan ANN III optimal untuk pendugaan jumlah
CV hasil ANN daun bayam secara hidroponik.
Tinggi tanaman (cm)
Pengukuran Pendugaan ANN I Pendugaan ANN II Pendugaan ANN III Tabel 3. Nilai pengukuran jumlah daun
8.50 9.94 9.16 8.98 tanaman bayam, pendugaan,
28.00 27.79 27.98 28.01
13.00 11.75 12.87 13.04 SEP, d dan CV hasil ANN
27.00 22.94 25.35 26.16 Jumlah daun
Pengukuran Pendugaan ANN I Pendugaan ANN II Pendugaan ANN III
28.00 28.49 28.49 28.22
17.20 16.48 17.16 17.34
SEP 5.09744 0.85436 0.24781
23.90 23.51 23.95 23.99
d 0.89679 0.16172 0.02254 22.00 21.54 22.07 21.86
CV (%) 24.3896 4.08783 1.18590 27.20 26.34 27.34 27.27
24.00 23.72 23.20 23.19
SEP 0.42722 0.16845 0.27600
d 0.67999 0.14314 0.03840
Tabel 2. Validasi model jumlah cabang CV (%) 1.86884 0.73686 1.20729
tanaman bayam dengan ANN III didapat
nilai SEP, d dan CV yang paling sesuai. 4. Bobot Basah Total
Hal ini karena nilai SEP rendah, biasnya
mendekati nol dan CV dibawah 5%. Jadi Tabel 4 adalah hasil training dan
model ANN III sesuai untuk pendugaan validasi pendugaan bobot basah total
karakter jummlah cabang tanaman bayam tanaman bayam dengan model ANN I, II
secara hidroponik. dan III. Validasi dilakukan terhadap data
yang tidak digunakan dalam training.
Tabel 2. Nilai pengukuran jumlah cabang Berdasarkan nilai SEP, d, dan CV
tanaman bayam, pendugaan, nampaknya model ANN III yang sesuai.
SEP, d dan CV hasil ANN Dari validasi model ini, bobot basah total
Jumlah cabang tanaman bayam didapat nilai d mendekati
Pengukuran Pendugaan ANN I Pendugaan ANN II Pendugaan ANN III nol dan CV yang rendah (dibawah 5%).
3.30 2.55 3.22 3.31 Hal ini menunjukkan kondisi iterasi ini
2.30 2.19 2.22 2.22
2.60 2.71 2.67 2.59
yang paling optimal untuk pendugaan
3.10 2.90 2.98 3.01 tinggi tanaman bobot basah total bayam
2.10 2.14 2.08 2.08 secara hidroponik. Nilai yang demikian
SEP 0.15711 0.00876 0.00824
d 0.22716 0.06000 0.01101
tergolong yang sesuai untuk pendugaan
CV (%) 5.86223 0.32695 0.30730
Tabel 4. Nilai pengukuran bobot basah total
3. Jumlah Daun (g) tanaman bayam, pendu-gaan,
SEP, d dan CV hasil ANN
Tabel 3 menunjukkan bahwa Bobot basah total (g)
Pengukuran Pendugaan ANN I Pendugaan ANN II Pendugaan ANN III
validasi model jumlah daun tanaman
14.50 16.20 15.12 14.91
bayam dengan ANN II dan III mempunyai 65.80 63.42 64.31 64.47
nilai SEP, d dan CV yang sesuai. Nilai 37.00 33.27 36.63 37.36
pendugaan jumlah daun bayam ini 60.10 55.03 58.67 59.76
66.50 68.35 66.89 66.68
mendekati nilai hasil pengukuran yaitu SEP 12.89883 1.23333 0.55511
ANN III, walaupun CV lebih tinggi dari d 1.90927 0.56586 0.17848
ANN II, tetapi nilai tersebut masih CV (%) 26.44287 2.52835 1.13799
6
ISSN: 1410-0029
Jurnal Penelitian dan Informasi Pertanian “Agrin”, Vol.11 No. 1, April 2007
suatu nilai pengukuran (Marten dan Naes, Biernbaum, J.A., 1992. Root zone
1996). Jadi model ANN III (iterasi management of greenhouse
30000) ini secara umum sesuai untuk container-grown crops to control
pendugaan hasil tanaman bayam secara water and fertilizer use. Hort.
hidroponik. Pendugaan pertumbuhan Technology 2(1):127-132.
ketimun dengan ANN telah dilakukan Bunt, A.C. 1988. Media and Mixes for
pada iterasi 15000 (Tamrin et al., 2005), Container-Grown Plants. 2 nd Ed.
dan iterasi 40000 pada pemilihan biji kopi Unwin Hymnan Ltd., London.
(Sofi’i et al., 2005).
Calla H., and Bakker, J.C. 1995. Crop
Growth, Greenhouse Climate
KESIMPULAN Control. Wageningen Pers.,
Wageningen.
Dari hasil dan pembahasan dapat Clinton, C.S., Erik, B.G.F., and Lamont,
disimpulkan bahwa model pendugaan D.S. 2004. Plant population and
tanaman bayam secara hidroponik dengan nitrogen fertilization for subsurface
ANN pada iterasi 30000 (ANN III) drip-irigation onion. Hort Sci.:
diperoleh nilai pendugaan terbaik dengan 39(7):1722-1727.
nilai SEP, bias dan CV yang terendah dari
pendugaan ANN I dan II. Model ANN ini Cooper, A.J. 1979. The ABC of NFT.
sesuai untuk menduga tinggi tanaman, London: Grower Books.
jumlah cabang, jumlah daun, dan bobot
basah total tanaman bayam secara Devitt, D.A., and R.L. Morris. 1987.
hidroponik. Morphological response of flowering
annuals to salinity. J. Amer. Soc.
Hort. Sci. (112): 951 – 955.
UCAPAN TERIMA KASIH Dole, J., and H. Wilkins. 1999.
Floriculture Principles and Species.
Peneliti menyampaikan terima kasih Upper Saddle River, N.J. Prentice
kepada DP3M Direktorat Jenderal Hall.
Pendidikan Tinggi (DIKTI) Departemen
Pendidikan Nasional atas bantuan dana Fonteno, W.C. 1988. Know your media,
untuk melaksanakan penelitian ini. the air, water, and container
connection. Grower Talks 51(11):
110-111.
DAFTAR PUSTAKA
Fonteno, W.C., P.V. Nelson, and D. A.
Bailey. 1996. Plug Substrates; In
Al-Jamal, M.S., S. Ball, and T.W.
Sammis. 2001. Comparison of Search of the Perfect Mix. The
sprinkler, trickle and furrow Systems Approach to Growing
irrigation efficiencies for union Plugs: Water Substrate, and
production. Agr. Water Mgt. (46): Nutrition. NCSU plug research and
256-266. information center, N.C. State Univ.
7
ISSN: 1410-0029
Jurnal Penelitian dan Informasi Pertanian “Agrin”, Vol.11 No. 1, April 2007
Fu, G. 1994. Falsafah Dasar: Sistem Puustjarvi V. and R.A. Robertson. 1975.
Pengendalian Proses. PT. Elex Physical and chemical properties,p.
Media Komputindo. Jakarta. 23-38. In: D.W. Robinson and
J.G.D. Lamb (Eds). Peat in
Hanan, J.J., C. Olympios, and C.Pittas. Horticulture. Academic Press,
1981. Bulk density, porosity, London.
percolation and salinity control in
shallow, freely draining, potting Soeseno, S. 1998. Bercocok Tanam Secara
soils. J. Amer. Soc.Hort. Sci. (106): Hidroponik. Gramedia. Jakarta.
742-746. Sofi’i, I., I.W. Astika, dan Suroso. 2005.
Haryadi, S.S. 1994. Pengantar Agronomi. Penentuan jenis cacat biji kopi
PT. Gramedia. Jakarta. dengan pengolahan citra dan
Artificial Neural Network (ANN).
Jones, J.W. 1995. Crop growth, Jurnal Keteknikan Pertanian. 19(2):
development, and production 99-108.
modeling. Proceedings on Styer, R.C. and D. Koranski. 1997. Plug
Automated Agriculture for the 21 st and Transplant Production. A
Century. 16-17 December Chicago Grower’s Guide. Ball Publishing,
Illinois: 447-457. Batavia, III.
Hofstra, G., and R. Wukasch. 1987. Are Subrata, I.D.M., Suroso, dan Dwinanto.
you pickling your pansies? 2001. Penerapan teknologi image
Greenhouse Grower. Sept: 14-17. processing dan Artificial Neural
Network untuk menduga
Martens, H., and T.Naes. 1996.
ketersediaan air dan nutrisi pada
Multivariate Calibration. Biddes ltd,
pertumbuhan cabai merah. Jurnal
Guidaford and King’s Lynm.
Keteknikan Pertanian. 15(2): 80-88.
Britanian.
Tamrin, K.B., Seminar, H. Suhardiyanto,
Nelson, P.V. 1996. Macronutrient dan S. Hardjoamidjodjo. 2005.
fertilizer programs, pp. 141 – 170. Model jaringan syaraf tiruan untuk
In: D.W. Reed. Water, Media, and pertumbuhan tanaman ketimun mini
Nutrient for Greenhouse Crops. (Cucumis sativus L. var Marla) pada
Batavia, IL: Ball Publ. vase vegetatif. Jurnal Keteknikan
Nelson, P.V. 2003. Greenhouse Operation Pertanian. 19(1): 1-10.
and Management. Department of Thompson, T.L. and T.A. Doerge. 1995.
Horticultural Science, North Nitrogen and water rates for
Carolina State University. Pearson subsurface trickle-irrigated romain
Education Inc., Upper Saddle River, lettuce. Hort. Sci.: 30: 1233-1237.
New Jersey.
Thompson, T.L., T.A.Doerge, and R.E.
Pier, J.W. and T.A. Doerge. 1995. Godin. 2000. Nitrogen and water
Nitrogen and water interaction in interactions in subsurface drip
trickle-irrigated watermelon. Soil irrigated cauliflower: II. Agronomic,
Sci. Soc. Amer. J. (59): 145 – 150. economic, and environmental
8
ISSN: 1410-0029
Jurnal Penelitian dan Informasi Pertanian “Agrin”, Vol.11 No. 1, April 2007