ISSN: 1410-0029

Jurnal Penelitian dan Informasi Pertanian “Agrin”, Vol.11 No. 1, April 2007

PENDUGAAN HASIL TANAMAN BAYAM (Amaranthus tricolor L.) SECARA

HIDROPONIK DENGAN JARINGAN SYARAF TIRUAN (ANN)

Spinach’s Yield Prediction Grown in a Hydroponics System Using Artificial Neural

Network

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.

Kata kunci : ANN, bayam, EC, hidroponik, iterasi

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.

Keywords: ANN, spinach, EC, hydroponics, iteration

PENDAHULUAN Salah satu tujuan produksi di dalam

Budidaya secara hidoponik telah
dilakukan untuk pemeliharaan tanaman
yang terkontrol di dalam greenhouse
(Devitt dan Mooriss, 1987; Nelson, 2003).
greenhouse adalah diperoleh produk yang
bermutu, sehat, dan dapat meningkatkan
pendapatan petani. Hal ini dapat dicapai
dengan mengkombinasikan tingkat pro-
duksi dan kualitas yang tinggi melalui

1
ISSN: 1410-0029
Jurnal Penelitian dan Informasi Pertanian “Agrin”, Vol.11 No. 1, April 2007
peningkatan kualitas pengendalian ling-
kungan. Hidroponik adalah budidaya ta-
naman tanpa menggunakan tanah sebagai
media tanamnya (Soeseno, 1998).
Salah satu faktor penting dalam bu-
didaya tanaman adalah kualitas media
tanam (Biernbawn, 1992; Styer and
Koranski, 1997; Fonteno et al, 1996).
Sifat fisik media tanam dalam greenhouse
dipengaruhi oleh bulk density (Bunt,
1988;; Hanan et al., 1981), ukuran partikel
(Puustjarvi dan Robertson, 1975), dan
volume media (Fonteno, 1988). Nilai EC
(Electric Conductivity) yang dianjurkan
untuk tanaman bayam adalah 1,4 sampai
1,8 mS/cm. Tanaman tomat nilai EC-nya
2.0 sampai 5.0; tanaman cabai 1.8 sampai
2.2; melon 2.0 sampai 2.5 ms/cm (Bunt,
1988; Devitt dan Morris, 1987; Dole and
Wilkins, 1999; Hofstra dan Wukasch,
1987; Nelson, 1996; Whipker et al, 2000).
Nilai pH untuk tanaman bayam berkisar
6.0 sampai 7.0 (Cooper, 1979).
Konduktivitas listrik tanaman (EC)
mempengaruhi metabolisme tanaman;
kecepatan fotosintesis, aktivitas enzim,
dan potensi penyerapan ion-ion larutan
oleh akar sehingga mempengaruhi
absorbsi (Haryadi, 1994).
Penggunaan irigasi drip lebih efisien
karena mampu menjaga kelembaban pada
permukaan media tanam dan
memaksimalkan hasil (Al-Jamal et al.,
2001) pada tanaman bunga kol (Brassica
oleracea L.) (Thompson et al, 2000),
bayam, lettuce (Lactuca sativa L.)
(Thompson dan Doerge, 1995) dan
watermelon (Citrullus lanatus thumb)
(Pier dan Doerge, 1995). Irigasi drip
mampu mengurangi kehilangan air dan
nutrisi dari media (Clinton et al, 2004).
Pendugaan hasil tanaman bayam
secara hidroponik dapat dilakukan dengan
model jaringan syaraf tiruan (ANN). ANN
2
dapat memperoleh hasil yang lebih akurat,
karena mencoba mensimulasikan
kemampuan otak manusia untuk belajar.
Kemampuan dasar ANN adalah mampu
mempelajari contoh input dan outputnya,
kemudian beradaptasi dengan lingkungan
(Jones, 1995; Challa dan Baker, 1995).
ANN mampu memecahkan masalah-
masalah yang tidak dapat dipecahkan
dengan metode komputasi konvensional
dan untuk pendugaan hubungan antara
input dan output yang tidak diketahui
dengan jelas. Jaringan ini terdiri atas
sejumlah neuron yang memiliki nilai
tertentu untuk menunjukkan seberapa
besar koneksi antar neuron yang disebut
dengan pembobot. Pendugaan hasil
dengan ANN sudah dicobakan pada
tanaman ketimun (Tamrin et al., 2005),
cabai merah (Subrata et al., 2001), dan
kualitas biji kopi (Sofi’i et al., 2005).
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.
METODA PENELITIAN
Penelitian dilakukan di rumah plastik
Laboratorium Genetika Fakultas Pertanian
Unsoed Karangwangkal Purwokerto.
Waktu penelitian bulan Juli sampai
Nopember 2005.
A. Pengambilan Data Lapang
Percobaan penanaman bayam
dilakukan di rumah plastik dengan sistem
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 (EC3)
mS/cm. Sistem irigasi menggunakan

Jurnal Penelitian dan Informasi Pertanian “Agrin”, Vol.11 No. 1, April 2007
modifikasi irigasi drip. Penyaluran air
irigasi dengan sistem para yang
memanfaatkan gaya gravitasi. Rancangan
yang digunakan adalah RAK (Rancangan
Acak Kelompok) dengan tiga kali
ulangan. Percobaan dapat dilihat pada
Gambar 1. Parameter tanaman bayam
yang diamati selama pertumbuhan adalah:
tinggi tanaman, jumlah cabang, jumlah
daun dan bobot basah total tanaman.
Gambar 1. Budidaya bayam secara
hidroponik dengan irigasi drip
sistem para
B. Penyusunan Model Jaringan Syaraf
Tiruan untuk Pendugaan Hasil
Tanaman Bayam Secara Hidroponik.
Parameter pertumbuhan tanaman
dan hasil empat varietas bayam (tinggi
tanaman, jumlah cabang, jumlah daun dan
bobot total tanaman) dikontrol EC untuk
mencari hubungan yang jelas antara
faktor-faktor tersebut dengan ANN.
Program ANN untuk menduga hasil
pertumbuhan tanaman bayam dari
perlakuan EC dan varietas dengan
algoritma backpropagation, memakai
bahasa pemrograman Visual Basic 6.0.
Model ANN yang digunakan terdiri
atas tiga layer yaitu input layer, hidden
layer, dan output layer. Data perlakuan
EC dan varietas digunakan dalam proses
ISSN: 1410-0029
training dan validasi ANN. Dari proses
tersebut didapatkan nilai output yang
berupa tinggi tanaman, jumlah cabang,
jumlah daun dan bobot basah total.
Data yang didapatkan dari
pengukuran dibagi menjadi dua kelompok,
yaitu satu set data proses training dan satu
set data untuk proses validasi jaringan.
Kinerja jaringan ANN dapat dinilai
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.
Gambar 2. Model ANN untuk Menduga
Hasil Bayam Secara Hidroponik
Algoritma backpropagation terdiri
atas beberapa langkah, yaitu inisialisasi
pembobot (weight), perhitungan nilai
aktivasi, perbaikan nilai pembobot
(weight) dan pengulangan (iterasi) (Fu,
1994). 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 ke
dalam noda pada input layer, lalu sistem
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

Apabila setiap noda pada lapisan ini Vij   j X i .......................................(7)

telah menerima nilai net input, langkah Nilai perbaikan pembobot dapat dibuat
selanjutnya adalah memasukan nilai net dalam persamaan berikut:
input pada setiap noda ke dalam fungsi
aktivasi (fungsi sigmoid) berikut: Wjk (baru) = Wjk (lama) + Wjk ..........(8)
1
f Z ij    ( z )
........................(2) Vij (baru) = Vij (lama) + Vij .............(9)
1  exp ij Nilai laju pembelajaran dipilih antara
dengan : konstanta fungsi sigmoid 0-0.9. Laju pembelajaran penentu
Z j  f ( Z ij ) ......................................(3) kecepatan pelatihan sampai sistem tercapai
1 pada keadaan optimal, jika nilainya besar
Yk  …...................(4) akan membuat jaringan melompati nilai
1  exp
 (  Z ijW jk )
minimum lokalnya dan akan berosilasi
3. Perbaikan nilai pembobot sehingga tidak mencapai konvergensi.
Perubahan nilai pembobot setelah
Nilai output dari setiap noda pada dilakukan penambahan konstanta
output layer hasil perhitungan pada momentum sesuai dengan persamaan
jaringan dibandingkan dengan nilai target berikut:
yang diberikan dengan persamaan jumlah
kuadrat galat, seperti dalam persamaan: Wij (baru)= Zj + Wjk (lama)
........(10)
1 in
E  Tk  Yk 2 …....................(5) Vij (baru)= jXi + Vjk (lama)
2 k
.........(11)
dengan
dengan  adalah konstanta momentum.
Tk = nilai target yang diberikan dalam
training ANN 4. Pengulangan (iterasi)
Yk = output dari hasil perhitungan pada Keseluruhan proses di atas
jaringan dilakukan pada setiap contoh dan dicoba
Pada setiap lapisan dilakukan 10000, 20000 serta 30000 iterasi. Pada
perubahan pembobot dengan aturan delta iterasi 10000 merupakan model ANN

4
 ISSN: 1410-0029
Jurnal Penelitian dan Informasi Pertanian “Agrin”, Vol.11 No. 1, April 2007

pendugaan I, 20000 adalah model HASIL DAN PEMBAHASAN

pendugaan II dan 30000 untuk model
ANN pendugaan III. Iterasi tersebut Data pengukuran dari tiga ulangan
meliputi pemberian contoh pasangan input dirata-ratakan. Selanjutnya data tersebut
dan output, perhitungan nilai aktivasi dan dibagi menjadi dua, yaitu 7 set data untuk
perubahan nilai pembobot (weight). proses training dan 5 set data untuk proses
Kinerja jaringan dapat dinilai berdasarkan validasi. Hasil training dengan iterasi
RMSE (Root Mean Square Error) pada sebanyak 10000, 20000, dan 30000
proses generalisasi terhadap contoh data diperoleh RMSE berturut-turut sebesar
input-output baru, nilai RMSE sesuai 3.19x10 -03, 2.45x10 -03, dan 2.21x10-03
dengan persamaan berikut (Fu, 1994): serta nilai pembobot. Pada tanaman cabai
merah, dengan ANN diperoleh nilai
 Yk  Tk 
2
RMSE  / n .............(12) RMSE sebesar 1.33093x10-2 (Subrata, et
al., 2001). Nilai pembobot yang
dimana: dihasilkan jaringan pada saat nilai error
Yk = nilai pendugaan jaringan tersebut digunakan untuk pendugaan
Tk = nilai target yang diberikan pada tinggi tanaman, jumlah cabang, jumlah
jaringan daun dan bobot basah total tanaman
n = jumlah data pada set validasi bayam secara hidroponik.
C. Validasi Model 1. Tinggi Tanaman
Model yang sudah dikembangkan Hasil training dan validasi
kemudian divalidasi dengan data yang pendugaan tinggi tanaman bayam dengan
berbeda dengan data training. Kriteria ANN I (iterasi 10000), ANN II (iterasi
yang digunakan dalam validasi adalah 20000) dan ANN III (iterasi 30000)
standar error (SEP), bias (d) dan disajikan pada Tabel 1. Validasi dilakukan
koefisien variasi (CV) (Marten dan Naes, terhadap data yang tidak digunakan dalam
1996). Kriteria model dapat dihitung training. Validasi model dilakukan dengan
dengan persamaan berikut: parameter standard error of prediction
n ( ya  y p )2 (SEP), bias (d) dan coefficient of variation
SEP   .....................(13) (CV). Validasi model tinggi tanaman
i 1 n 1 dengan ANN I, II, dan III menunjukkan
n bahwa model pendugaan ANN III yang
 (y
i 1
a  yp) terbaik. Mengingat dari validasi model
d ..........................(14) tinggi tanaman ini didapat nilai dibawah
n 4.0 dan nilai bias mendekati nol (Marten
SEP dan Naes, 1996). Hal ini menunjukkan
CV  
x100% .........................(15) ANN III paling optimal untuk pendugaan
ya tinggi tanaman bayam secara hidroponik.
Keterangan: 2. Jumlah Cabang
ya = hasil pendugaan ANN Hasil training dan validasi
y p = data percobaan pendugaan jumlah cabang tanaman bayam
ŷa = rata-rata data percobaan dengan ANN I sampai III disajikan pada

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

Jurnal Penelitian dan Informasi Pertanian “Agrin”, Vol.11 No. 1, April 2007
suatu nilai pengukuran (Marten dan Naes,
1996). Jadi model ANN III (iterasi
30000) ini secara umum sesuai untuk
pendugaan hasil tanaman bayam secara
hidroponik. Pendugaan pertumbuhan
ketimun dengan ANN telah dilakukan
pada iterasi 15000 (Tamrin et al., 2005),
dan iterasi 40000 pada pemilihan biji kopi
(Sofi’i et al., 2005).
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.
UCAPAN TERIMA KASIH
Peneliti menyampaikan terima kasih
kepada DP3M Direktorat Jenderal
Pendidikan Tinggi (DIKTI) Departemen
Pendidikan Nasional atas bantuan dana
untuk melaksanakan penelitian ini.
DAFTAR PUSTAKA
Al-Jamal, M.S., S. Ball, and T.W.
Sammis. 2001. Comparison of
sprinkler, trickle and furrow
irrigation efficiencies for union
production. Agr. Water Mgt. (46):
256-266.
ISSN: 1410-0029
Biernbaum, J.A., 1992. Root zone
management of greenhouse
container-grown crops to control
water and fertilizer use. Hort.
Technology 2(1):127-132.
Bunt, A.C. 1988. Media and Mixes for
Container-Grown Plants. 2 nd Ed.
Unwin Hymnan Ltd., London.
Calla H., and Bakker, J.C. 1995. Crop
Growth, Greenhouse Climate
Control. Wageningen Pers.,
Wageningen.
Clinton, C.S., Erik, B.G.F., and Lamont,
D.S. 2004. Plant population and
nitrogen fertilization for subsurface
drip-irigation onion. Hort Sci.:
39(7):1722-1727.
Cooper, A.J. 1979. The ABC of NFT.
London: Grower Books.
Devitt, D.A., and R.L. Morris. 1987.
Morphological response of flowering
annuals to salinity. J. Amer. Soc.
Hort. Sci. (112): 951 – 955.
Dole, J., and H. Wilkins. 1999.
Floriculture Principles and Species.
Upper Saddle River, N.J. Prentice
Hall.
Fonteno, W.C. 1988. Know your media,
the air, water, and container
connection. Grower Talks 51(11):
110-111.
Fonteno, W.C., P.V. Nelson, and D. A.
Bailey. 1996. Plug Substrates; In
Search of the Perfect Mix. The
Systems Approach to Growing
Plugs: Water Substrate, and
Nutrition. NCSU plug research and
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
Pengendalian Proses. PT. Elex
Media Komputindo. Jakarta.
Hanan, J.J., C. Olympios, and C.Pittas.
1981. Bulk density, porosity,
percolation and salinity control in
shallow, freely draining, potting
soils. J. Amer. Soc.Hort. Sci. (106):
742-746.
Haryadi, S.S. 1994. Pengantar Agronomi.
PT. Gramedia. Jakarta.
Jones, J.W. 1995. Crop growth,
development, and production
modeling. Proceedings on
Automated Agriculture for the 21 st
Century. 16-17 December Chicago
Illinois: 447-457.
Hofstra, G., and R. Wukasch. 1987. Are
you pickling your pansies?
Greenhouse Grower. Sept: 14-17.
Martens, H., and T.Naes. 1996.
Multivariate Calibration. Biddes ltd,
Guidaford and King’s Lynm.
Britanian.
Nelson, P.V. 1996. Macronutrient
fertilizer programs, pp. 141 – 170.
In: D.W. Reed. Water, Media, and
Nutrient for Greenhouse Crops.
Batavia, IL: Ball Publ.
Nelson, P.V. 2003. Greenhouse Operation
and Management. Department of
Horticultural Science, North
Carolina State University. Pearson
Education Inc., Upper Saddle River,
New Jersey.
Pier, J.W. and T.A. Doerge. 1995.
Nitrogen and water interaction in
trickle-irrigated watermelon. Soil
Sci. Soc. Amer. J. (59): 145 – 150.
8
Puustjarvi V. and R.A. Robertson. 1975.
Physical and chemical properties,p.
23-38. In: D.W. Robinson and
J.G.D. Lamb (Eds). Peat in
Horticulture. Academic Press,
London.
Soeseno, S. 1998. Bercocok Tanam Secara
Hidroponik. Gramedia. Jakarta.
Sofi’i, I., I.W. Astika, dan Suroso. 2005.
Penentuan jenis cacat biji kopi
dengan pengolahan citra dan
Artificial Neural Network (ANN).
Jurnal Keteknikan Pertanian. 19(2):
99-108.
Styer, R.C. and D. Koranski. 1997. Plug
and Transplant Production. A
Grower’s Guide. Ball Publishing,
Batavia, III.
Subrata, I.D.M., Suroso, dan Dwinanto.
2001. Penerapan teknologi image
processing dan Artificial Neural
Network untuk menduga
ketersediaan air dan nutrisi pada
pertumbuhan cabai merah. Jurnal
Keteknikan Pertanian. 15(2): 80-88.
Tamrin, K.B., Seminar, H. Suhardiyanto,
dan S. Hardjoamidjodjo. 2005.
Model jaringan syaraf tiruan untuk
pertumbuhan tanaman ketimun mini
(Cucumis sativus L. var Marla) pada
vase vegetatif. Jurnal Keteknikan
Pertanian. 19(1): 1-10.
Thompson, T.L. and T.A. Doerge. 1995.
Nitrogen and water rates for
subsurface trickle-irrigated romain
lettuce. Hort. Sci.: 30: 1233-1237.
Thompson, T.L., T.A.Doerge, and R.E.
Godin. 2000. Nitrogen and water
interactions in subsurface drip
irrigated cauliflower: II. Agronomic,
economic, and environmental
 ISSN: 1410-0029
Jurnal Penelitian dan Informasi Pertanian “Agrin”, Vol.11 No. 1, April 2007

outcomes. Soil Sci. Soc. Amer. J. Manual. N.C. Commercial Flower

(64): 412 – 418. Grower’s Assoc. 3906 Wake Forest
Rd., Suite 102, Raleigh, NC 27609.
Whipker, B. E., W. C. Fonteno, T. J.
Cavins, and D. A. Bailey. 2000. Available at Website:
Pour thru Nutritional Monitoring http://www.floricultureinfo.com.