III. BAHAN DAN METODE

39 III. BAHAN DAN METODE 3.1. Waktu dan Tempat Penelitian dilaksanakan pada bulan Agustus sampai Desember tahun 2010 di rumah tanaman (greenhouse) Balai Penelitian Agroklimatologi dan Hidrologi (Balitklimat), Cimanggu, Bogor. 3.2. Bahan dan Alat Bahan yang akan digunakan dalam penelitian ini yaitu : benih tanaman tomat, pupuk kandang, pupuk NPK, insektisida, pestisida, dan lain-lain. Benih tanaman tomat yang digunakan yaitu tanaman tomat varietas Arthaloka dan Marglobe. Rumah tanaman (greenhouse) yang digunakan yaitu rumah tanaman yang telah tersedia di Balitklimat, Cimanggu, Bogor. Benih tanaman tomat yang digunakan yaitu varietas Arthaloka dan Marglobe. Denah tanaman tomat di dalam rumah tanaman dapat dilihat pada Tabel Lampiran 1. Alat//instrumentasi yang digunakan yaitu AWS (Automatical Weather Station) telemetri yang mengukur suhu udara dan kelembaban udara dengan resolusi jam-jaman dalam skala harian, sedang intensitas radiasi surya diukur dengan menggunakan solari meter yang telah terkalibrasi. 3.3. Metode Penelitian 3.3.1. Pengamatan/Pengukuran Ikim Mikro a. Intesitas Radiasi Surya Intensitas radiasi surya harian diukur dengan menggunakan solari meter. Solari meter ditempatkan pada ketinggian satu meter dari permukaan lantai rumah tanaman. Pengukuran intensitas radiasi surya di dalam rumah tanaman dilakukan setiap hari selama penelitian berlangsung..

40 b. Suhu Udara Suhu udara di dalam rumah tanaman diukur dengan menggunakan AWS (Automatical Weather Station). Suhu udara yang terekam pada AWS adalah suhu udara rata-rata harian, suhu udara maksimum dan suhu udara minimum. c. Kelembaban Udara Seperti halnya dengan pengukuran suhu udara, pengamatan rata-rata kelembaban udara harian, kelembaban udara maksimum, dan kelembaban udara minimum dilakukan dengan mengambil data yang terekam pada AWS. 3.3.2. Pengukuran Komponen Agronomi Pengukuran komponen agronomi dilakukan terhadap parameter pertumbuhan vegetatif : tinggi tanaman, jumlah daun, jumlah tangkai daun, dan parameter pertumbuhan generarif yaitu : waktu pembungaan (hari setelah tanam/hst) dan masak fisiologis (hari setelah pembungaan/hsp). Tinggi tanaman diukur per minggu setelah tanam (MST) dengan cara mengukur tinggi tanaman dari permukaan tanah sampai pucuk tanaman. Jumlah daun diukur dengan cara menghitung banyaknya daun (helai), termasuk daun yang telah terbentuk sempurna. Tangkai daun diukur dengan menghitung banyaknya tangkai yang terdapat pada tanaman. Pengukuran waktu pembungaan dilakukan dengan menghitung jumlah bunga yang telah mekar sempurna yang terdapat pada sampel tanaman. Penentuan masak fisiologis buah tanaman tomat dilakukan dengan melihat perubahan warna buah secara visual (perubahan warna dari hijau, kuning, sampai kuning kemerahan), selain itu juga dilakukan dengan analisis kadar gula buah. 3.3.3. Perhitungan Satuan Panas (Heat Unit) Fase perkembangan tanaman tomat meliputi 4 fase yaitu : semai-tanam, init; tanam kuncup bunga, dev; kuncup bunga- bakal buah, mid; dan bakal buah masak fisiologis, late (Doorenbos dan Kassam 1979). Kejadian fenologi tanaman tomat dihitung mulai semai sampai masak fisiologis dan diberi skala 0 1, yang dibagi menjadi lima kejadian yaitu semai, S

41 (s = 0), tanam, T (s = 0.25), kuncup bunga, KB (s = 0.50), bakal buah, BB (s = 0.75) dan masak fisiologis, MF (s = 1.00). n HU = T i= 1 - Tb T adalah rata-rata suhu udara harian ( o C) T b adalah suhu dasar ( o C) menyatakan periode antara kejadian fenologi, Tb adalah suhu dasar ( o C) dan HU adalah heat unit yang dihitung dari hasil percobaan lapang ( o C hari). Berdasarkan penelitian lapangan suhu dasar untuk tanaman tomat berkisar antara 3.5 10 o C (Perry et al, 1997; Adams et al, 2001). Pada penelitian ini suhu dasar yang digunakan untuk tanaman tomat adalah 10 o C. Rincian setiap fase : S adalah waktu saat penyemaian, T adalah waktu saat penanaman KB adalah saat kuncup bunga mulai terbentuk BB adalah saat bunga mulai telah mekar dan berubah menjadi bakal buah MF adalah saat tanaman masak fisiologis yang ditandai dengan perubahan warna menjadi kuning kemerahan dan siap untuk dipanen atau dikonsumsi. 3.3.4. Teknik Budidaya Tomat di dalam Rumah Tanaman Budidaya tomat dalam rumah tanaman mengikuti tahapan sebagai berikut : 1). Persiapan benih. Benih tomat yang digunakan yaitu varietas Arthaloka dan Marglobe. 2). Persemaian. Benih disemai ke dalam bak semai. Media semai adalah tanah dicampur pasir dan pupuk kandang. Penyemaian dilakukan di dalam rumah tanaman. Pada saat tanaman dalam persemaian perlu diberikan bakterisida untuk menghindari bakteri/jamur di persemaian. 3). Penanaman. Setelah tanaman berumur 14 hari di bak semai, tanaman tomat dipindahkan ke dalam pot plastic (transplanting). Pot plastik dengan tinggi 20 cm, permukaan bawah berdiameter 20 cm dan permukaan atas berdiameter 30 cm. Media tanam terdiri dari campuran tanah, pupuk kandang dan pasir dengan perbandingan 1 : 1 : 1. Jumlah tomat yang ditanam adalah 100 tanaman yang

42 terdiri dari 50 tomat varietas Arthaloka dan 50 varietas Marglobe. Tanaman ditempatkan dalam 4 baris dalam pot. Jarak antar baris 50 cm dan jarak dalam baris 20 cm. 4). Pemeliharaan. Penyiraman dilakukan pada pagi dan sore hari. Pemberian pupuk majemuk NPK dilakukan sebanyak dua kali. Pertama pada saat tanam sebanyak 5 g/tanaman dan kedua pada saat tanaman berumur 2 MST sebesar 10 g/tanaman.. Pada saat tanaman berumur 3 MST dilakukan pemberian insektisida untuk melindungi tanaman dari hama dan penyakir tanaman. 5). Panen Panen dilakukan setelah tanaman mencapai masak fisiologis. 3.3.5. Penyusunan Model Artificial Neural Network (ANN) Diagram alir (flow chart) perhitungan ANN dapat dilihat pada Gambar 8. Jenis pola pelatihan yang digunakan pada penelitian ini adalah algoritma backpropagation. Gambar 9. Diagram alir (flow chart) pemodelan dengan metode ANN.

43 Arsitektur Jaringan Untuk Waktu Pembungaan Arsitektur jaringan yang digunakan adalah multilayer feedforward networks yang terdiri dari lapisan input, hidden dan output. Pada penelitian ini digunakan multilayer networks dengan pola perambatan maju (feedforward) sehingga disebut dengan multilayer feedforward networks. Pada pola feedforward, sinyal input dirambatkan maju menuju lapisan tersembunyi (hidden) selanjutnya menuju lapisan output. Dalam proses pelatihan, record data digunakan sebagai data pelatihan. Untuk itu perlu ditetapkan besarnya periode dengan data berfluktuasi, periode ini ditetapkan secara intuitif (Siang 2005). Data yang dipergunakan dalam penelitian ini yaitu 50 data. Empat puluh data pertama digunakan untuk seleksi model dan estimasi parameter (data pelatihan) dan sisanya (10 data) dipergunakan untuk pengujian. Banyaknya peubah dipergunakan sebagai jumlah input dalam proses pelatihan, sehingga pada lapisan input digunakan 6 neuron. Sebagai target diambil data aktual pada peubah ke-7, sehingga neuron pada lapisan output hanya satu. Setiap input akan menerima sebuah sinyal input dan meneruskan sinyal tersebut ke lapisan hidden, kemudian ke lapisan output. Karena neuron pada lapisan output yang diharapkan hanya satu, diperoleh k = ( 6)(1) 2.45 3 Dari penghitungan tersebut, dapat ditentukan jumlah neuron pada lapisan hidden yaitu 3 neuron, sehingga arsitektur jaringan yang diperoleh adalah multilayer feedforward networks dengan 6 neuron pada lapisan input, 3 neuron pada lapisan hidden dan satu neuron pada lapisan output. Arsitektur ini ditunjukkan pada Gambar 10.

44 Input Layer Hidden Layer Output Layer T udara rata-rata ( o C) RH rata-rata (%) Radiasi surya (MJ/m 2 ) Tinggi Tanaman (cm) Jumlah daun (helai) Waktu Pembungaan (hari setelah tanam) Jumlah tangkai daun Gambar 10. Struktur ANN yang dikembangkan untuk waktu pembungaan Arsitektur Jaringan Untuk Masak Fisiologis Arsitektur jaringan yang digunakan adalah multilayer feedforward networks yang terdiri dari lapisan input, hidden dan output. Dalam proses pelatihan, record data digunakan sebagai data pelatihan. Untuk itu perlu ditetapkan besarnya periode dengan data berfluktuasi, periode ini ditetapkan secara intuitif (Siang 2005). Data yang dipergunakan dalam penelitian ini yaitu 100 data. Lima puluh data masak fisiologis tanaman tomat varietas Lentana hasil pengamatan Impron (2011) di rumah tanaman Purwakarta, Jawa Barat, dan lima puluh tanaman tomat varietas Arthaloka dan Marglobe. Delapan puluh data pertama digunakan untuk seleksi model dan estimasi parameter (data pelatihan) dan sisanya (20 data) dipergunakan untuk pengujian. Banyaknya peubah dipergunakan sebagai jumlah input dalam proses pelatihan, sehingga pada lapisan input digunakan 4 neuron. Sebagai target diambil data aktual pada peubah ke-5, sehingga neuron pada lapisan output hanya satu. Setiap input akan menerima sebuah sinyal input dan meneruskan sinyal tersebut ke lapisan hidden, kemudian ke lapisan output. Karena neuron pada lapisan output yang diharapkan hanya satu, berdasarkan persamaan (2.1) diperoleh

45 k = ( 4)(1) = 2 Dari penghitungan tersebut, dapat ditentukan jumlah neuron pada lapisan hidden yaitu 4 neuron, sehingga arsitektur jaringan yang diperoleh adalah multilayer feedforward networks dengan 4 neuron pada lapisan input, 2 neuron pada lapisan hidden dan satu neuron pada lapisan output. Arsitektur ini ditunjukkan pada Gambar 11. Input Layer Hidden Layer Output Layer T udara rata-rata ( o C) RH rata-rata (%) Radiasi surya (MJ/m 2 ) Masak Fisiologis (hari setelah pembungaan) Waktu Pembungaan (HST) Gambar 11. Struktur ANN yang dikembangkan untuk masak fisiologis Urutan algoritma pelatihan backpropagation adalah sebagai berikut : 1. Inisialisasi a. Normalisasi seluruh data input x i dan data output/target t k dalam range [0, 1]. b. Seluruh pembobot (w ij dan v jk ) awal diberi nilai random antara [-1, 1] c. Inisialisasi aktivasi thresholding unit, X 0 = 1 dan H 0 = 1. 2. Aktivasi unit-unit dari input layer ke hidden layer (H j ) dilakukan dengan persamaan sebagai berikut : H j = 1 1 + e - w ij X i. (3.1) w ij = pembobot w yang menghubungkan node unit ke-i

46 pada input layer dengan node ke-j pada hidden layer 3. Aktivasi unit-unit dari hidden layer ke output layer (Y k ) dilakukan dengan persamaan sebagai berikut : 1 Y k = 1+ e - Vjk H j. (3.2) v jk = pembobot v yang menghubungkan node uni ke-j pada hidden layer dengan node ke-k pada output layer 4. Perhitungan error dari unit-unit pada output layer (δ k ) dan penyesuaian dengan bobot v jk dilakukan dengan persamaan sebagai berikut : δ k = Y k (1 Y k ) (t k Y k )... (3.3) t k = target output pada node ke-k v jk = v jk old (β δ k H j ). (3.4) V jk old = pemberat v jk sebelumnya β = konstanta laju pembelajaran 5. Perhitungan error dari unit-unit pada hidden layer (τ j ) dan menyesuaikannya dengan bobot w ij. dilakukan dengan persamaan sebagai berikut : τ j = Hj (1 H j ) Σ k δ k v jk (3.5) w ij = w ij old + (β τ j X i ) (3.6) W ij old = pemberat w jk sebelumnya 6. Perhitungan error dugaan dilakukan dengan persamaan sebagai berikut : E j = Σ 0.5 (Y j t k ) 2.. (3.7) E j = nilai error total untuk node ke-j pada output layer 7. Pengulangan (iterasi) Keseluruhan proses ini dilakukan pada setiap contoh dan setiap iterasi sampai sistem mencapai keadaan optimum. Iterasi tersebut mencakup pemberian contoh pasangan input dan output, perhitungan nilai aktivasi, dan perubahan

47 nilai pembobot. Setiap nilai pembobot baru diperoleh, urutan pengerjaan kembali ke tahap 2. Seluruh pembobot w dan v yang terbaik pada saat iterasi merupakan angka pembobot yang akan digunakan untuk pendugaan (uji validasi). 3.3.6. Analisis Data Analisis data dilakukan dengan menggunakan perangkat lunak (software) Matlab. Hasil data pengukuran di lapangan dipilah menjadi dua bagian; sebagian digunakan untuk data pelatihan (training) dan sebagian lainnya digunakan untuk data pengujian (testing). Hasil data testing menunjukkan performa ANN yang menjelaskan akurasi variabel input dan variabel output dari model ANN. Untuk mengevaluasi performa model ANN atau kinerja jaringan dapat dilihat dari nilai koefisien korelasi (R) dan RMSE (root mean square error). Nilai RMSE dihitung melalui persamaan di bawah ini (Fu 1994) : RMSE = ( Y T ) 2 n.. (3.8) Y : nilai hasil prediksi T : nilai hasil pengukuran n : jumlah data Proses validasi merupakan pengujian kinerja ANN terhadap contoh data yang belum pernah diberikan dalam training. Validasi dilakukan setelah mendapatkan nilai RMSE yang cukup kecil. Validasi ANN dilakukan dengan menghitung Standard Error of Prediction (SEP) dan Coefficient of Variation (CV).. (3.9) CV = x 100 %.... (3.10) Y a adalah nilai aktual dari pengukuran Y p adalah nilai prediksi oleh ANN n adalah jumlah data, dan Ya adalah nilai rata-rata aktual pengukuran.