Identifikasi Nitrogen Pada Daun Tanaman Bayam (Amaranthus Sp.) Menggunakan Pemodelan Artificial Neural Network (ANN) Berbasis Citra Digital
| Main Author: | Mustikasakti, Indah |
|---|---|
| Format: | Thesis NonPeerReviewed |
| Terbitan: |
, 2017
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/151461/ |
Daftar Isi:
- Unsur hara nitrogen adalah unsur aktif didalam tanaman. Pada tanaman yang kekurangan nitrogen akan menyebabkan daun – daunnya lebih tua. Selain itu, daun tersebut akan berubah warna menjadi kekuningan bila kekurangan nitrogen. Dalam proses penanamannya, bayam membutuhkan unsur hara untuk meningkatkan kualitas hasil pemanenannya. Selama ini petani memberikan dosis pupuk nitrogen dengan perkiraan takaran yang terbaik menurut penilaian subyektif mereka, sehingga tanaman bayam yang dihasilkan terkadang kurang baik. Selain itu, bila harus melakukan analisis kimiawi untuk menentukan jumlah dosis yang sesuai dinilai sangat mahal dan membutuhkan waktu yang sangat lama. Pemanfaatan citra digital dan pemodelan Artificial Neural Network (ANN) dapat menjadi solusi alternatif dalam mengidentifikasi nitrogen dalam daun bayam secara objektif, sehingga bisa memberi informasi kandungan pupuk nitrogen yang harus diberikan pada tanaman bayam. Penelitian ini bertujuan untuk mengetahui dosis pemberian pupuk terbaik untuk tanaman bayam yang diperoleh dalam persentase pupuk sebesar 60% dengan jumlah nitrogen total yang paling optimum. Dari penelitian ini, diperoleh model ANN yang terbaik adalah dengan 9 input yaitu RGB, HSL, dan L*a*b. Input tersebut diolah menggunakan MATLAB dengan proporsi data training dan testing terbaik adalah 74,28% dan 25,71%. Selain itu, fungsi pembelajaran dan fungsi aktivasi terbaik yang menghasilkan MSE Testing terendah adalah tansig sebagai hidden layer dan tansig sebagai output layer, sedangkan fungsi pembelajarannya adalah traingd. Identifikasi nitrogen ini menggunakan 9 input dan 1 output yaitu nitrogen bayam dengan topologi terbaik 9-6-1 (9 node input, 6 node hidden layer 1, 1 node output). Dari topologi terbaik tersebut, dihasilkan MSE Training sebesar 0,0072 dan Testing viii sebesar 0,2993 dengan nilai koefisien korelasi Training dan Testing sebesar 0,99354 dan 0,64889.