Definisi Tanah
Tanah adalah bahan mineral yang tidak padat (unconsolidated) terletak di permukaan bumi, yang telah dan akan tetap mengalami perlakuan dan dipengaruhi oleh faktor-faktor genetik dan lingkungan yang meliputi bahan induk, iklim (termasuk kelembaban dan suhu), organisme (makro dan mikro) dan topografi pada suatu periode tertentu (Hanafiah, 2005).
Profil irisan tanah merupakan irisan vertikal tanah dari lapisan paling atas hingga ke bebatuan induk tanah (regolit), yang biasanya terdiri dari horizon-horizon O-A-E-B-C-R. Empat lapisan teratas yang masih dipengaruhi cuaca disebut solum tanah, horizon O-A disebut lapisan tanah atas dan horizon E-B disebut lapisan tanah bawah seperti terlihat pada Gambar 1.
Gambar 1 Sketsa profil tanah secara umum.
Meskipun tanah terdiri dari beberapa horizon, namun bagi tanaman yang sangat penting adalah horizon O-A (lapisan atas) yang biasanya mempunyai ketebalan di bawah 30 cm, bahkan bagi tanaman berakar dangkal seperti padi, palawija dan sayuran yang paling berperan adalah kedalaman di bawah 20 cm. Oleh karena itu, istilah kesuburan tanah biasanya mengacu kepada ketersediaan hara pada lapisan setebal ini, yang biasanya disebut sebagai lapisan olah. Namun bagi tanaman perkebunan dan
5
kehutanan (pepohonan) untuk jangka panjang lapisan tanah bawah juga akan menjadi sumber hara dan air.
Unsur Hara Tanaman
Unsur hara yang diperlukan tanaman yaitu Karbon (C), Hidrogen (H), Oksigen (O), Nitrogen (N), Fosfor (P), Kalium (K), Sulfur (S), Kalsium (Ca), Magnesium (Mg), Seng (Zn), Besi (Fe), Mangan (Mn), Tembaga (Cu), Molibden (Mo), Boron (B), Klor (Cl), natrium (Na), Kobal (Co), dan Silikon (Si) (Rosmarkam et al. 2002).
Berdasarkan jumlah yang diperlukan tanaman, unsur hara dibagi menjadi dua golongan, yakni unsur hara makro dan unsur hara mikro. Unsur hara makro diperlukan tanaman dan terdapat dalam jumlah lebih besar dibandingkan unsur hara mikro. Ada juga unsur hara yang tidak mempunyai fungsi pada tanaman, tetapi kadarnya cukup tinggi dalam tanaman dan tanaman yang hidup pada suatu tanah tertentu selalu mengandung unsur hara tersebut, misalnya unsur Al (Aluminium), Ni (Nikel), Se (selenium), dan F (Fluor). Penggolongan unsur hara tanaman menurut Davidescu (1982) dalam Rosmarkam et al. (2002) disajikan pada Tabel 1.
Tabel 1 Penggolongan unsur hara tanaman Golongan
Esensial Non Esensial
Utama Kedua Menaikkan
produksi
Tidak Menaikkan Produksi
Makro N, P, K Ca, Mg, S Na Si, V
Mikro Fe, Mn, Zn,
B, Cu Mo, Co, Cl Al, I
Ar, Ba, Be, Bi, Br, Cr, F, Li, Pb, Rb, Pt, Sr, Se Sumber : Davidescu (1982) dalam Rosmarkam (2002)
Menurut Yoshida (1981), tanaman dapat menyerap dan menggunakan berbagai bentuk N seperti : N-amonium, N-nitrat, N-urea dan N-asam amino. N-amonium adalah bentuk N yang paling banyak dijumpai dan merupakan bentuk yang stabil pada tanah-tanah yang digenangi. Sedangkan N-nitrat paling banyak dijumpai pada lahan-lahan kering (upland). Meskipun konsentrasi N-nitrat yang relatif rendah bersifat racun bagi beberapa tanaman pertanian lahan kering, ternyata konsentrasi yang tinggi masih dapat ditoleransi dan digunakan secara efisien oleh tanaman padi.
Tanaman menyerap P secara besar-besaran dalam bentuk H2PO4- dan HPO4
2-yang terdapat dalam larutan tanah. Pada kondisi pH tanah < 7.22 bentuk H2PO4
6
pada kondisi pH > 7.22 ion HPO42- dominan. Pada kondisi yang terakhir tersebut konsentrasi ion sangat ideal dan berarti bagi pertumbuhan tanaman (Tisdale et al., 1985).
Menurut Tisdale et al., (1985) Kalium diserap dalam bentuk ion K+, konsentrasinya dalam tanah 4-5 persen. Ion K+ bersifat mobile, yang dapat ditranslokasikan ke jaringan yang lebih muda dan jaringan meristematik bila terjadi kekurangan dari jaringan yang tua.
Salah satu parameter yang dapat menduga ketersediaan unsur hara tanah adalah nilai pH tanah. Hubungan antara ketersediaan unsur hara tanah dengan pH tanah dapat dilihat pada Gambar 2.
Gambar 2 Hubungan antara pH dengan ketersediaan unsur hara tanah.
Precision Farming
Precision farming merupakan istilah yang digunakan untuk menjabarkan tujuan peningkatan dan efisiensi dalam pengelolaan pertanian (Blackmore, 1994). Definisi lain precision farming adalah pengelolaan setiap masukan produksi tanaman seperti pupuk, kapur, herbisida, insektisida, bibit, dan lain-lain pada suatu tempat tertentu untuk mengurangi pemborosan, meningkatkan keuntungan, dan menjaga kualitas lingkungan (Kuhar, 1997). Precision farming memungkinkan adanya
7
peningkatan produktivitas, sementara biaya produksi menurun dan dampak lingkungan minimal (NRC 1997, dalam Shibusawa, 2001).
Menurut Blackmore (1994), tiga aspek dalam precision farming adalah: (1) menemukan apa yang terjadi dalam lahan, (2) memutuskan apa yang dilakukan untuk itu, dan (3) memberi perlakukan pada area tergantung pada keputusan yang dibuat.
Tanaman dan sifat tanah tidak hanya bervariasi terhadap jarak dan kedalaman, tetapi juga terhadap waktu. Beberapa sifat tanah adalah sangat stabil, berubah kecil terhadap waktu, seperti tekstur dan kandungan bahan organik tanah. Sifat-sifat tanah yang lain, seperti kadar nitrat (NO3-) dan kandungan lengas dapat berfluktuasi dengan cepat. Precision farming melakukan pengumpulan sampel tanah dan tanaman untuk mendapatkan informasi tentang bagaimana variasi kondisi di lahan.
Teknologi precision farming dapat digunakan dalam semua aspek siklus produksi tanaman dari operasi pratanam sampai pemanenan. Teknologi tersebut sekarang tersedia, atau akan segera ada, untuk memperbaiki pengujian tanah (soil testing), pengolahan tanah (tillage), penanaman (planting), pemupukan (fertilizing), pemberantasan gulma (spraying), pemanduan tanaman (crop scouting ), dan pemanenan (harvesting).
Pelaksanaan precision farming merupakan suatu siklus yang berkesinambungan dari tahap perencanaan (planning season), tahap pertumbuhan (growing season), dan tahap pemanenan (harvesting season) seperti disajikan pada Gambar 3.
8
Pada saat ini banyak produsen tanaman menerapkan site-specific crop management (SSCM ). Pemantauan hasil secara elektronis (electronic yield monitoring) seringkali menjadi tahap pertama dalam mengembangkan SSCM atau program precision farming. Data hasil tanaman yang presisi dapat digabungkan dengan data tanah dan lingkungan untuk memulai pelaksanaan pengembangan sistem pengelolaan tanaman secara presisi (precision crop management sistem).
Menurut Wolf dan Wood (1997), komponen teknologi dari precision farming adalah : (1) global positioning sistem (GPS), (2) yield monitoring, (3) digital soil fertility mapping, (4) crop scouting, dan (5) variable rate application (VRA).
Near Infrared (NIR)
Infrared merupakan radiasi elektromagnetik yang berada pada kisaran panjang gelombang 750-2500 nm, terletak diantara sinar tampak dan gelombang mikro. Infrared dibedakan menjadi 3 yaitu near infrared, mid infrared, dan far infrared. Near infrared berada pada kisaran panjang gelombang 750-2600 nm (Murray & Williams 1990). Near infrared banyak digunakan untuk menentukan kandungan kimia suatu bahan organik, karena ikatan molekul bahan organik sangat peka pada kisaran panjang gelombang near infrared tersebut.
Semua bahan organik terdiri dari atom-atom, utamanya karbon, oksigen, hidrogen, nitrogen, posfor dan sulfur. Atom-atom tersebut terikat secara kovalen dan elektrovalen untuk membentuk molekul. Ketika molekul-molekul tersebut disinari dengan sumber energi dari luar, maka molekul-molekul tersebut mengalami perubahan energi potensial (Murray & Williams 1990). Radiasi elekromagnetik dapat ditampilkan dalam bentuk frekuensi (v) panjang gelombang (λ) dan jumlah gelombang (ν1), Namun yang umum digunakan adalah dalam bentuk panjang gelombang dalam satuan nanometer (nm) dan jumlah gelombang dalam satuan cm-1. Untuk mengkonversi dari
satuan jumlah gelombang ke panjang gelombang dapat menggunakan Persamaan 1 :
) ( 10000000 ) ( 1 1 cm v nm ……….………. (1)
Menurut Hruschka (1990) NIR berada kisaran panjang gelombang 700-3000 nm, tetapi yang banyak digunakan dalam berbagai aplikasi pada kisaran panjang gelombang 1000-2600 nm.
9
Intensitas yang diserap oleh molekul dapat digambarkan dalam trasmittance seperti pada Persamaan 2.
A I I T 10 0 ……… (2) Menurut Hukum Beer-Lambert, jumlah intensitas yang diserap oleh bahan atau absorbance (A) dinyatakan dengan Persamaan 3 :
A kcl T I I 1 log log 0 10 10 ………... (3)
dimana k adalah penyerapan molekul, c adalah konsentrasi dari penyerapan molekul, dan I adalah jarak antara sumber energi penyinaran ke sampel. Dalam NIR spectroscopy, reflektan analog dengan transmittance (T) (Murray & Williams 1990) untuk produk cair, intensitas yang diserap dapat dihitung menggunakan Persamaan 4 :
R A log10 1 ……… (4)
Semua makanan dan bahan makanan yang berasal dari tumbuhan dan hewan terdiri dari unsur yang mengandung kelompok-kelompok dari atom-atom yang diserap dalam wilayah near infrared. Diantaranya -CH-, -OH-, -NH- dan kelompok lainnya, kelompok CO, CH dan NH mencerminkan kandungan minyak, kelompok OH pada panjang gelombang 970, 1190, 1450 dan 1940 nm mencerminkan kandungan air (Luck 1974 dalam Buning-Pfaue 2003) dan CH mencerminkan kandungan asam lemak pada panjang gelombang 1200, 1400, 1725, 1750, 2300 dan 2340 nm (Cozzolino et al. 2005). Menurut Hruschka (1990) puncak spektra untuk kadar air terjadi pada panjang gelombang 1450 nm dan 1940 nm, air sangat kuat dalam menyerap spektra dan pada panjang gelombang 1940 nm terpisah dari serapan komponen lain sehingga peningkatan serapan spektra terlihat sangat jelas.
Hal penting yang harus diperhatikan dalam memilih setup pengukuran NIR adalah penetrasi radiasi NIR yang dapat masuk ke dalam jaringan bahan, penetrasi ini biasanya akan semakin berkurang dengan bertambahnya kedalaman bahan yang akan ditembus. Kedalaman daya tembus dari NIR dipengaruhi oleh panjang gelombang yang diberikan. Hasil penelitian Lammertyn et al. (2000) yang mengukur daya tembus cahaya NIR pada berbagai panjang gelombang terhadap buah apel adalah sampai kedalaman 4 mm pada kisaran panjang gelombang 700-900 nm dan 2-3 nm pada kisaran panjang gelombang 900-1900 nm.
10
Variasi pada ukuran dan suhu partikel sampel mempengaruhi penyebaran radiasi NIR pada saat melewati bahan. Partikel berukuran besar tidak dapat menyebarkan radiasi NIR sebanyak partikel kecil. Semakin banyak radiasi yang diserap maka semakin tinggi nilai absorban dan panjang gelombang yang diserap juga akan lebih besar dan kuat.
Sinar yang dipancarkan dari sumber ke bahan organik, hanya sekitar 4% yang akan dipantulkan kembali ke permukaan luar (regular reflection) dan sisanya sebesar 96% akan masuk ke dalam produk tersebut yang selanjutnya mengalami penyerapan (absorption), pemantulan (body reflectan), penyebaran (scattering) dan penerusan cahaya (transmittance) (Mohsenin, 1984).
Setelah dipancarkan radiasi NIR akan diserap oleh semua bahan organik dan informasi utama yang dapat diekstrak adalah stretching dan bending ikatan kimia C-H (seperti bahan organik turunan minyak bumi), C-H dan N-H (seperti protein dan asam amino) yang merupakan ikatan dasar dari semua ikatan kimia bahan organik. Informasi tersebut dapat dilihat dari pantulan NIR yang dihasilkan dalam bentuk spektrum pantulan. Parameter ini dijelaskan oleh panjang gelombang dalam nanometer, amplitudo dengan tinggi puncak gelombang menjelaskan intensitasnya. Dengan tiga parameter ini seluruh informasi penyerapan dari suatu bahan dapat dijelaskan. Setiap bahan organik mengandung ribuan jenis ikatan C-H, O-H, dan N-H yang mengakibatkan setiap bahan memiliki spektrum pantulan atau absorbsi yang unik.
Informasi yang terkandung dalam spektra NIR dapat diambil dengan menggunakan berbagai teknik analisis multi variabel yang disebut juga dengan kemometrik. Tujuan dari teknik ini adalah untuk membuat model kalibrasi yang mampu memprediksi karakteristik sampel yang tidak diketahui. Teknik analisis multi variabel tersebut dibagi ke dalam dua jenis yaitu berdasarkan hubungan linearitas parameter dan non-linearitas parameter. Multiple Linear Regression (MLR), Principle Componen Regression (PCR), dan Partial Least Squares Regressioni (PLSR) adalah metode kalibrasi yang mengandalkan sifat linear antar parameter dugaan dengan parameter referensi. Jaringan Saraf Tiruan (JST) adalah metode kalibrasi yang dibangun tidak berdasarkan hubungan linear parameter. Jaringan Saraf Tiruan (JST) telah digunakan untuk membangun model kalibrasi NIR (Naes et al., 1993 dan Geladi et al., 1996 dalam Nicolai et al., 2007).
11
Jaringan Saraf Tiruan (JST)
Jaringan Saraf Tiruan (JST) merupakan sebuah struktur komputasi yang dikembangkan dari proses sistem jaringan saraf biologi di dalam otak manusia. Pada dasarnya jaringan saraf tiruan terdiri dari beberapa lapisan yaitu sebuah lapisan input, satu atau lebih lapisan terselubung dan sebuah lapisan output, setiap lapisan terdiri dari beberapa simpul (node). Simpul merupakan unit komputasi yang paling sederhana dalam setiap lapisan dan terhubung satu sama lain. Setiap hubungan tersebut diekspresikan dengan sebuah bilangan yang disebut bobot. Setiap lapisan, node menerima input dari lapisan sebelumnya dan hasil outputnya akan menjadi input pada lapisan berikutnya. Simpul dan bobot dalam jaringan saraf tiruan dapat dilihat pada Gambar 4.
Gambar 4 Struktur jaringan saraf tiruan.
Aspek non-linear permodelan jaringan saraf tiruan berhubungan erat dengan fungsi transfer yang diaplikasikan pada kombinasi linear setiap node. Fungsi transfer yang umum digunakan adalah fungsi sigmoid, linear dan tangen hiperbolik.
Kemampuan dasar jaringan saraf tiruan adalah mempelajari contoh input dan output yang diberikan dan kemudian belajar beradaptasi dengan lingkungan.
12
Masalah-masalah yang tidak dapat dipecahkan dengan komputasi konvensional dapat dipecahkan dengan metode jaringan saraf tiruan. Selain itu jaringan saraf tiruan dapat digunakan untuk memecahkan permasalahan dimana hubungan antar input dan output belum diketahui dengan jelas, permasalahan seperti ini sering dijumpai pada aplikasi pertanian.
Jaringan saraf tiruan merupakan teknik komputasi yang efektif untuk berbagai permasalahan seperti pengenalan contoh (termasuk pengenalan suara dan citra), klasifikasi, komparasi dua data, optimasi, permodelan dan peramalan pemecahan permasalahan kombinasional, adaptive control, dan multisensor data fusion. Keuntungan jaringan saraf tiruan yang tidak didapatkan pada sistem komputasi konvensional adalah dapat memecahkan permasalahan nonlinear, dapat memperkecil kesalahan, perhitungan secara paralel dan cepat dan kemampuan generalisasi yang baik.
Cara kerja JST adalah dengan menjumlahkan seluruh masukan setelah diberi suatu pembobot dan memasukkan hasil penjumlahan ini dalam suatu fungsi aktivasi yang berfungsi untuk mengubah suatu nilai yang tidak terbatas menjadi nilai yang terbatas atau dikenal dengan fungsi pemampat. Untuk mendapatkan kemampuan node yang lebih tinggi maka dirangkaikan beberapa buah node mengikuti konfigurasi seri-paralel membentuk JST. Node-node pada lapisan input tidak melakukan perhitungan tapi hanya mendistribusikan masukan.
Aturan belajar dalam JST adalah untuk mengubah-ubah faktor bobot yang terdapat dalam JST tersebut dan merupakan serangkaian algoritma yang dapat mengadaptasi atau mengubah-ubah faktor bobotnya sehingga diperoleh bobot yang diinginkan (sesuai target yang diinginkan). Untuk memperoleh nilai bobot yang benar JST dilatih berdasarkan suatu prosedur yang disebut dengan training set (pelatihan). Paterson (1995), mengklasifikasikan JST berdasarkan strategi pelatihan atas tiga kelas yaitu: 1) Pelatihan terawasi yaitu setiap contoh diberi nilai input dan target, nilai output hasil perhitungan selama proses pelatihan dibandingkan dengan nilai target untuk menentukan besarnya galat; 2) Pelatihan reinforcement yaitu nilai target tidak diberikan, hanya diberikan indikasi apakah nilai output JST sudah benar atau salah dan tugas JST adalah memperbaiki kinerja jaringan; 3) Pelatihan tidak terawasi yaitu, sampel hanya diberi nilai input tanpa nilai target, sistem harus menemukan dan beradaptasi terhadap perbedaan dan persamaan dalam nilai input yang diberikan.
13
Dalam pelatihan ini digunakan metode pelatihan terawasi (supervised learning) dengan penjalaran balik (backpropogation). Algoritma penjalaran balik dapat diaplikasikan untuk jaringan saraf lapis jamak (multilayer network) yang menggunakan fungsi aktivasi yang berbeda dan metode pelatihan terawasi. Kelebihan algoritma penjalaran balik ini dipilih karena dapat mempelajari contoh dan memproses data input non linier dan merupakan algoritma JST yang paling umum digunakan. Terdapat tiga tahapan pelatihan dalam backpropagation yaitu: 1) Perhitungan ke depan dengan input data dari data training, 2) Perhitungan dan penjalaran balik error, 3) Perbaikan pembobot.
Algoritma pelatihan penjalaran balik (backpropogation) dapat dijelaskan sebagai berikut (Paterson, 1995) :
1. Inisialisasi pembobot (W)
Pembobot dipilih secara acak dalam kisaran nilai yang terkecil [-n,n] kemudian setiap tegangan input diberikan kedalam node input JST untuk diproses dan dikirim ke node di depannya.
2. Tentukan secara acak pasangan input dan target {xp,tp} dan hitung ke arah depan nilai net input untuk masing-masing unit j dari lapis q menggunakan Persamaan 5. ……… (5) Input pada lapisan satu diberi indeks dengan superscript 0 sehingga menjadi (Persamaan 6).
………... (6) Jika telah diperoleh nilai net input untuk masing-masing unit pada lapisan sebelumnya, maka langkah selanjutnya adalah masukan nilai net input setiap node input ke dalam fungsi aktivasi. Fungsi aktivasi digunakan adalah binari sigmoid sebagai berikut (Persamaan 7) :
………. (7)
menggunakan nilai OQj computed oleh unit lapisan terakhir dan nilai target yang berhubungan (tpj) untuk menghitung nilai delta (Persamaan 8).
14
3. Hitung delta masing-masing lapisan di depan dengan penjalaran balik error menggunakan Persamaan 9 :
……… (9) untuk semua j dari lapisan q = Q, Q-1,……
4. Langkah selanjutnya adalah memperbaharui semua pembobot menggunakan Persamaan 10 :
….……… (10) untuk tiap lapisan q, maka digunakan Persamaan 11.
………. (11) 5. Kembali ke langkah 2 dan ulangi sampai mencapai total error pada tingkat yang
dapat diterima.
Dalam aplikasi JST jumlah iterasi pelatihan merupakan faktor penting yang mempengaruhi kekuatan model (model robustness). Overtraining dan undertraining dapat terjadi apabila iterasi training terlalu sedikit dan terlalu banyak. Hsieh et al (2002) menyatakan bahwa jumlah iterasi yang kurang dari 40.000 menghasilkan akurasi yang lebih rendah sedangkan jumlah iterasi yang lebih dari 90.000 juga dapat menurunkan keakuratan.
Laju pelatihan (learning rate) dan momentum diperlukan dalam JST untuk mencapai kondisi optimal. Kondisi yang diinginkan dari suatu JST adalah galat yang kecil hingga mencapai minimum global bukan minimum lokal. Paterson (1995) menyatakan bahwa koefisien laju pelatihan (η) dalam delta rule secara umum menentukan ukuran penyesuaian pembobot yang dibuat pada tiap-tiap iterasi dan karena itu mempengaruhi laju konvergensi. Apabila pemilihan laju pelatihan terlalu besar maka untuk mencapai konvergensi akan lebih lambat daripada penurunan error langsung, sebaliknya laju pelatihan yang terlalu kecil penurunan error akan melaju sangat kecil sehingga butuh waktu yang lama untuk mencapai konvergensi.
Aplikasi Near Infrared untuk Penentuan Kadar Nitrogen Tanah
Penemuan energi Near Infrared dianggap berasal dari Herschel pada abad ke sembilan dan pada tahun 1950, aplikasi pertama kali dilakukan di bidang kimia. Pada tahun 1980-an penerapan NIRS lebih difokuskan pada analisis kimia. Pertengahan 1980
15
diperkenalkan cahaya serat optik dan awal 1990-an adanya perkembangan detektor monokromator dimana NIRS menjadi lebih kuat sebagai alat penelitan ilmiah. Metode optik dalam sejumlah bidang ilmu termasuk fisika, fisiologi, obat-obatan, dan makanan. Aplikasi Near Infrared di bidang pertanian dilakukan sejak tahun 1964 dan terus berkembang sampai saat ini. Pada awal 1970-an di Jepang melakukan metode NIRS untuk menentukan kandungan protein gandum (Padey, 2010).
Hernandez et al. (2004) menggunakan NIR untuk mengukur total nitrogen dan total karbon pada tanah basah di Ohio Negara Amerika Serikat. Pengukuran total nitrogen dan total karbon menggunakan NIR Sistems Spectrometer Model 6500 yang mempunyai range gelombang 750 – 2500 nm. Pengolahan data dan analisa spektra menggunakan Spectral Analysis Software (NAS) Version 3.30 untuk DOS menghasilkan panjang gelombang spesifik untuk menganalisa ikatan-ikatan kimia dalam tanah untuk memprediksi total nitrogen dan total karbon dalam tanah (Tabel 2). Tabel 2 Hubungan linear antara panjang gelombang dengan total karbon dan total
nitrogen dalam tanah basah (Hernandez et al., 2004)
Panjang Gelombang (nm) Penyerapan Infra Merah r2
Total Karbon : 2332 2170 2042 1556 C-H + C-H Kombinasi N-H Kombinasi C=O, O-H Kombinasi N-H 0.8019 0.8721 0.9155 0.9614 Total Nitrogen : 2332 1598 2322 1506 C-H + C-H Kombinasi Ar-CH, C-H C-H + C-H Kombinasi N-H 0.9155 0.8731 0.9142 0.9422 Pada penelitian lain, Preira et al. (2005) menggunakan Near Infared Spectroscopy untuk memprediksi kandungan bahan organik dan nitrogen tanah. Penelitian dilakukan di provinsi Hangzhou Negara China pada lahan yang sebelumnya ditanami tanaman jagung. Spektra tanah diambil dengan menggunakan FieldSpec Pro FR yang mempunyai gelombang VIS-NIR yang memiliki range 350 – 2500 nm. Pengolahan data menggunakan software ViewSpec pro version 2.14 dan Unscrambler 8.0 dengan metode Principal Component Analysis (PCA) dan Partial Least Square (PLS). Penelitian tersebut menghasilkan beberapa panjang gelombang spesifik yang
16
mempunyai hubungan linear dengan kandungan bahan organik dan nitrogen tanah (Tabel 3).
Tabel 3 Hubungan linear antara panjang gelombang dengan kandungan bahan organik dan total nitrogen dalam tanah (Preira et al., 2005)
Unsur tanah R2 RMSEP SEC Panjang Gelombang (nm)
N 0.86 4.77 4.86 1364, 1826, 2136, 2177
OM 0.87 0.08 0.08 1074, 1417, 1755, 1814
Borjesson et al. (1999) melakukan penelitian terhadap kandungan nitrogen dalam tanah yang diambil oleh tanaman gandum dalam satu musim tanam dengan menggunakan Near Infrared Spectroscopy. Penelitian yang dilakukan di daerah pertanian barat daya swedia tersebut menghasilkan panjang gelombang spesifik untuk melihat kandungan nitrogen dalam tanah pada panjang gelombang 1400 nm, 1700 nm dan 2000 nm.
Sedangkan penelitian yang dilakukan oleh Shao et al. (2011) menggunakan Near Infrared Spectroscopy menghasilkan range panjang gelombang spesifik yang memiliki bobot yang tinggi dalam penentuan unsur hara nitrogen dalam tanah di provinsi Zheijiang di Provinsi China. Pengolahan data menggunakan metode Partial Least Square menghasilkan 4 range panjang gelombang yaitu 1220 – 1231 nm, 1425 – 1428 nm, 1897 – 1909 nm, 2109 – 2151 nm.
Mikrokontroler
Mikrokontroler merupakan komputer mikro yang dibuat dalam bentuk chip semikonduktor. Mikrokontroler telah banyak digunakan di berbagai peralatan elektronik, dari peralatan rumah tangga, perangkat audio-video, pengendali mesin-mesin industri sampai pesawat ruang angkasa. Sebuah komputer mikro memiliki tiga komponen utama, unit pengolah pusat, memori, dan sistem input/output untuk dihubungkan dengan perangkat luar (Usman, 2008).
Mikrokontroler yang ada saat ini salah satunya adalah mikrokontroler jenis AVR (Advanced Virtual RISC ) yang pertama kali dikembangkan pada tahun 1996 oleh dua orang mahasiswa Norwegian Institute of Technology yaitu Alf-Egil Bogen dan Vegard Wollan. Mikrokontroler AVR kemudian dikembangkan lebih lanjut oleh Atmel. Saat ini
17
mikrokontroler AVR memiliki banyak seri. Setiap seri memiliki perbedaan kemampuan, feature-feature, ukuran chip dan harga. Dimana pada beberapa seri mikrokontroler ini telah memiliki ADC dan PWM. Mikrokontroler AVR menggunakan teknologi RISC (Reduced Instruction Set Computer), yang memberikan kemampuan untuk melaksanakan instruksi dengan cepat karena mengurangi jumlah instruksi level mesin. Pengurangan jumlah instruksi ini berpengaruh pada kecepatan yang disebabkan karena dengan jumlah instruksi mesin yang terbatas, kebanyakan dapat berjalan dalam satu putaran dari clock processor. Dipandang dari segi MIPS (million of instructions per second), AVR yang menggunakan clock 8 MHz dapat mengeksekusi 8 juta instruksi perd etik atau 8 MIPS (Barnet et al. 2006).
18