ESTIMASI KADAR NITROGEN TANAMAN PADI
MENGGUNAKAN SPECTRAL REFLECTANCE
SETIA DARMAWAN AFANDI
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul Estimasi Kadar Nitrogen Tanaman Padi Menggunakan Spectral Reflectance adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, September 2016
RINGKASAN
SETIA DARMAWAN AFANDI. Estimasi Kadar Nitrogen Tanaman Padi Menggunakan Spectral Reflectance. Dibimbing oleh YENI HERDIYENI dan LILIK BUDI PRASETYO.
Dalam budidaya tanaman padi, pemantauan merupakan salah satu aspek yang sangat penting untuk menjaga kualitas tanaman padi. Kandungan nitrogen merupakan salah satu hal yang sangat menarik untuk menjadi indikator dalam proses pemantauan dan manajemen pada tanaman. Hal ini karena nitrogen memiliki peran yang sangat penting dalam proses fotosintesis, produktivitas tanaman dan mempengaruhi siklus karbon dan oksigen. Permasalahan pada tanaman padi tidak hanya terjadi saat tanaman mengalami kekurangan kandungan nitrogen, namun kelebihan kandungan nitrogen juga menyebabkan berbagai permasalahan seperti produktivitas menurun, dan biaya budidaya yang tidak efisien.
Penelitian ini fokus meneliti hubungan antara spectral reflectance Near Infrared (NIR) pada panjang gelombang 700 nm – 1075 nm. Tujuan dari penelitian ini adalah mengestimasi kadar nitrogen tanaman padi dengan menggunakan data spektral spectral reflectance yang diperoleh dari spektrometer sehingga diharapkan dapat membantu dalam menentukan takaran kandungan nitrogen yang efisien pada tanaman padi. Data yang digunakan pada penelitian ini adalah data nitrogen yang diperoleh dari uji lab dan data spectral reflectance yang diperloleh dari spektrometer.
Penelitian ini terdiri dari beberapa tahap yaitu pengambilan data spektral menggunakan spektrometer dengan panjang gelombang 400 nm – 1075 nm dan pengambilan data kandungan nitrogen yang dibantu oleh laboratorium Agronomi, IPB. Data yang digunakan sebanyak 45 data. Data dibagi menjadi 30 data training dan 15 data testing menggunakan 3-fold cross validation. Proses selanjutnya dilakukan pemodelan data menggunakan regresi linier dan Artificial Neural Network (ANN).
Pemodelan menggunakan regresi linier dilakukan dengan menggunakan data NIR dengan panjang gelombang 700 nm – 1075 nm. Hasil yang diperoleh menyimpulkan bahwan metode regresi linier tidak cukup baik untuk estimasi kadar nitrogen. Hal ini dikarenakan hasil estimasi nitrogen menggunakan regresi linier sangat jauh dari nilai aktualnya dengan nilai RMSE yang masih sangat besar yaitu 0.46.
SUMMARY
SETIA DARMAWAN AFANDI. Nitrogen Content Estimation Of Rice Crop Using Spectral Reflectance. Supervised by YENI HERDIYENI and LILIK BUDI PRASETYO.
Monitoring and management in rice cultivation is an important thing to maintain the quality of the rice crop. Nitrogen content is an important indicator used for monitoring and management of plant due to its role in photosynthesis, productivity as well as its effect on carbon and oxygen cycle. The problems do not only occur when nitrogen deficiency but excess nitrogen can lead to decreased productivity, and cost inefficiencies.
The purpose of this research is to estimate the nitrogen content of rice crop using spectral reflectance. This research is expected to help in determining efficient dose of nitrogen content in rice crop. Nitrogen content was measured by laboratory analysis, meanwhile, its spectral reflectance in the field was measured by using hand held spectroradiometer.
This research consists of several steps, that are spectral reflectance measurement (400 nm - 1075 nm) using spectrometer, nitrogen content measurement assisted by laboratory of Agronomy, IPB. Data used in the research were 45 data. Dataset was divided into 30 data training and 15 data testing using 3-fold cross validation. the next process is data modelling using linier regression and Artificial Neural Network (ANN) method.
The linear regression method was done on NIR reflectance (700 nm - 1075 nm) . The results conclude that the linear regression method is not good enough to estimate the nitrogen content with RMSE value is 0.46
© Hak Cipta Milik IPB, Tahun 2016
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Ilmu Komputer
pada
Program Studi Ilmu Komputer
ESTIMASI KADAR NITROGEN TANAMAN PADI
MENGGUNAKAN SPECTRAL REFLECTANCE
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
BOGOR 2016
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Judul penelitian yang dilaksanakan sejak bulan November 2014 ini adalah Estimasi Kdar Nitrogen Menggunakan spectral reflectance.
Penulis mengucapkan terima kasih kepada pihak-pihak yang terlibat dalam kelancaran penelitian ini, yaitu:
1. Bapak dan Ibu, yaitu Bapak Suardi dan Ibu Erdawati atas doa dan motivasi yang telah diberikan
2. Ibu Dr. Yeni Herdiyeni, SSi MKom dan Bapak Prof. Dr. Ir Lilik Budi Prasetyo, MSc selaku pembimbing yang telah memotivasi, mendidik dan memberikan arahan kepada penulis
3. Ibu Dr Imas Sukaesih Sitanggang, SSi Mkom selaku dosen penguji yang telah memberikan arahan dan saran agar penelitian ini lebih baik
4. Dosen-dosen Ilmu Komputer yang telah memberikan banyak ilmu untuk mendukung kelancaran penelitian.
5. Whina Ayu Lestari selaku tim penelitian rice crop monitoring yang telah banyak membantu, diskusi, dan sharing ilmu selama proses penelitian 6. Mas Ade dan Mbak Salas dari Pusat Teknologi Satelit Lembaga
Penerbangan dan Antariksa Nasional (LAPAN) Bogor yang telah membantu selama pengukuran reflectance.
7. Seluruh staf laboratorium departemen Agronomi dan Hortikultura Fakultas Pertanian IPB yang telah membantu selama pengukuran kadar nitrogen. Semoga karya ilmiah ini bermanfaat.
Bogor, September 2016
DAFTAR ISI
Penginderaan jauh (Remote Sensing) 4
Karakteristik Spectral Reflectance pada tumbuhan 4
Analisis Regresi Linier 5
Artificial Neural Network (ANN) dan Backpropagation Neural Network
(BPNN) 6
K-fold Cross Validation 8
Principal Component Analysis (PCA) 9
Root Mean Square Error (RMSE) 10
Metode untuk uji kadar nitrogen 10
3 METODE 13
Data dan Alat 13
Tahapan Penelitian 14
4 HASIL DAN PEMBAHASAN 19
Karakteristik spectral reflectance daun 19
Sebaran Data Nitrogen 20
Evaluasi data 21
Pemodelan Regresi Linier 22
Pemodelan ANN 24
5 SIMPULAN DAN SARAN 26
Simpulan 26
Saran 26
DAFTAR PUSTAKA 27
DAFTAR TABEL
1. Kategori nilai nitrogen 21
2. Hasil proses PCA 22
3. Skema pemodelan dan hasil evaluasi 23
4. Nilai RMSE pada jumlah hidden layer optimal pada skema 1 24 5. Nilai RMSE pada jumlah hidden layer optimal pada skema 2 24
DAFTAR GAMBAR
1. Karakteristik reflectance pada tumbuhan (Hoffer 1978) 4
2. Arsitektur ANN 6
3. Ilustrasi 3-fold cross validation (Refaelzadeh P, Tang L, dan Liu H 9 4. Metode estimasi kadar Nitrogen (Munoz-Huerta RF et al. 2013) 11 5. Metode Kjeldahl (Munoz-Huerta RF et al. 2013). 12
6. Spektrometer (Handheld 2) 13
7. Tahapan Penelitian 14
8. Ilustrasi pengambilan data 15
9. Ilustrasi pengambilan data nitrogen 16
10. Ilustrasi average composite 16
11. Arsitektur Model ANN 17
12. Karakteristik spectral reflectance daun 19
13. Sebaran data nitrogen 20
14. Data spektral spectral reflectance sample 16 dan sample 18 21 15. Perbandingan kadar nitrogen aktual dengan nilai estimasi regresi
linier 23
1
PENDAHULUAN
Latar Belakang
Tanaman padi adalah salah satu komoditas pangan utama oleh rakyat Indonesia. Indonesia sebagai negara agraris memiliki luas area sawah sekitar 8 juta hektar atau 8% dari total luas daratan Indonesia (Kementerian Pertanian 2014). Namun, hasil yang diperoleh dari ketersediaan lahan tersebut sangat jauh dari yang diharapkan. Hal ini disebabkan oleh berbagai macam faktor seperti penyakit tanaman, hama, manajemen dan pemantauan yang kurang baik, hingga musibah atau bencana alam.
Dalam budidaya tanaman padi, pemantauan merupakan salah satu aspek yang sangat penting untuk menjaga kualitas tanaman padi. Tanaman padi yang memiliki kondisi yang baik diharapkan mampu memberikan hasil sesuai dengan yang diharapkan. Metode yang paling umum dilakukan untuk pemantauan dan manajemen tanaman padi adalah dengan melakukan survey ke lapang secara langsung. Akan tetapi, metode ini membutuhkan biaya dan sumber daya manusia yang sangat banyak sehingga menghasilkan efisiensi yang sangat rendah. Disamping itu, para ahli yang mampu menilai kondisi tanaman padi sering tidak tersedia di beberapa wilayah. Di Indonesia, hanya ada 3.183 orang ahli hama dan penyakit yang mengamati 6.543 Kabupaten (DJTP 2010). Keadaan ini masih sangat jauh dari keadaan yang ideal sehingga dengan kondisi tersebut informasi mengenai kondisi tanaman padi tidak dapat diperoleh dengan cepat. Pemantauan dan manajemen tanaman menggunakan teknologi remote sensing mampu memberikan informasi dengan lebih cepat dan akurat serta membutuhkan biaya dan sumberdaya yang relatif sedikit. Penerapan citra satelit dan foto udara untuk lahan pertanian memiliki banyak cara diantaranya menggunakan citra satelit seperti LANDSAT, MODIS, dan NOAA. Namun, cara ini sangat sulit untuk menganalisis lahan pertanian skala kecil dan menengah. Hal ini dikarenakan resolusi spasial yang dihasilkan citra satelit sangat rendah.
Proses pemantauan dan manajemen tanaman sangat erat kaitannya dengan pemantauan proses biokimia yang ada pada tanaman seperti fotosintesis, respirasi, evapotranspirasi, dan dekomposisi yang terkait dengan konsentrasi biokimia yang ada pada daun seperti klorofil, air, nitrogen, lignin dan selulosa (Curran et al. 2001). Proses-proses tersebut memberikan indikator produktivitas tanaman, penyakit tanaman dan ketersediaan nutrisi pada tanaman (Huber et a.l 2005).
2
yang berbeda (Menzel et al. 2003). Hal tersebut menyebabkan penggunaan pupuk tidak efektif dan efisien, sehingga tidak hanya dapat mengganggu keseimbangan lingkungan tetapi juga menyebabkan produktivitas menurun dan biaya produksi yang tidak efisien.
Di samping itu, bukan hanya kekurangan penggunaan pupuk nitrogen, namun juga kelebihan penggunaan pupuk nitrogen menimbulkan berbagai masalah seperti polusi pada tanah, peningkatan kerentanan tanaman terhadap berbagai penyakit, hasil panen yang tidak optimal hingga biaya produksi yang tidak efisien.
Penelitian sebelumnya telah melakukan pemantauan dan estimasi nitrogen tanaman padi dengan melihat hubungan kadar nitrogen dengan data near infrared (NIR) yang diperoleh dengan menggunakan quadcopter yang dipasang kamera NIR (Arai 2013). Data sample yang digunakan sebanyak 1000 dataset yang terdiri dari data NIR dan data nitrogen hasil uji lab. Metode yang digunakan adalah metode regresi linier. Dari hasil penelitian ini diperoleh nilai koefisien determinan 0.96 (Arai 2013).
Selain itu estimasi kadar nitrogen juga telah dilakukan pada tanaman dan obyek lain seperti pada tanaman tebu menggunakan citra spektroskopi dari panjang gelombang 650 nm – 1400 nm menggunakan metode regresi linier. Penelitian ini berhasil melakukan estimasi kadar nitrogen pada tanaman tebu dengan nilai koefisien determinan rata-rata sebesar 0.86 (miphokasap et al. 2012). Estimasi kadar nitrogen juga dilakukan pada kanopi yang beragam menggunakan data HyVista’s Hyperspectral Mapping Imaging Spectrometer (HyMap) (Huber et al. 2005). Pada penelitian ini akan dilakukan estimasi kadar nitrogen menggunakan data spectral reflectance dari panjang gelombang 700 nm-1075 nm dengan melihat hubungan antara kadar nitrogen pada tanaman padi dengan nilai spectral reflectance NIR.
Perumusan Masalah
Pemantauan dan manajemen tanaman padi sangat penting dilakukan dalam proses budidaya tanaman agar memperoleh hasil yang optimal dalam segi kualitas maupun kuantitas. Pemantauan dan manajemen tanaman padi memiliki banyak metode sehingga perlu ditentukan metode yang tepat agar proses pemantauan dapat berjalan dengan efektif dan efisien. Pemantauan menggunakan remote sensing pada bidang pertanian mulai banyak dilakukan. Hal ini dikarenakan teknik remote sensing mampu menghasilkan data dengan cepat dan akurat, serta membutuhkan biaya dan sumber daya manusia yang relatif sedikit.
3 pada tanah, peningkatan kerentanan tanaman terhadap berbagai penyakit, hasil panen yang tidak optimal hingga biaya produksi yang tidak efisien. Oleh karena itu, pada penelitian ini dilakukan estimasi kadar nitrogen tanaman padi menggunakan data spectral reflectance sehingga diharapkan mampu melakukan estimasi kadar nitrogen untuk berbagai keperluan dalam proses budidaya, salah satunya penentuan kadar pupuk yang tepat.
Tujuan Penelitian
Tujuan dari penelitian ini adalah mengestimasi kadar nitrogen tanaman padi dengan menggunakan data spectral reflectance NIR yang diperoleh dari spektrometer.
Manfaat Penelitian
Manfaat dari penelitian ini adalah memberikan informasi kepada pihak terkait mengenai kadar nitrogen dari tanaman padi sehingga diharapkan mampu memberikan bantuan untuk membuat keputusan terkait budidaya tanaman padi yang sedang dilakukan dengan lebih cepat.
Ruang Lingkup Penelitian
4
2
TINJAUAN PUSTAKA
Penginderaan jauh (Remote Sensing)
Remote sensing adalah teknik dan seni untuk memperoleh informasi mengenai sebuah objek, area, atau fenomena melalui analisis data yang diperoleh dari alat yang tidak bersentuhan langsung dengan objek, area, atau fenomena yang sedang diamati (Lillesand dan Kiefer 1997). Prinsip dasar dari remote sensing adalah perekaman informasi dari suatu sensor dengan sumber tenaga seperti tenaga matahari, distribusi energi elektromagnetik, dan lain-lain. Radiasi yang dipancarkan oleh sumber energi tersebut akan dipantulkan kembali oleh permukaan bumi dan atmosfer dalam bentuk reflectance permukaan. Setiap objek memiliki karakteristik tertentu untuk setiap saluran spektral sehingga setiap objek dapat dikenali perbedaannya (Lillesand dan Kiefer 1997).
Citra yang dihasilkan dari remote sensing dapat dibedakan berdasarkan resolusinya. Ada 3 macam resolusi sebagai ukuran daya pisah pada citra yaitu resolusi spektral, resolusi spasial, dan resolusi temporal. Resolusi spektral adalah kemampuan suatu sistem optik-elektronik untuk membedakan informasi (objek) berdasarkan pantulan atau pancaran spektral. Resolusi spasial adalah ukuran terkecil obyek yang masih dapat dideteksi oleh sensor. Resolusi temporal adalah frekuensi data yang dapat dihasilkan dalam satu satuan waktu (Lillesand dan Kiefer 1997).
Karakteristik Spectral Reflectance pada tumbuhan
Spectral reflectance adalah rasio dari energi yang dipantulkan oleh suatu obyek dengan total energi yang diterima oleh obyek tersebut. Setiap obyek memiliki karakteristik tertentu terhadap saluran spectral sehingga setiap obyek dapat dikenali berdasarkan perbedaan karakteristik tersebut (Lillesand dan Kiefer 1997). Adapun karakteristik spectral reflectance pada tumbuhan dapat dilihat pada Gambar 1.
5 Karakteristik pantulan spectral dari vegetasi dipengaruhi oleh kandungan pigmen daun, material organik, air dan karakteristik struktural daun seperti bentuk daun dan luas daun (Huete dan Glenn 2011). Vegetasi memiliki karakter spectral yang unik bila dibandingkan dengan obyek tanah maupun air pada saluran panjang gelombang tampak maupun pada panjang gelombang infrared. Nilai pantulan vegetasi pada saluran panjang gelombang sinar tampak memiliki nilai pantulan yang rendah pada panjang gelombang biru dan merah. Hal ini disebabkan oleh serapan klorofil untuk fotosintesis, vegetasi memiliki nilai yang tinggi pada panjang gelombang hijau, hal ini menyebabkan vegetasi terlihat berwarna hijau. Pada panjang gelombang NIR, nilai pantulan dari vegetasi lebih tinggi dari pada panjang gelombang tampak. Hal ini disebabkan oleh struktur daun. Pada panjang gelombang NIR pantulan daun meningkat seiring dengan menurunnya kadar air pada daun, untuk itu saluran NIR dapat digunakan untuk melihat vegetasi yang sakit (Molidena dan as-syakur 2012).
Selain menggunakan 1 band untuk menganalisis vegetasi seperti NIR atau sinar tampak, terdapat juga beberapa formula dengan mengkombinasikan beberapa band yang sering dipakai untuk menganalisis vegetasi seperti Normalized Difference Vegetation Index (NDVI) dan Enhance Vegetation Index (EVI).
NDVI merupakan index vegetasi yang diperoleh dari normalisasi band NIR dengan band red sedangkan EVI adalah indeks vegetasi yang dirancang untuk meningkatkan sinyal vegetasi dengan formulasi yang melibatkan band NIR, red, dan blue (Molidena dan as-syakur 2012).
Analisis Regresi Linier
Regresi yang berarti peramalan, merupakan teknik statistik (alat analisis) hubungan yang digunakan untuk meramalkan atau memperkirakan nilai dari suatu variabel dalam hubungannya dengan variabel lain melalui persamaan garis regresi. Regresi ini dapat berupa regresi linier yaitu regresi yang memperlihatkan data yang ada dapat dinyatakan berada pada satu garis lurus (linier) dan regresi nonlinier yaitu regresi yang memperlihatkan data yang tidak dapat dinyatakan dalam satu garis lurus (nonlinier) (Rawlings et al. 1998).
Variabel dalam regresi linier dibedakan menjadi dua jenis, yaitu variabel bebas dan variabel tidak bebas. Jika model regresi hanya melibatkan satu variabel bebas dan satu variabel tidak bebas, maka model tersebut dinamakan regresi liner sederhana. Regresi linier sederhana merupakan pemodelan regresi yang paling sederhana. Adapun fungsi regresi linier sederhana adalah sebagai berikut (Rawlings et al. 1998):
(1)
Dimana, Y merupakan variabel tidak bebas, X adalah variabel bebas, β0 dan
β1 adalah konstanta yang harus diestimasi. Metode ini ditemukan oleh ahli
matematika Jerman bernama Carl Friendrich Gauss (1777-1855) dan pertama kali dipublikasikan oleh Legendre pada tahun 1805. Untuk menghitung β0 dan β1,
6
(2)
(3)
Regresi linier berganda adalah regresi linier yang melibatkan n variabel bebas (Rawlings OJ et al. 1998). Adapun fungsi dari regresi linier berganda adalah sebagai berikut:
(4)
, , ,…, merupakan konstanta yang harus diestimasi, Y merupakan variable tidak bebas , X adalah variabel bebas, dan Ɛ adalah kesalahan pengganggu (disturbance error).
Artificial Neural Network (ANN) dan Backpropagation Neural Network
(BPNN)
Metode Artificial Neural Network (ANN) pada dasarnya memiliki prinsip kerja seperti otak manusia yang memiliki kemampuan untuk menerima input rangsangan, memproses, dan mengeluarkannya dalam bentuk informasi. Artificial neural network
(ANN) direpresentasikan sebagai sebuah sistem yang memiliki keterhubungan antara satu neuron dan neuron lainnya pada layer yang berbeda (Fausett 1993). Arsitektur dari ANN dapat diklasifikasikan menjadi 3 bagian yaitu: input layer, hidden layer, dan output layer. Input layer akan terkoneksi dengan hidden layer, sedangkan hidden layer akan terkoneksi dengan output layer (Sinha et al. 2013). Gambar 2 menunjukan arsitektur dari ANN
Gambar 2 Arsitektur ANN
7 masukan serupa. Terdapat 3 tahap dalam proses training backpropagation yaitu feedforward pola data input, perhitungan kesalahan dengan backpropagation, dan pengaturan bobot. Adapun Algoritme dalam BPNN antara lain:
1. Inisialisasi bobot
2. Selama kondisi berhenti salah, kerjakan langkah 3 s.d. 8
Feedforward
3. Tiap unit masukan (xi, i=1,…..,n) menerima isyarat masukan xi dan
diteruskan ke unit-unit tersembunyi (hidden layer)
4. Tiap unit tersembunyi (zj , z=1,….,p) menjumlahkan bobot sinyal input.
(5)
Dengan menerpakan fungsi aktivasi, hitung:
(6)
5. Tiap unit keluaran (yk, k=1,…..,m) menjumlahkan isyarat masukan
berbobot
(7)
Dengan menerpakan fungsi aktivasi, hitung:
(8)
Backpropagation
6. Tiap unit keluaran (yk, k=1,…..,m) menerima pola pelatihan masukannya.
Hitung galat (error) informasinya :
(9)
Hitung koreksi bobot dan biasnya:
(10)
(11)
7. Tiap unit tersembunyi (zj , z=1,….,p) menjumlahkan delta masukannya
(dari unit-unit yang berada pada lapisan atasanya):
(12)
Hitung galat (error) informasinya :
(13)
Hitung koreksi bobot dan biasnya:
(14)
Perbaiki Bobot
8. Tiap unit keluaran (yk, k=1,..,m) memperbaharui bobot dan bias
( j=0,1,..p)
8
Tiap unit tersembunyi (zj, z=1,.,p) memperbaharui bobot dan biasnya
(i=0,1,..n)
(16)
9. Uji syarat berhenti
ANN dipengaruhi oleh pola koneksi antar neuron (model arsitektur), metode untuk menentukan bobot koneksi (algoritme training), dan fungsi aktivasi. Setiap neuron memiliki internal state yang disebut fungsi aktivasi yang merupakan sebuah fungsi input dari data yang diterima oleh sebuah neuron (Fausett 1993). Beberapa fungsi aktivasi diantaranya:
1. Fungsi sigmoid biner dengan range (0,1)
(17)
2. Fungsi sigmoid bipolar dengan range (-1,1)
(18)
3. Fungsi Identitas
(19)
K-fold Cross Validation
9
Gambar 3 Ilustrasi 3-fold cross validation (Refaelzadeh et al. 2007)
Principal Component Analysis (PCA)
PCA merupakan salah satu teknik yang digunakan untuk ekstraksi dan reduksi fitur. PCA mentransformasikan sejumlah peubah yang saling berkorelasi menjadi sekumpulan peubah yang tidak berkorelasi (Jackson 1991). Teknik ini mereduksi dimensi himpunan peubah yang biasanya terdiri dari peubah yang banyak dan saling berkorelasi menjadi peubah baru yang tidak berkorelasi. Teknik ini mempertahankan sebanyak mungkin keragaman dalam himpunan data tersebut serta menghilangkan peubah-peubah asal yang mempunyai sumbangan informasi yang relatif kecil (Jollife 2002). Adapun tahapan yang dilakukan dalam PCA antara lain (Jollife 2002):
1. Mencari nilai rata-rata (mean) dari data
(20)
x merupakan rata-rata dari sampel, xm merupakan nilai sampel ke m,
Sedangkan m merupakan jumlah dari data
2. Menghitung zero mean (setiap nilai pada data sampel dikurangi nilai rata-rata tiap fitur yang terkait)
(21)
menyatakan nilai zero mean, xi menyatakan nilai sampel pada data ke m
dan x menyatakan nilai rata-rata sampel
3. Membangun matriks covarians dengan mengkalikan matriks zero mean dengan transposenya
(22)
menyatakan nilai zero mean, menyatakan nilai zero mean transpose, m menyatakan jumlah sampel dan C menyatakan matrik covarians
10
[ ] (23)
C menyatakan matrik covarians, I menyatakan matrik identitas dan λ menyatakan eigen value
5. Menghitung matriks eigen vektor
(24)
C menyatakan matrik covarians, I menyatakan matrik identitas, λ menyatakan eigen value, dan U menyatakan eigen vektor
6. Mengurangi dimensi sebesar K dimensi yang didapatkan dari eigen value yang terbesar pertama
(25)
Root Mean Square Error (RMSE)
RMSE merupakan salah satu metode yang sering digunakan untuk melihat performa sebuah model. Salah satunya digunakan untuk suatu ukuran kesalahan yang didasarkan pada selisih antara dua buah nilai yang bersesuaian (Chai dan Draxler 2014). Adapun persamaan RMSE, yaitu:
√ (26)
Ni dan Mi menyatakan nilai observasi dan nilai estimasi sedangkan n
menyatakan jumlah data.
Metode untuk uji kadar nitrogen
Nitrogen merupakan elemen yang sangat penting pada tumbuhan. Hal ini karena nitrogen merupakan kunci dalam memproduksi klorofil yang sangat penting dalam proses fotosintesis. Di samping itu, nitrogen merupakan bagian dari berbagai macam protein yang sangat penting dalam pertumbuhan tanaman (Sinfield et al. 2010). Beberapa metode dikembangkan untuk estimasi kadar nitrogen. Adapun beberapa metode tersebut dapat dilihat pada Gambar 4 (Munoz-Huerta et al. 2013)
11 estimasi kadar nitrogen dengan memanfaatkan gelombang elektromagnetik seperti gelombang cahaya tampak dan NIR. Electrical meter merupakan metode analisis dengan yang didasarkan pada ion suatu zat (Munoz-Huerta et al. 2013).
Gambar 4 Metode estimasi kadar Nitrogen (Munoz-Huerta et al. 2013)
Metode yang paling umum digunakan pada tissue analysis adalah dengan menggunakan metode Kjeldahl. Metode ini dapat menentukan kadar nitrogen pada berbagai obyek seperti makanan, minuman, daging, tanah, air, pupuk dan tanaman. Metode ini pertama kali dikenalkan oleh Johan Kjeldahl, seorang ketua departemen kimia dari Carlberg laboratorium di Copenhagen pada tahun 1983 (Labconco 1998). Terdapat 3 tahapan dalam metode ini yaitu (Labconco 1998):
1. Wet digestion : Sampel dicampur dengan larutan asam pekat dalam labu Kjeldahl dan dipanaskan sehingga dihasilkan larutan Amonium Sulfat ((NH4)2SO4).
12
NaOH dan dipanaskan. Gas amonia akan dihasilkan dan diteruskan pada kondensor air
3. Ammonium estimation : Karena konsentrasi amonia sebanding dengan kandungan nitrogen dalam sampel, penentuan amonia yang baik adalah penting. Metode yang paling umum digunakan adalah titrasi
Ilustrasi metode Kjeldahl dapat dilihat pada Gambar 5 (Munoz-Huerta et al. 2013). Metode Kjeldahl memiliki beberapa kelemahan diantaranya metode ini hanya dapat mengukur kadar nitrogen dalam komponen organik (protein, asam amino, asam nukleat dan lain-lain) sehingga tidak dapat mengukur nitrogen dalam bentuk nitrat atau nitrit (Munoz-Huerta et al. 2013).
Gambar 5 Metode Kjeldahl (Munoz-Huerta et al. 2013).
13
3
METODE
Data dan Alat
Data
Data yang akan digunakan pada penelitian ini adalah data nitrogen yang diperoleh dari uji lab dan data spectral reflectance pada panjang gelombang 700 nm – 1075 nm dari spektrometer. Objek data pada penelitian ini adalah tanaman padi yang berlokasi di desa Cinangneng, Bogor dan lahan percobaan IPB, Dramaga, Bogor.
Spesifikasi alat
Spektrometer yang digunakan pada penelitian ini merupakan spektrometer dari Lembaga Penerbangan dan Antariksa Nasional (LAPAN). Spektrometer yang digunakan adalah Handheld II yang diproduksi oleh sebuah perusahaan USA yang bernama ASD inc. Adapun spesifikasi dari Handheld II antara lain:
Wavelength Range: 325-1075 nm
Wavelength Accuracy ±1 nm
Noise Equivalence Radiance (NEdL): Standard: 5x10-9W/cm2/nm/sr @ 700 nm, Pro: 5x10-10W/cm2/nm/sr @ 700 nm
Integration Time: 8.5 ms minimum (selectable)
14
Tahapan Penelitian
Penelitian ini dilakukan dalam beberapa tahap. Adapun tahapan penelitian ini dapat dilihat pada Gambar 7.
Gambar 7 Tahapan penelitian
Pengambilan Data
Pada penelitian ini dilakukan 2 tahapan pengambilan data yaitu pengambilan data spectral reflectance menggunakan spektrometer dan pengambilan data nitrogen dengan uji lab. Data yang digunakan pada penelitian ini sebanyak 45 data yang diambil di 2 wilayah berbeda yaitu Desa Cinangneng Bogor dan area percobaan IPB Dramaga, Bogor. Satu data merepresentasikan satu area sawah. Dalam satu area dipilih 3 titik sampel secara acak untuk diukur nilai spectral reflectance daun dan kadar nitrogennya.
Pengambilan data spectral reflectance
Pengambilan data spectral reflectance menggunakan spektrometer dibantu oleh Lembaga Penerbangan dan Antariksa Nasional (LAPAN). Alat yang
15 digunakan adalah Handheld II Spectoradiometer. Proses pengukuran reflectance dapat dilihat pada Gambar 8. Pengukuran diawali dengan kalibrasi alat menggunakan white reference. Setiap titik sampel diambil 3 daun untuk diukur nilai spectral reflectance nya dan diulang sebanyak 3 kali. Setelah pengukuran selesai, sampel yang sudah diukur dimasukan ke dalam plastik dan simpan ke dalam coolbox untuk menjaga proses metabolisme daun selama proses pengambilan data.
Pengambilan data nitrogen
Pengambilan data nitrogen dengan uji lab dibantu oleh laboratorium Departemen Agronomi, IPB. Metode yang digunakan adalah Metode Kjeldhal dikarenakan metode ini dapat mengukur kadar nitrogen organik sehingga sangat cocok digunakan untuk mengukur kadar nitrogen tanaman padi. Sampel daun dikeringkan dengan oven bersuhu 70 o C selama 24 jam. Setelah dikeringkan, sampel dihaluskan dan ditimbang hingga mencapai 0,25 gram per sampel. Ada tiga tahapan metode Kjeldahl : destruksi, distilasi, dan titrasi. Ilustrasi pengukuran kadar N dapat dilihat pada Gambar 9.
Pada Gambar 9, proses destruksi dimulai dengan pemberian katalis pada sampel untuk mempercepat reaksi. Setelah itu, sampel dicampur dalam larutan H2S04 sebanyak 3 mL. Larutan dipanaskan hingga mencapai suhu 2500 C. Hasil
akhir proses destruksi adalah larutan amonium sulfat. Pada proses distilasi, larutan amonium sulfat dipecah menjadi gas amonia dengan mencampurkan larutan NaOH 40% dan H2O sebanyak 10 mL. Setelah itu larutan didestilasi hingga
membentuk larutan berwarna kehijauan. Larutan dititrasi dengan H2S04 hingga
berwarna merah muda. Setelah semua proses dilakukan, kadar N dapat diukur Kalibrasi alat
menggunakan white reference
Pengukuran reflectance 3 helai daun per rumpun
Gambar 8 Ilustrasi pengambilan data
Grafik nilai spectral reflectance
16
Praproses Data
Pada tahap praproses, dilakukan average composite dari 3 titik sample pada setiap area sawah menjadi 1 data spectral reflectance rata-rata. Ilustrasi proses average composite dapat dilihat pada Gambar 10. Setelah diperoleh 45 data spectral reflectance hasil average composite. Data tersebut dibagi menjadi 2 kelompok yaitu 30 data training dan 15 data testing. Proses pemilihan data training dan data testing dilakukan menggunakan K-fold cross validation. K-fold cross validation digunakan untuk melihat peforma dari classifier. Pada penelitian ini jumlah fold yang digunakan adalah 3 fold. Masing-masing fold terdiri dari 30 data training dan 15 data testing
Tahap selanjutnya data akan diproses secara berbeda berdasarkan metode pemodelan yang digunakan. Pemodelan nitrogen dilakukan dengan 2 metode yaitu pemodelan menggunakan regresi linier dan pemodelan menggunakan ANN.
Penambahan larutan NaOH
Proses destruksi Proses destilasi Proses titrasi
2
Gambar 9 Ilustrasi pengambilan data nitrogen
17
Reduksi Data
Sebelum dilakukan pemodelan menggunakan regresi linier, data terlebih dahulu direduksi menggunakan Principal Component Analysis (PCA). Komputasi akan sangat komplek pada regresi linier jika data tidak direduksi terlebih dahulu karena variabel x yang digunakan adalah nilai spectral reflectance dari panjang gelombang 700 nm – 1075 nm. Proses PCA dilakukan harapannya agar diperoleh pemodelan dengan komputasi yang cepat dan sederhana.
Proses reduksi data menggunakan PCA dilakukan sebanyak 2 tahap di setiap dataset. Proses, pertama dilakukan reduksi terhadap data training dan proses kedua, dilakukan reduksi terhadap data testing
Pemodelan Nitrogen
Regresi Linier
Pada tahap ini, data training yang telah direduksi menggunakan PCA akan diproses untuk mendapatkan fungsi hubungan antara kadar nitrogen dengan nilai spectral reflectance NIR. Persamaan (4) digunakan untuk menentukan fungsi hubungan antara nilai nitrogen dan NIR. Variabel Y dan X menyatakan kadar nitrogen dan nilai NIR hasil PCA, sedangkan , , ,…, merupakan koefisien dari regresi linier, sedangkan n menyatakan jumlah fitur yang digunakan.
Artificial Neural Network (ANN)
Pada tahap ini dilakukan estimasi kadar nitrogen menggunakan ANN. Model ANN terdiri dari input layer, hidden layer, dan output layer. Input layer merepresentasikan nilai spectral reflectance dari tanaman padi, sedangkan output layer menyatakan kadar nitrogen dari tanaman padi. Jumlah hidden layer akan ditentukan dengan metode try and error. Ilustrasi arsitektur ANN yang digunakan pada penelitian ini dapat dilihat pada Gambar 11
Semakin kecil tingkat error yang dihasilkan maka semakin tepat jumlah hidden layer yang telah didefinisikan. Fungsi aktivasi yang digunakan adalah fungsi sigmoid bipolar dengan Persamaan (18). Pada penelitian ini dilakukan 2
18
skema pemodelan ANN yaitu skema 1 pemodelan antara spectral reflectance NIR (700nm – 1075nm) dengan nitrogen dan skema 2 pemodelan antara spectral reflectance NIR dan VIS (400nm – 1075nm) dengan nitrogen.
Evaluasi
19
4
HASIL DAN PEMBAHASAN
Karakteristik spectral reflectance daun
Pola spectral reflectance daun dari panjang gelombang 400 nm - 1075 nm dapat dilihat pada Gambar 12. Jika dilihat dari grafik, nilai spectral reflectance sehingga semakin kecil nilai spectral reflectance pada panjang gelombang tersebut. Nilai spectral reflectance terlihat cukup tinggi pada panjang gelombang 500nm - 580nm (kanal hijau). Hal ini dikarenakan klorofil akan memantulkan gelombang hijau. Semakin banyak kloforil dalam suatu tumbuhan maka akan semakin banyak gelombang hijau yang dipantulkan sehingga menyebabkan nilai spectral reflectance hijau semakin besar.
Gambar 12 Karakteristik spectral reflectance daun
Nilai spectral reflectance sangat tinggi pada panjang gelombang 700nm – 1075nm (kanal NIR). Hal ini dikarenakan NIR tidak diperlukan oleh klorofil lagi sehingga dominan akan dipantulkan. Akan tetapi, NIR sangat erat kaitannya dengan struktur molekul pada tumbuhan. Semua bahan organik terdiri dari atom karbon, oksigen, hidrogen, nitrogen, fosfor, sulfur, dengan sejumlah kecil elemen lain. Atom-atom ini akan berkombinasi melalui ikatan kovalen dan elekrokovalen membentuk molekul. Karena sifat ikatannya, gaya elektrostatik ada dalam atom
20
dan molekul tersebut sehingga atom dan molekul akan bergerak secara konstan. Molekul akan bervibrasi pada gelombang NIR sehingga gelombang NIR akan diabsorpsi (Lillesand dan Kiefer 1997). Semakin banyak molekul organik yang ada dalam suatu objek semakin banyak NIR yang akan diserap sehingga nilai spectral reflectance nya semakin kecil. Dalam penelitian ini molekul organik dapat berupa kadar air, kadar nitrogen dan lain-lain.
Sebaran Data Nitrogen dan jenis tanaman yang hampir sama.
Gambar 13 Sebaran data nitrogen
Sebelum dilakukan proses pemodelan nitrogen. Data dibagi menjadi 2 bagian yaitu data training dan data testing dengan menggunakan 3-fold cross validation. Dalam proses ini, data terlebih dahulu dikelompokkan ke dalam 3 kategori berdasarkan rentang nilainya. Masing-masing kategori akan dibagi menjadi menjadi data training dan data testing sesuai dengan Tabel 1. Proses ini dilakukan karena data yang diperoleh sangat terbatas baik dari segi kualitas dan kuantitas sehingga perlu dilakukan pengkategorian data untuk mencegah dominasi data pada area tertentu dan selanjutnya dilakukan 3-fold cross validation untuk mencegah underfitting .
21
Tabel 1 Kategori nilai nitrogen Kategori Rentang
Pada penelitian ini, ditemukan beberapa sampel yang memiliki nilai nitrogen yang sama namun memiliki perbedaan nilai spectral reflectance yang cukup signifikan. Gambar 14 menunjukkan nilai spectral reflectance dari sampel 16 dan 18 yang memiliki perbedaan nilai spectral reflectance yang cukup signifikan, sedangkan nilai nitrogen hasil uji lab dari kedua sampel ini adalah sama yaitu 2.82 %.
Gambar 14 Data spektral spectral reflectance sample 16 dan sample 18 Hal ini terjadi karena beberapa sebab diantaranya sudut dan jarak pengambilan data reklektan yang tidak sama, perbedaan waktu pengambilan data spectral reflectance dengan data nitrogen, hingga proses kalibrasi yang hanya dilakukan setiap 10 menit.
Evaluasi Principal Component Analysis
Pada penelitian ini, PCA digunakan untuk reduksi ciri data spectral reflectance dari 700 nm – 1075 nm (376 variabel) menjadi Principal Component (PC) yang baru. Proses PCA dilakukan pada masing-masing fold. Hasil dari proses PCA dapat dilihat pada Tabel 2.
22
Tabel 2 Hasil proses PCA Jumlah Principal dikarenakan informasi yang dipertahankan cukup signifikan hanya sampai PC ke-3. Berdasarkan Tabel 2, dapat disimpulkan bahwa kemiripan data pada penelitian ini cukup tinggi. Hal ini ditandai dengan hanya menggunakan 3 PC sudah mewakili 99% data spectral reflectance dari 700 nm – 1075 nm.
Pemodelan Regresi Linier
23 Tabel 3 Skema pemodelan dan hasil evaluasi
Skema Jumlah Principal
Gambar 15 menunjukkan perbandingan antara kadar nitrogen aktual dengan hasil estimasi skema 2 pada fold 3. Adapun fungsi yang dihasilkan adalah
Variabel x1 dan x2 menyatakan nilai NIR dari hasil reduksi PCA, sedangkan
variabel y menyatakan kadar nitrogen. Dari Gambar 15, dapat dilihat bahwa hasil estimasi nitrogen menggunakan regresi linier sangat jauh dari nilai aktualnya. Jumlah data menjadi faktor utama yang menyebabkan pemodelan menggunakan regresi linier tidak cukup bagus. Disamping itu, pemodelan menggunakan fungsi linier dengan data yang sangat terbatas masih kurang cocok untuk memprediksi kadar nitrogen berdasarkan nilai spectral reflectance
24
Pemodelan ANN
Peforma dari sebuah model ANN ditentukan oleh beberapa variabel diantaranya karakteristik data dan jumlah hidden layer. Jumlah hidden layer ditentukan menggunakan metode try-error dari 5-20 hidden layer. Pada penelitian ini dilakukan 2 skema pemodelan yaitu skema 1 menggunakan data spectral reflectance pada rentang 700 nm-1075 nm (saluran NIR), sedangkan skema 2 menggunakan data spectral reflectance pada rentang 400 nm – 1075 nm ( saluran sinar tampak dan saluran NIR).
Proses evaluasi dilakukan menggunakan metode RMSE. Semakin kecil nilai RMSE maka semakin optimal model yang dihasilkan. Berdasarkan hasil percobaan diperoleh jumlah hidden layer yang paling optimal pada skema 1 adalah 15, 18, dan 19, sedangkan jumlah hidden layer yang optimal pada skema 2 adalah 9, 11, dan 20. Tabel 4 dan Tabel 5 menunjukkan nilai RMSE pada 3 jumlah hidden layer tersebut.
Tabel 4 Nilai RMSE pada jumlah hidden layer optimal pada skema 1 Fold Jumlah hidden layer
15 18 19
1 0.29 0.32 0.33
2 0.34 0.33 0.36
3 0.2 0.18 0.15
rata-rata 0.28 0.27 0.28
Tabel 5 Nilai RMSE pada jumlah hidden layer optimal pada skema 2 Fold Jumlah hidden layer
9 11 20
1 0.4 0.37 0.39
2 0.33 0.40 0.37
3 0.24 0.20 0.23
rata-rata 0.32 0.32 0.33
Berdasarkan hasil yang ditunjukkan pada Tabel 4 dan Tabel 5. Nilai RMSE pada skema 1 lebih baik dibandingkan nilai RMSE pada skema 2. Hal ini menunjukkan bahwa lebih banyak noise yang terdapat pada saluran sinar tampak (400nm -700nm) yang mengakibatkan nilai RMSE lebih tinggi jika menggunakan data pada saluran sinar tampak dan NIR (400 nm-1075nm) dibandingkan menggunakan data pada saluran NIR (700nm-1075nm) saja
25
Gambar 16 Perbandingan kadar nitrogen aktual dengan nilai estimasi ANN
Jika dilihat pada Gambar 16. Metode ANN dapat digunakan sebagai estimasi kadar nitrogen tanaman padi menggunakan nilai spectral reflectance NIR dari panjang gelombang 700 nm-1075 nm. Akan tetapi, berdasarkan hasil yang ditunjukkan Tabel 4. Terdapat selisih nilai RMSE yang cukup besar antara setiap fold. Hal ini menandakan bahwa data yang digunakan masih sangat sedikit baik dalam segi jumlah maupun keberagaman sampel.
Dari hasil penelitian ini, pemodelan menggunakan ANN menghasilkan prediksi yang jauh lebih baik dibandingkan menggunakan pemodelan regresi linier. Hal ini dikarenakan data yang digunakan pada penelitian ini lebih cocok menggunakan pemodelan eksponensial dibandingkan linier. Akan tetapi, hasil yang diperoleh pada penelitian ini belum bisa menjamin hasil yang baik jika menggunakan dataset yang lain karena selisih antar fold masih sangat tinggi. Hal ini dikarenakan data yang sangat digunakan sangat terbatas.
26
5
SIMPULAN DAN SARAN
Simpulan
Penelitian ini berhasil melakukan estimasi kadar nitrogen berdasarkan nilai spectral reflectance daun. Dari hasil penelitian, nilai RMSE rata-rata yang dihasilkan pada pemodelan ANN adalah 0.27 sedangkan nilai RMSE yang dihasilkan pada pemodelan regresi linier adalah 0.46. Jadi, penggunaan metode ANN menghasilkan estimasi yang jauh lebih baik dibandingkan menggunakan metode regresi linier Akan tetapi, hasil yang diperoleh pada penelitian ini perlu divalidasi menggunakan dataset yang lebih banyak lagi.
Saran
27
DAFTAR PUSTAKA
Arai, K. 2013. Rice crop quality evaluation method through regressive analysis between nitrogen content and near infrared reflectance of rice leaves measured from near field. International Journal of Advanced Research in Artificial Intelligence (IJARAI). Vol. 2. No. 5.
Chai T dan Draxler DD. 2014. Root mean square error (RMSE) or mean absolute error (MAE) – Arguments against avoiding RMSE in the literature. Geosci. Model Dev., 7, 1247–1250, 2014
Curran PJ, Dungan JL, Peterson DL. 2001. Estimating the foliar biochemical concentration of leaves with reflectance spectrometry testing the kokaly and CClark Methologies. Remote Sensing of Environment. 76(3):p.349-359
[DJTP] Direktorat Jenderal Tanaman Pangan, Kementrian Pertanian. 2010. Pedoman pelaksanaan perlindungan tanaman pangan tahun 2010 [internet].
[diunduh 2012 Nov 22] Tersedia dari
http://tanamanpangan.deptan.go.id/doc_upload/PEDOMAN%2520PELAKSA
NAAN%2520PROGRAM.pdf.
Fausset LV. 1993. Fundamental of Neural Networks Architecture, Algorithm, and Applications. 1st ed. Pearson: US.
Hakim N, Nyakpa MY, Lubis AM, Nugroho SG, Saul SG, Diha MA, Hong GB dan Bailey HH. 1986. Dasar-dasar Ilmu Tanah. Universitas Lampung. hlm. 488. Hoffer AM. 1978. Biological and Physical Considerations in Applying
ComputerAided Analysis Techniques to Remote Sensor Data. Di dalam: Swain PH, Davis SM,editor. Remote sensing: The Quantitative Approach. New York (US): McGraw-Hill Book Company.
Huber S, Kneubunher M, Zimermann NE, Itten K. 2005. Potential of spectral feature analysis to estimate nitrogen concentration in mixed canopies
Huete, A.R, Glenn, E.P., 2011, Remote sensing of ecosystem structure and function, advance in environtment remote sensing, p. 291. CRC Press. Boca Raton
Huete AR, Liu HQ, Batchily K, Leeuwen VW. 1997. A Comparison of Vegetation Indices over a Global Set of TM Images for EOS MODIS.Remote Sensing of Environment, 59, 440–451.
Jackson JE. 1991. A User`s Guide to Principal Components. New York (US): John Wiley & Sons, Inc
Jolliffe IT. 2002 Principal Component Analysis: Second Edition. Newyork (US): Springer-Verlag, Inc
Juliati S. 2010. Penentuan indeks kebutuhan hara makro pada tanaman mangga dengan metode diagnosis and recommendation integrated system. J. Hort., vol. 20, no. 2, hlm. 120-9
[KEMTAN] Kementrian Pertanian. 2014. Statistik Lahan Pertanian Tahun 2009-2014. Jakarta (ID) : Pusat Data dan Informasi Pertanian
Labconco, C. 1998. A guide to kjeldahl nitrogen determination methods and apparatus. Houston(USA):Labconco Corporation
28
Martin ME, Aber JD. 1997. High spectral resolution remote sensing of forest canopy lignin, nitrogen, and ecosystem processes. Ecological Applications. 7920:p. 431-443
Menzel CM, Carseldine ML, Haydon GF & Simpson DR. 2003. A review of existing and proposed new leaf nutrient standard lychee. Sci. Hort., vol. 49, pp. 33-53
Miphokasap P, Honda K, Vaiphasa C, Souris M, Nagai M. 2012. Estimating canopy nitrogen consentration in sugarcane using field imaging spectroscopy. Remote sens.4:1651-1670
Misbahuddin, Hasan I. 2004. Analisis data penelitian dengan statistik Edisi ke-2. Jakarta (ID): Bumi Aksara.
Molidena E, As-syakur AR. 2012. Karakteristik pola spectral vegetasi hutan dan tanaman industriberdasarkan data pengindraan jauh.
Munoz-Huerta RF, Guevara-Gonzalez RG, Contretas-Medina LM, Torrens-Pacheco I, Prado-Olivare J, Ocampo-Velazquez RV. 2013. A review of methods for sensing the nitrogen status in plants: adventages, disadventages and recent advances. Sensors.13:10823-10843
Rawlings JO, Pantula SG, Kickey DA. 1998. Applied Regression Analysis: A Research Tool, Secon Edition. Newyork (US): Springer-Verlag, Inc
Refaielzadeh P, Tang L, Liu H. 2007. Cross validation. Proceedings of AAAI Workshop on Evaluation Methods for Machine Learing II: Vancouver, Canada.
Sinfield JV, Fagerman D, Colic O.2010. Evaluation of sensing technologies fon on-the-go detection of macro-nutrients in cultivated soils. Coumput Electron Agric.70:1-18
Sinha BK, Sinhal A, Verma B. 2013. A Software Measurement Using Artificial Neural Network and Support Vector Machine. International Journal of Software Engineering & Applications (IJSEA), Vol.4, No.4
Srivantava N, Hinton G, Krizhevsky A, Sutskever I, Salakhutdinov R. 2014. Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine Learning Research 15 (2014) 1929-1958
29
RIWAYAT HIDUP
Penulis lahir pada tanggal 17 Maret 1992 di Tanjung pati, Sumatera Barat, dari pasangan Suardi dan Erdawati. Pada tahun 2010, penulis lulus dari SMA Negeri 1 Kecamatan Harau dan diterima sebagai mahasiswa di Departemen Ilmu Komputer, Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI).
Selama menjadi mahasiswa, penulis menjadi asisten praktikum mata kuliah Sistem Informasi (2013-2014) di Departemen Ilmu Komputer. Pada tahun 2013, penulis melaksanakan kegiatan Praktik Kerja Lapangan (PKL) di Departemen Ilmu Komputer IPB selama 35 hari kerja. Selama perkuliahan, penulis juga aktif dalam berbagai organisasi diantaranya Badan Eksekutif mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam (BEM FMIPA), Maestro Muda Indonesia, Dewan Perwakilan Mahasiswa IPB (DPM IPB), International Association of Agricultural Students (IAAS) .
Pada tahun 2014, penulis diterima sebagai mahasiswa Magister Ilmu komputer IPB dalam program fastrack. Program fastrack adalah program akselerasi yang memungkinkan mahasiswa S1 semester 7 mulai mengambil mata kuliah S2 secara bersamaan. Dalam program tersebut, penulis diberikan beasiswa pendidikan oleh DIKTI.
