Prediksi Kadar Bahan Organik Tanah denga

Teks penuh

(1)

Prediksi Kadar Bahan Organik Tanah dengan Pengolahan Citra dan Jaringan

Jurusan Teknik Pertanian dan Biosistem Fakultas Teknologi Pertanian

Institut Pertanian Stiper Yogyakarta

Kampus Pusat Jl. Nangka 2 Maguwoharjo, Depok, Sleman, Yogyakarta 55283

Bahan organik tanah walaupun kadarnya sangat rendah dalam tanah, namun keberadaannya akan sangat berpengaruh terhadap sifat fsika dan biologi tanah. Tanah dengan kadar bahan organik tinggi pada umumnya akan memberikan kenampakan

(HSI), mean, entropi, energi, kontras, dan homogenitas. Melalui pengujian diperoleh

lima dari sebelas parameter citra tersebut signifikan terhadap kadar bahan organik tanah yaitu : red, green, blue, hue dan saturation. Parameter tersebut kemudian digunakan sebagai input jaringan syaraf tiruan (JST) penjalaran balik dengan target kadar bahan organik tanah. Prediksi kadar bahan organik tanah dengan menggunakan metode tersebut pada jenis tanah regosol Maguwoharjo, Sleman memberkan hasil yang memuaskan (Hermantoro, dkk 2010).

Metode dan prosedur prediksi kadar bahan organik tersebut dikembangkan kebih lanjut

terintegrasi pada sebuah telepon genggam dengan menggunakan bahasa pemrograman Java 2 Micro Edition (J2ME). Dengan menggunakan sebuah telepon genggam semua prosedur mulai dari capture citra tanah, pengolahan citra, pemilihan weight JST, dan proses prediksi kadar bahan organik dapat dilakukan lebih cepat dan simple. Keandalan prediksi dinyatakan dengan koefsien determinasi sebesar 93,14 %.

Kata kunci : bahan organik tanah, citra, JST, telepon genggam

PENDAHULU AN

(2)

Pertanian 2011 2

Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani

bahan organik memainkan banyak peranan penting dalam tanah baik ciri fsik, kimia, maupun biologi tanah.

Keberadaan bahan organik dalam tanah sangat dibutuhkan berkaitan dengan kemampuan dalam memberikan produksi tanaman, seperti dinyatakan oleh beberapa ahli (Iswandi Anas, 2007) : kemampuan tanah menghasilkan produksi biomassa berhubungan langsung dengan kadar bahan organik (Goeswono Soepardi,1983). Syekhfani (2000) menyatakan tanpa bahan organik semua kegiatan bio-kimia antara lain peruraian hara pupuk akan terhenti, dan Iswandi Anas (2000) menyebutkan bahwa bahan organik adalah nyawa tanah.

(3)

kecenderungan peningkatan penggunaan bahan organik dalam produksi biomassa oleh karena didorong oleh perubahan preferensi konsumen tentang produk pertanian organik, pengembangan model pertanian khususnya pada sawah dengan model SRI (sistem of rice intensification) dan slogan dari Departemen Pertanian yaitu Go Organik Farming 2010.

Implementasi dari program-program tersebut memerlukan metode yang cepat dan akurat dalam penentuan kadar bahan organik dalam tanah sehingga penambahan bahan organik yang harus diberikan dapat dilakukan dengan tepat dan cepat.

Warna tanah merupakan sifat fsik tanah yang terdiri dari bermacam-macam warna seperti putih, merah, cokelat, abu-abu, kuning, hitam, kebiruan, dan kekuningan. Pada umumnya warna tanah itu tidak murni tetapi campuran dua atau tiga warna seperti campuran coklat dan merah atau abu-abu, coklat dan merah. Pada satu jenis tanah dengan warna dasar tertentu terdapat kecenderungan warna gelap menunjukkan kandungan bahan organik yang tinggi sedangkan warna yang lebih terang mengindikasikan lebih miskin bahan organik.

Seperti dinyatakan oleh Plaster (1992) bahwa pengukuran kadar bahan organik dalam tanah dapat dilakukan dengan membandingkan warna tanah dengan warna standar yang telah diketahui kadar bahan organiknya. Cara lain pengukuran kadar bahan organik adalah melalui analisa di laboratorium dengan mengukur kadar karbon-organik dalam contoh tanah.

Perkembangan teknologi pengolahan citra digital (digital image process) dan

jaringan syaraf tiruan (artificial neural network) memungkinkan untuk prediksi kadar

bahan organik tanah dilakukan berdasarkan parameter citra secara kuantitatif dengan lebih akurat. Penggunaan telepon genggam akan sangat membantu dalam kecepatan dan kesederhanaan prediksi kadar bahan organik tanah berdasarkan parameter citra tersebut.

TUJUA N

Penelitian ini bertujuan untuk membangun metode prediksi kadar bahan organik tanah menggunakan pengolahan citra digital terintegrasi dengan model jaringan syaraf tiruan. Piranti yang digunakan untuk mengambil citra, mengolah citra dan prediksi kadar bahan organik adalah sebuah telepon genggam.

METOD E

(4)

Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani

Pertanian 2011 4

Model warna dalam pengolahan citra

Model warna telah banyak dikembangkan oleh para ahli diantaranya adalah

model warna RGB dan model warna Hue, Saturation, dan Intensity (HSI). Pengolahan

(5)

R G

adalah dengan melakukan normalisasi, dengan cara sebagai berikut : tingkat kemurnian warna cahaya, yaitu mengidentifikasikan seberapa banyak warna putih diberikan pada warna. Sebagai contoh, jika warna merah adalah 100% warna

jenuh maka pink adalah warna merah dengan tingkat kejenuhan rendah (karena ada

warna putih di dalamnya). Sedangkan nilai Intensity menyatakan banyaknya cahaya

yang diterima oleh mata tanpa mempedulikan warna. Kisaran nilainya antara gelap (hitam) dan terang (putih).

A

n ali s is T ek s t u r P a d a Cit r a D i g i t a l

Tekstur adalah sifat-sifat atau karakteristik yang dimiliki oleh suatu daerah yang cukup luas sehingga secara alami sifat-sifat tadi dapat berulang dalam wilayah tersebut. Dalam kata lain adalah keteraturan pola-pola tertentu yang terbentuk dari susunan piksel-piksel citra digital (Munir dan Rinaldi. 2004).

(6)

Pertanian 2011 4

Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani

(7)

Jaringan Syaraf Tiruan

Jaringan syaraf tiruan atau Artificial Neural Network merupakan suatu struktur

komputasi yang dikembangkan berdasarkan proses sistem jaringan syaraf biology dalam otak. Jaringan syaraf tiruan merupakan penjabaran fungsi otak manusia (biological neuron) dalam bentuk fungsi matematika yang menjalankan proses perhitungan secara paralel (Ashish, 2002). Sementara itu Pham (1995) menyatakan bahwa JST bersifat fleksibel terhadap masukan data dan menghasilkan respon yang konsisten. Jaringan yang terdiri dari beberapa lapisan (multilayer) dapat menunjukkan kapabilitasnya yang sempurna untuk memecahkan berbagai permasalahan. Pembelajaran JST dapat menyelesaikan perhitungan paralel untuk tugas-tugas yang rumit, seperti prediksi dan pemodelan; klasifkasi dan pola pengenalan; pengklasteran; dan optimisasi.

Menurut Toth et al.(2002) JST pada dasarnya tersusun dari tiga lapisan yaitu: lapisan masukan (input layer), lapisan tersembunyi (hidden layer), dan lapisan

keluaran (output layer). Pada masing-masing lapisan terdapat node yaitu suatu unit

komputasi yang paling sederhana dan dihubungkan dengan node pada lapisan

berikutnya, hubungan antar node diekspresikan oleh suatu bilangan yang disebut pembobot (weight). Setiap node pada lapisan masukan menjadi masukan pada lapisan berikutnya sampai akhirnya pada lapisan keluaran.

Dibike et al. (1999) menyatakan bahwa JST adalah struktur matematik yang

fleksibel dan mampu untuk mengidentifikasi hubungan non-linear yang rumit antara

masukan dengan keluaran suatu set data. Fu (1994) menyatakan bahwa konsep

dasar teori grafs Neural Network digambarkan sebagai satu node dan tanda

panah (arrow). Sebuah node menandakan sebuah neuron, dan tanda panah merupakan simbol dari arah proses antar neuron. Sifat dinamis dari Neural Network dapat digambarkan secara matematis dan proses kerjanya dapat dilakukan dengan digital

komputer maupun analog komputer, tergantung dari jenis datanya.

Dinyatakan oleh Fu (1994) bahwa Neural Network mampu menyelesaikan

masalah secara

self-learning dan self-organization, mempunyai potensi menyederhanakan mekanisme perhitungan pada neuron tunggal. Kelebihan sistem perhitungan Neural Network meliputi :

1. Mampu menggeneralisasi, abstraksi, ekstraksi sifat-sifat statistik dari data.

2. Mampu menciptakan sistem kerja secara

self-organization.

3. Mampu menghitung secara paralel (parallel-distributed processing).

(8)

Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani

Pertanian 2011 6

Model JST sudah diterapkan pada berbagai disiplin ilmu dan hasilnya memuaskan. Dedecker

et al. (2002) menerapkan JST untuk prediksi komunitas makro invertebrata sungai menggunakan

120 set data dengan 15 variabel lingkungan. Ashish (2002) menggunakan JST untuk klasifkasi penggunaan lahan dari foto udara. Penggunaan JST secara luas di bidang pemodelan agroekologi dilaporkan oleh Schultz, et al. (2000).

(9)

kuantitatif dianalisis menggunakan pendekatan jaringan syaraf tiruan untuk

Kontras, dan Homogenitas. Keluaran dari pengolahan citra seperti pada Tabel 1.

Tabel 1. Parameter citra hasil pengolahan citar digital Kadar

9 0.221 126.238 7.876 0.355 0.269 0.871 0.646 0.656 0.384 0.348 0.268 42.56

1 0.197 132.744 8.282 0.166 0.429 0.811 0.936 0.914 0.387 0.346 0.267 40.24

8 0.199 132.685 8.270 0.188 0.324 0.848 0.883 1.112 0.392 0.344 0.264 38.42

3 0.208 135.969 8.476 0.104 1.092 0.683 1.134 Parameter citra tersebut kemudian digunakan sebagai masukan (input layer) pada model

JST dengan target keluaran (output layer) kadar bahan organik tanah pada

(10)

Pertanian 2011 6

Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani

Melalui langkah training dan test diperoleh mdel JST terbaik adalah 5-6-1 ( lapisan input 5 note, lapisan tersembunyi 6 node, dan lapisan keluaran 1 note), dengan leaning rate 0,9 dan momentum

0,8. Keandalan prediksi dinyatakan dengan koefisien determinasi 93,14 %. Arsitektur JST seperti

Gambar 2. Arsitektur backpropagation JST untuk kadar BO tanah

Prediksi BO dengan Telepon Genggam

(11)
(12)

Pertanian 2011 7 Proses pengambilan citra tanah, analisis pengolahan citra dan prediksi kadar bahan organik dengan JST dilakukan melalui sebuah telepon genggam dengan sistem operasi Android. Menu yang ditampilkan pada view screen terdiri fle untuk pengambilan image dari fle, photo digunakan untuk pengambilan citra langsung dari camera telepon genggam, weight untuk memanggil fle weight JST, proses untuk analisis pengolahan citra dan prediksi dengan JST, dan Tutup untuk mengakhiri operasi. Tampilan screen pada sebuah telepon genggam seperti disajikan pada Gambar

4.

a. Menu operasi pada screen b. Hasil eksekusi proses prediksi

Gambar 4. Tampilan screen proses prediksi kadar bahan organik tanah

KESIMPULAN

1. Prediksi kadar bahan organik dapat dilakukan berdasarkan citra melalui pengolahan citra terintegrasi dengan model JST

2. Penggunaan sebuah telepon genggam akan mempermudah dan mempercepat proses prediksi

kadar bahan organik tanah

DAFTAR PUSTAKA

(13)

Yogyakarta.

Budi Laksono Putro dan Dedi Rahman Wijaya, 2009. J2ME Mobile Application. Penerbit Politeknik

(14)

Pertanian 2011 9 Dibike, Y.B., and D.P.Solomatine. 1999. River Flow Forcasting Using Artificial Neural Networks.

Ht

t p://w w w. i he . n l / hi/s o l / p a p e rs/ E GS99-an n r i v e r fl o w. p df [3 Agustus 2003]:13p

Fu, L.M. 1994. Neural Network in Computer Intelligence. Mcgraw-Hill,Inc. New York. 459p Iswandi Anas, 2007. Peran Limbah Bioetanol dalam Pembuatan Pupuk Mixed-G untuk

Peningkatan Produktivitas Gula di PG RNI. Makalah Konverensi Nasional 2007. Pemanfaatan Hasil Samping Industri Biodiesel dan Etanol. Jakarta

Munir dan Rinaldi. 2004. Pengolahan citra digital. Informatika Bandung. Bandung.

Moshou, D., Vrindts, E., De Ketelaere, B., De Baerdemaeker, J., and Ramon, H., 2001. A neural network based plant classifer, Comput. Electron. Agric. 31 (1), 5-16.

Paola, J. D. And Schowengerdt, R. A., 1995. A detailed comparison of neural network and maximum likelihood classifers for urban land use classifcation, IEEE Trans. Geosci.Remote Sensing 33 (4), 981-996.

Patterson, D. W. 1996. Artificial Neural Networks Theory and Application. Printice Hall. New York. Pham, D.T. 1994. Neural Network for Chemical Engineers. Elsevier Press. Amsterdam.

Sutanto, Rachman. 2005. Dasar-dasar ilmu tanah : konsep dan kenyataan. Kanisius. Yogyakarta. Toth, E., Brath H. 2002. Flood Forcasting Using Artificial Neural

Nasional Republik Indonesia yang telah memberikan hibah dana penelitian Hibah Bersaing tahun

Figur

Gambar 1.Gambar 1. Diagram alir penelitian

Gambar 1.Gambar

1. Diagram alir penelitian p.9
Gambar 2. Arsitektur backpropagation JST untuk kadar BO tanah

Gambar 2.

Arsitektur backpropagation JST untuk kadar BO tanah p.10

Referensi

Memperbarui...