Agroscientiae ISSN 0854-2333 94

Abd. Syakur, dkk.
ANALISIS IKLIM MIKRO DI DALAM RUMAH TANAM AN UNTUK MEMPREDIKSI
WAKTU PEMBUNGAAN DAN MATANG FISIOLOGIS TANAMAN TOMAT
DENGAN MENGGUNAKAN M ETODE ARTIFICIAL NEURAL NE TWORK
MICROCLIMATE ANALYSI S IN GREENHOUSE FOR PREDICTING FLOWERING
AND MATURITY PHYSIOL OGIST OF TOMATO BY U SING ARTIFICIAL NEURAL NE TWORK
1
2
3
Abd. Syakur , Yonny Koesmaryono , Herry Suhardiyanto , Munif Ghulamahdi
1
4
Mahasiswa Program Doktor Program Studi Klimatologi Terapan IPB
2
Departemen Geofisika dan Meteorologi, F -MIPA IPB
3
Departemen Teknologi Pertanian, Fateta IPB
4
Departemen Agronomi dan Hortikultura, Faperta IPB
ABSTRACT
The aim of this research was to determine flowering and maturity physiologist of tomato that grown in
greenhouse. Heat unit was used to determine growing and development stage of tomato. Tomato was
planted in greenhouse during August until December 2010 at Indonesian Agroclimate and Hydrology
Research Institute (IAHRI ), Cimanggu, Bogor. The weather data consist of air temperature, minimum and
maximum temperature, relative humidity, and solar radiation intensity were collected by using Automatically
Weather Station (AWS). Simulation model of Artificial Neural Network w as used in this study.
o
The result of this research showed that heat unit of tomato was 1692 C days. Average of air temperature in
o
greenhouse was 27.1 C and average of relative humidity is 74.2 %. An Artificial Neural Network (ANN)
simulation model showed that coefficient of correlation (R) of flowering was about 0.505 and RMSE was
4.8768, and R value of maturity physiologist was 0.7394 and RMSE was 3.4343.
Key words : microclimate, greenhouse, Artificial Neural Network (ANN)
ABSTRAK
Tujuan penelitian ini adalah untuk menentukan pembungaan dan masak fisiologis tanaman tomat yang
ditumbuhkan di rumah tanaman. Satuan panas telah digunakan untuk menentukan fase pertumbuhan dan
perkembangan tomat. Tomat ditanam di rumah tanaman selama Agus tus sampai Desember 2010 di Institut
Penelitian Agroklimatologi dan Hidrologi Indonesia (IAHRI), Cimanggu, Bogor. Data cuaca seperti
temperature udara, temperature maksimum dan minimum, kelembapan relatip, dan intensitas penyinaran
matahari diukur dengan m enggunakan Stasiun Cuaca Otomatis (AWAS). Model simulasi Jaringan syaraf
tiruan digunakan dalam penelitian ini. Hasil penelitian menunjukkan bahwa satuan panas tomat adalah 1692
⁰ C hari. Rata-rata suhu udara di dalam rumah tanaman adalah 27.1 dan kelembapan relatif rata-rata
sebesar 74.2%. Model simulasi Jaringan Syaraf Tiruan (ANN) menunjukkan bahwa koefisien korelasi (r) dari
pembungaan sekitar 0,505 dan RMSE 4.8768, nilai r value masak fisiologis is 0.7394 dan RMSE 3.4343.
Kata kunci: iklim mikro, rumah tanaman. Jaringan Syarat Tiruan (ANN)
PENDAHULUAN
Tanaman tomat (Lycopersicum esculentum Mill)
merupakan tanaman sayuran yang sehari -harinya
banyak dikonsumsi masyarakat. Buah tomat juga
banyak dimanfaatkan sebagai bahan baku industri,
misalnya tomat segar dapat diolah menjadi saus,
bahan kosmetika, bahkan sebagai bahan obat obatan. Kandungan vitaminnya yang cukup lengkap
dipercaya dapat menyembuhkan berbagai penyakit.
Mengkonsumsi buah tomat secara teratur bahkan
dipercaya dapat mencegah kanker, terutama kanker
prostat.
Penggunaan rumah tanaman merupakan salah
94
satu metode budidaya tanaman dalam lingkungan
yang
terkendali
( Controlled
Environment
Agriculture). Lingkungan pertumbuhan tanaman
dijaga untuk berada atau mendekati kondisi
optimum bagi tanaman yang dibudidayakan
(Suhardiyanto 2009).
Pengendalian lingkungan
dapat meliputi beberapa parameter lingkungan,
seperti cahaya, suhu, kelembaban, konsentrasi CO 2
dan sebagainya. Untuk ko ndisi di kawasan yang
beriklim tropika basah, pengendalian suhu udara
sangatlah penting. Kondisi lingkungan di sekitar
tanaman perlu dijaga agar selalu mendekati
keadaan optimum bagi pertumbuhan tanaman
(Suhardiyanto, 2009).
Agroscientiae ISSN 0854-2333
Analisis iklim mikro di dalam rumah tanaman ……
Metode Artificial Neural Network (ANN) sudah
banyak diterapkan untuk melakukan prediksi dalam
bidang klimatologi dan hidrologi. Lee et al. (1998)
melakukan interpolasi spasial untuk menduga curah
hujan harian di 367 titik berdasarkan data curah
hujan dari 100 stasiun yang terdekat di Swiss.
Model linier menggunakan ANN menghasilkan
prediksi yang sangat baik, sedangkan model linier di
daerah yang kecil memberikan hasil prediksi yang
buruk.
Koesmaryono et al (2007) telah
memanfaatkan model ini untuk melakukan analisis
dan prediksi curah hujan dan memanfaatkannya
untuk pendugaan produksi padi dalam rangka
antisipasi kerawanan pangan di sentra produksi
Pulau Jawa. Model prediksi curah hujan yang
disusun tersebut memiliki sensivitas yang beragam,
berkisar dari 0.380 di Ngale Ngawi hingga 0.848 di
Baros Serang.
Model secara umum mampu
menjelaskan 80 – 91% keragaman data dengan
rata-rata kesalahan pendugaan 3.1 – 9.8 mm.
Selain itu, ANN juga telah banyak digunakan
dalam bidang pertanian dan kehutananan. Liu et al
(2001) menggunakan ANN untuk memprediksi hasil
tanaman jagung. Suhardiyanto et al. (2008)
menggunakan ANN dan algoritma genetik untuk
menentukan waktu fertigasi pada sistem hidroponik
tanaman ketimun yang ditumbuhkan dalam rumah
tanaman (greenhouse). Hasil analisis menunjukkan
ANN mampu menjelaskan hubungan antara faktor
lingkungan dan volume fertigasi u ntuk sistem
hidroponik berdasarkan kebutuhan air tanaman;
hasil yang diperoleh menunjukkan nilai prediksi
menghampiri nilai pengukuran di lapangan.
2
Koefisien determinasi (R ) antara hasil prediksi dan
nilai pengukuran yaitu 0.9673, 0.9432 dan 0.8248
masing-masing pada fase vegetatif, pembungaan,
dan pembuahan.
Elizondo et al. (1994) menggunakan model ANN
untuk memprediksi waktu pembungaan dan masak
fisiologis tanaman kedelei dengan menggunakan
parameter input yang terdiri atas data iklim (suhu
maksimum, suhu minimum, dan fotoperiod) yang
ditempatkan sebagai input layer.
Suhardiyanto
(2009) mengembangkan model ANN untuk
pendugaan suhu udara dalam rumah tanaman
dengan menempatkan faktor lingkungan, seperti
kecepatan angin, kelembaban udara, radiasi
matahari, suhu udara di luar rumah tanaman, dan
kemiringan atap dijadikan sebagai parameter input
(Xi). Suhu udara di dalam rumah tanaman dijadikan
sebagai parameter output (Y k)
Tujuan dari penelitian ini adalah : (1)
Menganalisis karakteristik iklim mikro ( microclimate)
di dalam rumah tanaman untuk memprediksi waktu
pembungaan dan matang fisiologis tanaman tomat
dengan menggunakan metode artificial neural
network (ANN) berbasis data iklim mikro dan data
agronomis tanaman. (2). Menentukan fase partum-
Agroscientiae
buhan dan perkembangan tanaman tomat dengan
pendekatan konsep satuan panas ( heat unit).
METODE PENELITIAN
Waktu dan Tempat Penelitian
Penelitian dilaksanakan pada bulan Agustus sampai
Desember 2010 di rumah tanaman ( greenhouse)
Balitklimat, Cimanggu, Bogor.
Bahan dan Alat
Bahan yang digunakan dalam penelitian ini adalah :
benih tanaman tomat,
pupuk kandang, pupuk
NPK, pestidida, herbisida, dan lain-lain.
Benih
tanaman tomat terlebih dahulu disemaikan dalam
bak semai selama 14 hari selanjutnya dilakukan
penanaman
di
pot
(transplanting).
Secara
keseluruhan terdapat seratus tanaman tomat yang
digunakan dalam penelitian ini. Alat//instrumentasi
yang digunakan adalah Automatical Weather Station
(AWS) yang mengukur suhu maksimum, suhu
minimum, rata-rata suhu udara, kelembaban
maksimum,
kelembaban
minimum,
rata -rata
kelembaban udara, dan intensitas radiasi surya di
dalam rumah tanaman.
Metode
1. Degree Day/Heat Unit
Perkembangan tanaman tomat meliputi 4 fase yaitu
: semai-tanam, (init); tanam –kuncup bunga, (dev);
kuncup bunga- bakal buah, (mid); dan 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 (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). Fase perkembangan (s)
antara masing-masing kejadian fenologi tersebut
dihitung dengan persamaan ber ikut (Handoko,
1994) :
Periode Perhitungan Fase Perkembangan (s)
S–T
: s = 0.25 (T – T01)/HU1
T > T01
T – KB : s = 0.25 + 0.25 (T – T02)/HU2 T > T02
KB – BB : s = 0.50 + 0.25 (T – T03)/HU3 T > T03
BM – MF : s = 0.75 + 0.25 (T – T04)/HU4 T > T04
1, 2, 3 dan 4 menyatakan periode antara kejadian
o
fenologi, T 0 adalah suhu dasar (10 C) dan HU
adalah heat unit yang dihitung dari hasil percobaan
lapang.
2. Artificial Neural Network (ANN)
Untuk
mendapatkan
model
ANN
dalam
memprediksi waktu pembungaan dan masak
fisiologis tanaman tomat digunakan proses pelatihan
(training). Model ANN yang diperoleh dari proses
pelatihan digunakan untuk pengujian ( testing).
Volume 18 Nomor 2 Agustus 2011
95
Abd. Syakur, dkk.
Urutan algoritma pelatihan backpropagation 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 vjk) awal diberi nilai
random antara [-1, 1]
c. Inisialisasi aktivasi thresholding unit, X0 = 1
dan H0 = 1.
2. Aktivasi unit-unit dari input layer ke hidd en layer
(Hj) dilakukan dengan persamaan sebagai
berikut :
Hj=
1
…………………………….( 1)
w ij X i

1 e
-
dimana :
wij
=
pembobot
w
yang
menghubungkan node unit ke -I pada input layer
dengan node ke-j pada hidden layer
3. Aktivasi unit-unit dari hidden layer ke output layer
(Yk) dilakukan dengan persamaan sebagai
berikut :
Yk=
1
V H

1  e jk j
……………………….(2)
-
δk = Yk (1 – Yk) (tk – Yk) ……………….(3)
dimana :
tk = target output pada node ke -k
vjk = vjk old (β δk Hj)
Vjk old = pemberat v jk sebelumnya
β
= konstanta laju pembelajaran
5. Perhitungan error dari unit-unit pada hidden layer
(τj) dan menyesuaikannya dengan bobot w ij
Hidden Layer
2
Ej = Σ 0.5 (Y j – tk) …………………………..(6)
dimana E j = nilai error total untuk node ke -j pada
output layer
8. 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
nilai pembobot. Setiap nilai pe mbobot baru
diperoleh, urutan pengerjaan kembali ke tahap 2.
Seluruh pembobot w dan v yang terbaik pada
saat iterasi merupakan angka pembobot yang
digunakan untuk pendugaan (uji validasi).
Arsitektur Jaringan
dimana :
vjk
=
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
(δk) dan penyesuaian dengan bobot v jk dilakukan
dengan persamaan sebagai berikut :
Input Layer
6. dilakukan dengan persamaan sebagai berikut : .
τj = Hj (1 – Hj) Σk δk vjk ………………….(4)
wij = wij old + (β τj Xi) ……………………(5)
dimana W ij old = pemberat w jk sebelumnya
7. Perhitungan error dugaan dengan persamaan
sebagai berikut :
Arsitektur jaringan syaraf tiruan (JST) terdiri dari
lapisan input, lapisan terselubung ( hidden layer) dan
lapisan output.
Untuk memprediksi waktu
pembungaan tanaman tomat digunakan 6 lapisan
input, yaitu : suhu udara, kelembaban udara,
intensitas radiasi surya, tinggi tanaman, jumlah
daun, dan jumlah tangkai daun.
Lapisan
terselubung sebanyak tiga lapisan.
Sehingga
arsitektur jaringannya adalah 6 : 3 : 1 (Gambar 1).
Sedangkan untuk memprediksi matang fisiologis
tanaman tomat terdapat 7 lapisan input, yaitu : suhu
udara, kelembaban udara, int ensitas radiasi surya,
tinggi tanaman, jumlah daun, jumlah tangkai daun
dan waktu pembungaan. Arsitektur jaringan untuk
memprediksi masak fisiologis tanaman tomat adalah
7 : 3 : 1.
Output layer
o
T udara rata-rata ( C)
RH rata-rata (%)
2
Radiasi surya (MJ/m )
Waktu Pembungaan
Tinggi tanaman (cm)
Jumlah daun (helai)
Jumlah tangkai daun
Gambar 1. Struktur ANN yang dikembangkan untuk waktu pembungaan
Figure 1. ANN structure that developed to time fo flowering
96
Agroscientiae ISSN 0854-2333
Analisis iklim mikro di dalam rumah tanaman ……
3. Analisis Data
Analisis data dilakukan dengan menggunakan
perangkat lunak (software) Matlab.
Hasil data
pengukuran di lapangan dipilah menjadi dua bagian;
sebagian digunakan untuk data training dan
sebagian lainnya digunakan untuk data testing
(validasi). Hasil data testing menunjukkan performa
ANN yang menjelaskan akurasi variabel inp ut 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 )
n
2
ANN dilakukan dengan menghitung Standard Error
of Prediction (SEP),, dan Coefficient of Variation
(CV).
n
SEP=

i 1
CV=
(Ya  Yp) 2
…………………….(8)
n 1
x100%.......................................... (9)
dimana Ya adalah nilai aktual dari pengukuran, Y p
adalah nilai prediksi oleh ANN, n adalah jumlah
data, dan
adalah nilai rata-rata aktual
pengukuran.
HASIL DAN PEMBAHASAN
1. Kondisi Iklim Mikro di da lam Rumah Tanaman
……………….(7)
dimana : 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
Kondisi suhu udara di dalam rumah tanaman
selama penelitian berlangsung disajikan pada
gambar 2. Rata-rata suhu udara di dalam rumah
tanaman selama penelitian berlangsung tercatat
o
o
27.1 C, suhu udara maksimum 38.5 C dan suhu
o
udara minimum tercatat 21.2 C. Rata-rata selisih
antara suhu udara maksimum dan suhu udara
o
minimum tercatat 17.3 C.
(a)
(b)
(c)
Gambar 2. Suhu udara (a), kelembaban udara (b), dan intensitas radiasi surya (c) di dalam rumah tanaman selama
penelitian berlangsung.
Figure 2. Air temperature condition (a), relative humidity (b), and solar radiation intensity (c) in greenhouse in period of
research
Agroscientiae
Volume 18 Nomor 2 Agustus 2011
97
Abd. Syakur, dkk.
Rata-rata suhu udara di dalam rumah tanaman
tergolong suhu udara optimum untuk tanaman tomat
o
yaitu berkisar 20 – 28 C (Yamaguchi, 1983).
Salisbury dan Ross (1995) menjelaskan tentang
termoperiodisme yaitu suatu fenomena yang
menunjukkan
bahwa
pertumbuhan
dan
perkembangan tanaman ditingkatkan oleh suhu
siang dan malam yang bergantian. Pembentukan
buah tomat ditingkatkan oleh suhu malam yang
rendah. Rata-rata kelembaban udara 74.2%,
kelembaban udara maksimum 96% dan kelembaban
udara minimum 24%.
Selisih antara rata -rata
kelembaban udara maksimum dan kelembaban
udara minimum di dalam rumah tanaman tercatat
72%. Rata-rata intensitas radiasi surya di dalam
rumah tanaman selama penelitian berlangsu ng
2
tercatat 14.95 MJ/m /hari, dan intensitas radiasi
2
surya minimum 2.24 MJ/m /hari.
2.
Kondisi Cuaca dan Fase Perkembangan
Tanaman Tomat di Dalam Rumah Tanaman
Peubah cuaca selama fase perkembangan
tanaman mulai semai sampai emergence (S-E),
emergence sampai dengan kuncup bunga (E -KB),
kuncup bunga sampai bakal buah (KB -BB), dan dari
bakal buah mekar sampai matang fisiologis (BB -MF)
disajikan pada Tabel 1.
Tabel 1. Peubah cuaca/iklim selama fase perkembangan
tanaman
Table 1. Weather/Climate in development phase
Fase
Lama
Suhu
Heat
Radiasi
RH
-2
(hari)
rataUnit
(MJ m )
(%)
o
rata
(C
o
( C)
hari)
S–E
14
27.2
224
108.5
73.5
E - KB
34
26.9
587
291.4
73.9
KB – BB
12
27.1
226
119.9
73.3
BB - MF
37
27.3
655
388.0
76.9
Jumlah
97
1692
907.8
Rata-rata
27.1
74.2
Satuan kalor (heat unit) yang diperlukan untuk
mencapai tingkat pertumbuhan masak fisiologis
o
sejak dari semai tercatat 1692 C hari. Satuan kalor
tersebut diperoleh dari perhitungan akumulasi suhu
rata-rata harian dengan suhu dasar (untuk tanaman
o
tomat 10 C). Rata-rata suhu udara di dalam rumah
tanaman selama pertumbuhan tanaman tercatat
o
27.1 C, sedangkan rata-rata kelembaban udara
tercatat 74.2 %.
Tanaman tomat merupakan tanaman hari netral
sehingga laju perkembangan dan kejadian
fenologinya didekati dengan konsep degree-day
(heat unit) yang menggunakan data suhu harian dan
waktu (Allen, 1976). Degree-day tidak dipengaruhi
oleh perbedaan lokasi dan waktu tanam
(Koesmaryono et al., 2002).
3. Waktu Pembungaan
Berdasarkan
arsitektur
jaringan
waktu
pembungaan sebagaimana dijelaskan pada gambar
1, maka dilakukan prediksi waktu pembungaan
dengan perangkat lunak (software) Matlab yang
hasilnya dapat dilihat pada gambar 3.
Gambar 3 menunjukkan performa ANN dalam
melakukan pelatihan (training) dan pengujian
(testing) waktu pembungaan tanaman dengan iterasi
sebanyak 1500 kali.
Dalam algoritma back
propagasi (perambahan galat mundur), nilai prediksi
diupayakan mencapai nilai optimal mendekati nilai
pengukuran. Nilai koefisien korelasi (R) diperoleh
dari persamaan regresi yang disediakan model.
Gambar 3 (a) menunjukkan hasil pelatihan dengan
metode ANN. Model yang didapatkan dari hasil
pelatihan digunakan untuk pengujian/validasi model
dengan nilai-nilai baru yang diperoleh dari sampel
sebagaimana ditunjukkan pada Gambar 3 (b).
(a)
(b)
Gambar 3. Hasil pelatihan (a) dan pengujian (b) waktu pembungaan tanaman tomat
Figure 3. Result of research (a) and validation (b) time of tomato fl owering
98
Agroscientiae ISSN 0854-2333
Analisis iklim mikro di dalam rumah tanaman ……
Nilai koefisien korelasi (R) antara hasil prediksi
data pelatihan dengan nilai observasi (target) waktu
pembungaan tanaman tomat adalah 0.505,
sedangkan nilai RMSE antara hasil prediksi dan
hasil observasi (pengukuran) y aitu 4.8768 , SEP =
26.4258, dan CV = 69.18%.
Hasil pengukuran di lapangan menunjukkan rata rata waktu pembungaan tanaman tomat di dalam
rumah tanaman yaitu pada 34 HST (hari setelah
tanam). Waktu pembungaan tanaman tomat ini
tidak jauh berbeda dengan ha sil penelitian yang
dilakukan oleh Purwati
(2010) di tiga lokasi yaitu
Lembang, Garut, dan Ciwidey dengan rata -rata
waktu pembungaan masing -masing yaitu 35, 34,
dan 34 HST.
Enam parameter input menentukan besaran
parameter output, dalam hal ini waktu p embungaan.
Intensitas radiasi surya dapat merangsang
pembungaan (Darmawan dan Baharsjah, 2010).
Suhu udara berhubungan dengan pengaruhnya
terhadap zat pengatur tumbuh, terutama terhadap
reaksi biokimia. Kelembaban udara menentukan
suhu udara di dalam rumah tanaman sesuai dengan
prinsip-prinsip udara basah (Suhardiyanto, 2009).
Tinggi tanaman, jumlah daun, dan jumlah tangkai
daun merupakan bagian dari organ tanaman yang
mempengaruhi
pertumbuhan
vegetatif
yang
selanjutnya berpengaruh terhadap pertumbuhan
generatif. Sejauh ini, parameter input untuk waktu
pembungaan
tanaman
kedelai
dilakukan
berdasarkan data iklim yaitu suhu maksimum, suhu
minimum dan fotoperiod (Elizondo et al., 1994).
Dalam penelitian ini, prediksi waktu pembungaan
tanaman tomat dilakukan dengan menggunakan
parameter tanaman yaitu tinggi tanaman, jumlah
daun, dan jumlah tangkai daun.
4. Masak Fisiologis
Hasil pelatihan (training) dan pengujian (testing)
waktu masak fisiologis tanaman tomat disajikan
pada gambar 4. Gambar 4 menunjukkan hasil
pelatihan (a) dan pengujian (b) waktu masak
fisiologis tanaman tomat dengan 1500 iterasi.
Gambar
4
(a)
menunjukkan
hasil
pembelajaran/pelatihan masak fisiologis tanaman
tomat. Selanjutnya, model hasil pelatihan digunakan
untuk pengujian ) masak fisi ologis tanaman tomat
sebagaimana disajikan pada Gambar 4 (b).
Nilai koefisien korelasi (R) antara hasil prediksi
dan hasil pengukuran/untuk masak fisiologis
tanaman tomat adalah sebesar 0.74 sedang nilai
RMSE yaitu 3.4343, SEP = 13.1047, dan CV=
15.62%. Hasil pengamatan waktu masak fisiologis
tanaman tomat yaitu berkisar antara 72 sampai 90
hari setelah tanam (HST). Hal ini sejalan dengan
hasil penelitian yang dilakukan oleh Purwati (2010)
rata-rata waktu masak fisiologis tanaman tomat di
tiga lokasi yaitu Lembang, Garut, dan Ciwidey
masing-masing 76, 71, dan 79 HST. Hasil analisis
laboratorium menunjukkan kadar gula saat tanaman
tomat masak fisiologis adalah 9.219 mg/gBB.
Setelah buah mencapai ukuran optimal, maka
pemasakan buah terjadi dengan terbentukn ya gas
etilen yang mempercepat proses pemasakan buah
(Darmawan dan Baharsjah, 2010).
Nilai koefisien korelasi (R) waktu masak fisiologis
tanaman tomat sebesar 0.74 menjelaskan bahwa
parameter input berkorelasi sangat kuat dengan
parameter output, dalam hal ini waktu masak
fisiologis tanaman tomat. Dari tujuh parameter input
yang ada dalam arsitektur jaringan, enam
diantaranya
telah
dijelaskan
pada
waktu
pembungaan. Satu parameter input lainnya yaitu
waktu pembungaan sangat berhubungan dengan
waktu masak fisiologis.
(a)
(b)
Gambar 4. Hasil pelatihan (a) dan pengujian (b) masak fisiologis tanaman tomat.
Figure 4. Result of research (a) and validation (b) Maturity Physiologist of Tomato
Agroscientiae
Volume 18 Nomor 2 Agustus 2011
99
Abd. Syakur, dkk.
SIMPULAN
1. Satuan panas tanaman tomat yang ditumbuhkan
di dalam rumah tanaman sejak semai sampai
o
masak fisiologis tercatat 1692 C hari, dengan
rata-rata suhu udara selama pertumbuhan 27.1
o
C, rata-rata kelembaban udara 74.2% dan rata 2
rata intensitas radiasi surya 14.95 MJ/m /hari.
2. Metode ANN dapat memprediksi waktu
pembungaan dan masak fisiologis tanaman
tomat dengan nilai koefisien korelasi (R) masing masing 0.505 dan 0.74, dan nilai RMSE masi ngmasing 4.8768 dan 3.4343.
3. Metode ANN efektif dalam memprediksi waktu
pembungaan dan masak fisiologis tanaman
tomat dengan menggunakan data iklim mikro
dan data parameter pertumbuhan tanaman.
SARAN
Untuk memperoleh hasil akurasi prediksi ANN
yang lebih baik dibutuhkan jumlah sampel lebih
banyak. Untuk penelitian selanjutnya disarankan
untuk menambah jumlah sampel atau melakukan
penanaman beberapa kali musim tanam, sehingga
dapat diketahui akurasi ANN untuk memprediksi
waktu pembungaan dan masak fi siologis tanaman
tomat.
DAFTAR PUSTAKA
Allen JC, 1976. A Modified Sine Wave Method for
Calculating Degree-Days. Environ. Entomol. 5
(3): 388-396.
Darmawan J dan Baharsjah J, 2010. Dasar -Dasar
Fisiologi Tanaman. SITC, Jakarta.
Doorenbos J dan Kassam AH , 1979. Yield
responses to water. FAO Irrig. and Drain.
Paper No. 33. FAO, Rome, Italy.
Elizondo DA, Clendon RWMc, Hoogenboom G.,
1994. Neural network models for predicting
flowering and physiological maturity of
soybean. J. American Society of Agricultu ral
Engineers, Vol 37 (3) :981-988.
Fu, G., 1994. Falsafah dasar : system pengendalian
proses. PT Elex Komputindo, Jakarta.
100
Handoko, 1994. Dasar penyusunan dan aplikasi
model simulasi komputer untuk pertanian.
Jurusan Geofisika dan Meteorologi, F -MIPA,
Institut Pertanian Bogor.
Koesmaryono Y, Sangadji S, dan June T, 2002.
Akumulasi Panas Tanaman Soba ( Fagopyrum
esculentum cv. Kitaware) pada Dua Ketinggian
di Iklim Tropika Basah. J.Agromet Indonesia15
(1): p8-13.
Koesmaryono Y, Las I, Runtunuwu E, June T, dan
Pramudia A, 2007. Analisis dan Prediksi Curah
Hujan untuk Pendugaan Produksi Padi Dalam
Rangka Antisipasi Kerawanan Kekeringan.
Institut Pertanian Bogor (Laporan Akhir
Penelitian KP3T).
Kerjasama antara IPB
dengan Sekretariat Badan Penelitian da n
Pengembangan
Pertanian,
Departemen
Pertanian.
Lee S, Cho S, and Wang PM, 1998. Rainfall
Prediction Using ANN. J of Geographic
Informasion and Decision Analysis, Vol. 2, no.
2, pp 233 – 242.
Liu J, Goering CE, Tian L., 2001. A neural network
for setting target corn yields. J. American
Society of Agricultural Engineers , Vol. 44 (3) :
705-713.
Purwati Ety, 2010. Budidaya Tanaman Tomat di
Tiga Lokasi yang Berbeda. Laporan Penelitian.
Balai Penelitian Sayuran Lembang.
Salisbury F dan Ross C, 1995. Fisiol ogi Tumbuhan,
Jilid III. ITB, Bandung
Suhardiyanto H, Arif C, Suroso, 2008. Fertigation
Scheduling in Hydroponics System for
Cucumber (Cucumis sativus L) Using Artificial
Neural Network and Genetic Algorithms. Bul.
Agron. (36) (I) 92 – 99.
Suhardiyanto H. 2009. Teknologi Rumah Tanaman
untuk Iklim Tropika Basah . Bogor, IPB Press.
Yamaguci M, 1983. World Vegetables : Principle,
Production and Nutritive Values.
AVI
Publishing
company,
Inc.
Westport,
Connecticut.
Agroscientiae ISSN 0854-2333