PENDUGAAN HASIL TANAMAN BAYAM (Amaranthus tricolor L.) SECARA HIDROPONIK DENGAN JARINGAN SYARAF TIRUAN (ANN)

ISSN: 1410-0029 Jurnal Penelitian dan Informasi Pertanian “Agrin”, Vol.11 No. 1, April 2007

PENDUGAAN HASIL TANAMAN BAYAM (Amaranthus tricolor L.) SECARA HIDROPONIK DENGAN JARINGAN SYARAF TIRUAN (ANN) Spinach’s Yield Prediction Grown in a Hydroponics System Using Artificial Neural Network Oleh: E. Sumarni1, Suroso2, A. Margiwiyatno1 1 Jurusan Teknologi Pertanian, Fakultas Pertanian, Unsoed. 2 Departemen Teknik Pertanian, Fakultas Teknologi Pertanian, IPB. ABSTRAK Artificial Neural Network (ANN) dapat digunakan sebagai pendugaan output dari suatu input yang tidak diketahui hubungannya. Tujuan dari penelitian ini adalah training data dengan jaringan ANN untuk pendugaan hasil tanaman bayam secara hidroponik berdasarkan data parameter tanaman bayam (tinggi tanaman, jumlah cabang, dan bobot basah total). Data yang diperoleh dari pengukuran dibagi menjadi 2 kelompok yaitu 7 set data digunakan untuk training dan 5 set data digunakan untuk validasi. Validasi mempertimbangkan nilai Standar Error of Prediction (SEP), Coefisien of Variation (CV), dan perbedaan antara hasil pengukuran dengan penduga (d). Iterasi sebanyak 30000 kali digunakan dalam training. Hasil validasi model jaringan syaraf tiruan berupa nilai SEP, CV dan nilai d (bias) yang rendah bagi parameter tanaman bayam yang digunakan. Model ANN ini dapat digunakan untuk pendugaan hasil tanaman bayam dengan hidroponik. Kata kunci : ANN, bayam, EC, hidroponik, iterasi

ABSTRACT Artificial Neural Network (ANN) could be used as a tool for predicting output from input which it relationship with the output is unknown. This research was aimed at training of the network model by using parameter data of spinach growth (height, branch, leaf, and wet weight) grown in a hydroponics system. Results of training were then used for predicting the spinach yield. Measurement results were divided into two groups; 7 set of data was used for training purpose and 5 set data for validation process. Validation of the prediction results was made by considering low value of Standard Error of Prediction (SEP), Coefficient of Variation (CV), and difference between actual yield and predicting yield (d). For training purpose, 30000 iterations were applied. Results of validation indicated that the iterations produced low value of the SEP, the CV, and the d for each used for predicting the yield of spinach grown in hydroponics system. Keywords: ANN, spinach, EC, hydroponics, iteration

PENDAHULUAN Budidaya secara hidoponik telah dilakukan untuk pemeliharaan tanaman yang terkontrol di dalam greenhouse (Devitt dan Mooriss, 1987; Nelson, 2003).

Salah satu tujuan produksi di dalam greenhouse adalah diperoleh produk yang bermutu, sehat, dan dapat meningkatkan pendapatan petani. Hal ini dapat dicapai dengan mengkombinasikan tingkat produksi dan kualitas yang tinggi melalui

1


peningkatan kualitas pengendalian lingkungan. Hidroponik adalah budidaya tanaman tanpa menggunakan tanah sebagai media tanamnya (Soeseno, 1998). Salah satu faktor penting dalam budidaya tanaman adalah kualitas media tanam (Biernbawn, 1992; Styer and Koranski, 1997; Fonteno et al, 1996). Sifat fisik media tanam dalam greenhouse dipengaruhi oleh bulk density (Bunt, 1988;; Hanan et al., 1981), ukuran partikel (Puustjarvi dan Robertson, 1975), dan volume media (Fonteno, 1988). Nilai EC (Electric Conductivity) yang dianjurkan untuk tanaman bayam adalah 1,4 sampai 1,8 mS/cm. Tanaman tomat nilai EC-nya 2.0 sampai 5.0; tanaman cabai 1.8 sampai 2.2; melon 2.0 sampai 2.5 ms/cm (Bunt, 1988; Devitt dan Morris, 1987; Dole and Wilkins, 1999; Hofstra dan Wukasch, 1987; Nelson, 1996; Whipker et al, 2000). Nilai pH untuk tanaman bayam berkisar 6.0 sampai 7.0 (Cooper, 1979). Konduktivitas listrik tanaman (EC) mempengaruhi metabolisme tanaman; kecepatan fotosintesis, aktivitas enzim, dan potensi penyerapan ion-ion larutan oleh akar sehingga mempengaruhi absorbsi (Haryadi, 1994). Penggunaan irigasi drip lebih efisien karena mampu menjaga kelembaban pada permukaan media tanam dan memaksimalkan hasil (Al-Jamal et al., 2001) pada tanaman bunga kol (Brassica oleracea L.) (Thompson et al, 2000), bayam, lettuce (Lactuca sativa L.) (Thompson dan Doerge, 1995) dan watermelon (Citrullus lanatus thumb) (Pier dan Doerge, 1995). Irigasi drip mampu mengurangi kehilangan air dan nutrisi dari media (Clinton et al, 2004). Pendugaan hasil tanaman bayam secara hidroponik dapat dilakukan dengan model jaringan syaraf tiruan (ANN). ANN

2

dapat memperoleh hasil yang lebih akurat, karena mencoba mensimulasikan kemampuan otak manusia untuk belajar. Kemampuan dasar ANN adalah mampu mempelajari contoh input dan outputnya, kemudian beradaptasi dengan lingkungan (Jones, 1995; Challa dan Baker, 1995). ANN mampu memecahkan masalahmasalah yang tidak dapat dipecahkan dengan metode komputasi konvensional dan untuk pendugaan hubungan antara input dan output yang tidak diketahui dengan jelas. Jaringan ini terdiri atas sejumlah neuron yang memiliki nilai tertentu untuk menunjukkan seberapa besar koneksi antar neuron yang disebut dengan pembobot. Pendugaan hasil dengan ANN sudah dicobakan pada tanaman ketimun (Tamrin et al., 2005), cabai merah (Subrata et al., 2001), dan kualitas biji kopi (Sofi’i et al., 2005). Tujuan dari penelitian ini adalah mengembangkan model untuk menduga hasil tanaman bayam secara hidroponik dengan menggunakan jaringan syaraf tiruan (ANN). Model disusun berdasarkan data pertumbuhan dan hasil tanaman bayam.

METODA PENELITIAN Penelitian dilakukan di rumah plastik Laboratorium Genetika Fakultas Pertanian Unsoed Karangwangkal Purwokerto. Waktu penelitian bulan Juli sampai Nopember 2005. A. Pengambilan Data Lapang Percobaan penanaman bayam dilakukan di rumah plastik dengan sistem hidroponik. Varietas bayam yang dicobakan Hijau, Merah, Alabama dan Lokal. Nilai EC yang diberikan 1 mS/cm (EC1), 1.5 mS/cm (EC2) dan 2 (EC3) mS/cm. Sistem irigasi menggunakan


modifikasi irigasi drip. Penyaluran air irigasi dengan sistem para yang memanfaatkan gaya gravitasi. Rancangan yang digunakan adalah RAK (Rancangan Acak Kelompok) dengan tiga kali ulangan. Percobaan dapat dilihat pada Gambar 1. Parameter tanaman bayam yang diamati selama pertumbuhan adalah: tinggi tanaman, jumlah cabang, jumlah daun dan bobot basah total tanaman.

training dan validasi ANN. Dari proses tersebut didapatkan nilai output yang berupa tinggi tanaman, jumlah cabang, jumlah daun dan bobot basah total. Data yang didapatkan dari pengukuran dibagi menjadi dua kelompok, yaitu satu set data proses training dan satu set data untuk proses validasi jaringan. Kinerja jaringan ANN dapat dinilai berdasarkan nilai RMS error (Root Mean Square Error) pada proses generalisasi terhadap contoh data input-output baru. Model ANN untuk pendugaan hasil tanaman bayam hidroponik dapat dilihat pada Gambar 2.

Gambar 1. Budidaya bayam secara hidroponik dengan irigasi drip sistem para B. Penyusunan Model Jaringan Syaraf Tiruan untuk Pendugaan Hasil Tanaman Bayam Secara Hidroponik. Parameter pertumbuhan tanaman dan hasil empat varietas bayam (tinggi tanaman, jumlah cabang, jumlah daun dan bobot total tanaman) dikontrol EC untuk mencari hubungan yang jelas antara faktor-faktor tersebut dengan ANN. Program ANN untuk menduga hasil pertumbuhan tanaman bayam dari perlakuan EC dan varietas dengan algoritma backpropagation, memakai bahasa pemrograman Visual Basic 6.0. Model ANN yang digunakan terdiri atas tiga layer yaitu input layer, hidden layer, dan output layer. Data perlakuan EC dan varietas digunakan dalam proses

Gambar 2. Model ANN untuk Menduga Hasil Bayam Secara Hidroponik Algoritma backpropagation terdiri atas beberapa langkah, yaitu inisialisasi pembobot (weight), perhitungan nilai aktivasi, perbaikan nilai pembobot (weight) dan pengulangan (iterasi) (Fu, 1994). Iterasi yang dicoba 10000 (pendugaan ANN I), 20000 (pendugaan ANN II) dan 30000 (pendugaan ANN III) untuk penduga nilai parameter hasil bayam secara hidroponik. 1. Inisialisasi pembobot (weight) Pembobot dipilih secara acak, kemudian setiap sinyal input diberikan ke dalam noda pada input layer, lalu sistem

3


akan mengirim sinyal ke noda pada hidden layer.

rule. Perubahan pembobot dari hidden layer ke output layer sesuai dengan persamaan:

2. Perhitungan nilai aktivasi

W jk   k Z j .................................(6)

Setiap noda pada hidden layer dihitung nilai net inputnya dengan cara penjumlahan seluruh hasil perkalian antara noda input (Xi) dengan pembobotnya (Vij), sebagaimana dalam persamaan berikut:

dimana Wjk = perubahan nilai pembobot Wij  = laju pembelajaran k = galat output ke k Zj = fungsi sigmoid

n

Z ij   X iVij ….................................(1) i 1

Apabila setiap noda pada lapisan ini telah menerima nilai net input, langkah selanjutnya adalah memasukan nilai net input pada setiap noda ke dalam fungsi aktivasi (fungsi sigmoid) berikut: 1 f Z ij   ........................(2)  ( z ) 1  exp ij dengan : konstanta fungsi sigmoid Z j  f ( Z ij ) ......................................(3) Yk 

1 1  exp

 (

 Z ijW jk )

…...................(4)

3. Perbaikan nilai pembobot Nilai output dari setiap noda pada output layer hasil perhitungan pada jaringan dibandingkan dengan nilai target yang diberikan dengan persamaan jumlah kuadrat galat, seperti dalam persamaan:

E

1 in Tk  Yk 2 …....................(5)  2 k

dengan Tk = nilai target yang diberikan dalam training ANN Yk = output dari hasil perhitungan pada jaringan Pada setiap lapisan dilakukan perubahan pembobot dengan aturan delta

4

Perubahan pembobot dari hidden layer ke input layer sesuai dengan persamaan: Vij   j X i .......................................(7)

Nilai perbaikan pembobot dapat dibuat dalam persamaan berikut: Wjk (baru) = Wjk (lama) + Wjk ..........(8) Vij (baru) = Vij (lama) + Vij .............(9) Nilai laju pembelajaran dipilih antara 0-0.9. Laju pembelajaran penentu kecepatan pelatihan sampai sistem tercapai pada keadaan optimal, jika nilainya besar akan membuat jaringan melompati nilai minimum lokalnya dan akan berosilasi sehingga tidak mencapai konvergensi. Perubahan nilai pembobot setelah dilakukan penambahan konstanta momentum sesuai dengan persamaan berikut: Wij (baru)= Zj + Wjk (lama) ........(10) Vij (baru)= jXi + Vjk (lama) .........(11) dengan  adalah konstanta momentum. 4. Pengulangan (iterasi) Keseluruhan proses di atas dilakukan pada setiap contoh dan dicoba 10000, 20000 serta 30000 iterasi. Pada iterasi 10000 merupakan model ANN


pendugaan I, 20000 adalah model pendugaan II dan 30000 untuk model ANN pendugaan III. Iterasi tersebut meliputi pemberian contoh pasangan input dan output, perhitungan nilai aktivasi dan perubahan nilai pembobot (weight). Kinerja jaringan dapat dinilai berdasarkan RMSE (Root Mean Square Error) pada proses generalisasi terhadap contoh data input-output baru, nilai RMSE sesuai dengan persamaan berikut (Fu, 1994):

HASIL DAN PEMBAHASAN

dimana: Yk = nilai pendugaan jaringan Tk = nilai target yang diberikan pada jaringan n = jumlah data pada set validasi

Data pengukuran dari tiga ulangan dirata-ratakan. Selanjutnya data tersebut dibagi menjadi dua, yaitu 7 set data untuk proses training dan 5 set data untuk proses validasi. Hasil training dengan iterasi sebanyak 10000, 20000, dan 30000 diperoleh RMSE berturut-turut sebesar 3.19x10 -03, 2.45x10 -03, dan 2.21x10-03 serta nilai pembobot. Pada tanaman cabai merah, dengan ANN diperoleh nilai RMSE sebesar 1.33093x10-2 (Subrata, et al., 2001). Nilai pembobot yang dihasilkan jaringan pada saat nilai error tersebut digunakan untuk pendugaan tinggi tanaman, jumlah cabang, jumlah daun dan bobot basah total tanaman bayam secara hidroponik.

C. Validasi Model

1. Tinggi Tanaman

Model yang sudah dikembangkan kemudian divalidasi dengan data yang berbeda dengan data training. Kriteria yang digunakan dalam validasi adalah standar error (SEP), bias (d) dan koefisien variasi (CV) (Marten dan Naes, 1996). Kriteria model dapat dihitung dengan persamaan berikut:

Hasil training dan validasi pendugaan tinggi tanaman bayam dengan ANN I (iterasi 10000), ANN II (iterasi 20000) dan ANN III (iterasi 30000) disajikan pada Tabel 1. Validasi dilakukan terhadap data yang tidak digunakan dalam training. Validasi model dilakukan dengan parameter standard error of prediction (SEP), bias (d) dan coefficient of variation (CV). Validasi model tinggi tanaman dengan ANN I, II, dan III menunjukkan bahwa model pendugaan ANN III yang terbaik. Mengingat dari validasi model tinggi tanaman ini didapat nilai dibawah 4.0 dan nilai bias mendekati nol (Marten dan Naes, 1996). Hal ini menunjukkan ANN III paling optimal untuk pendugaan tinggi tanaman bayam secara hidroponik.

 Yk  Tk 

2

RMSE 

n

SEP  

( ya  y p )2 n 1

i 1

/ n .............(12)

.....................(13)

n 

d

(y

 yp)

a

i 1

CV 

n

SEP 

..........................(14)

x100% .........................(15)

ya Keterangan: ya = hasil pendugaan ANN y p = data percobaan ŷa = rata-rata data percobaan

2. Jumlah Cabang Hasil training dan validasi pendugaan jumlah cabang tanaman bayam dengan ANN I sampai III disajikan pada

5


Tabel 1. Nilai pengukuran tinggi tanam-an bayam, pendugaan, SEP, d dan CV hasil ANN Tinggi tanaman (cm) Pengukuran Pendugaan ANN I Pendugaan ANN II Pendugaan ANN III 8.50 9.94 9.16 8.98 28.00 27.79 27.98 28.01 13.00 11.75 12.87 13.04 27.00 22.94 25.35 26.16 28.00 28.49 28.49 28.22 SEP 5.09744 0.85436 0.24781 d 0.89679 0.16172 0.02254 CV (%) 24.3896 4.08783 1.18590

Tabel 2. Validasi model jumlah cabang tanaman bayam dengan ANN III didapat nilai SEP, d dan CV yang paling sesuai. Hal ini karena nilai SEP rendah, biasnya mendekati nol dan CV dibawah 5%. Jadi model ANN III sesuai untuk pendugaan karakter jummlah cabang tanaman bayam secara hidroponik.

Tabel 2. Nilai pengukuran jumlah cabang tanaman bayam, pendugaan, SEP, d dan CV hasil ANN Jumlah cabang Pengukuran Pendugaan ANN I Pendugaan ANN II Pendugaan ANN III 3.30 2.55 3.22 3.31 2.30 2.19 2.22 2.22 2.60 2.71 2.67 2.59 3.10 2.90 2.98 3.01 2.10 2.14 2.08 2.08 0.15711 SEP 0.00876 0.00824 0.22716 d 0.06000 0.01101 5.86223 CV (%) 0.32695 0.30730

3. Jumlah Daun Tabel 3 menunjukkan bahwa validasi model jumlah daun tanaman bayam dengan ANN II dan III mempunyai nilai SEP, d dan CV yang sesuai. Nilai pendugaan jumlah daun bayam ini mendekati nilai hasil pengukuran yaitu ANN III, walaupun CV lebih tinggi dari ANN II, tetapi nilai tersebut masih

6

dibawah 5%. Hal ini menunjukkan bahwa ANN III optimal untuk pendugaan jumlah daun bayam secara hidroponik. Tabel 3. Nilai pengukuran jumlah daun tanaman bayam, pendugaan, SEP, d dan CV hasil ANN Jumlah daun Pengukuran Pendugaan ANN I Pendugaan ANN II Pendugaan ANN III 17.20 16.48 17.16 17.34 23.90 23.51 23.95 23.99 22.00 21.54 22.07 21.86 27.20 26.34 27.34 27.27 24.00 23.72 23.20 23.19 SEP 0.42722 0.16845 0.27600 d 0.67999 0.14314 0.03840 CV (%) 1.86884 0.73686 1.20729

4. Bobot Basah Total Tabel 4 adalah hasil training dan validasi pendugaan bobot basah total tanaman bayam dengan model ANN I, II dan III. Validasi dilakukan terhadap data yang tidak digunakan dalam training. Berdasarkan nilai SEP, d, dan CV nampaknya model ANN III yang sesuai. Dari validasi model ini, bobot basah total tanaman bayam didapat nilai d mendekati nol dan CV yang rendah (dibawah 5%). Hal ini menunjukkan kondisi iterasi ini yang paling optimal untuk pendugaan tinggi tanaman bobot basah total bayam secara hidroponik. Nilai yang demikian tergolong yang sesuai untuk pendugaan Tabel 4. Nilai pengukuran bobot basah total (g) tanaman bayam, pendu-gaan, SEP, d dan CV hasil ANN Bobot basah total (g) Pengukuran Pendugaan ANN I Pendugaan ANN II Pendugaan ANN III 14.50 16.20 15.12 14.91 65.80 63.42 64.31 64.47 37.00 33.27 36.63 37.36 60.10 55.03 58.67 59.76 66.50 68.35 66.89 66.68 SEP 12.89883 1.23333 0.55511 d 1.90927 0.56586 0.17848 CV (%) 26.44287 2.52835 1.13799


suatu nilai pengukuran (Marten dan Naes, 1996). Jadi model ANN III (iterasi 30000) ini secara umum sesuai untuk pendugaan hasil tanaman bayam secara hidroponik. Pendugaan pertumbuhan ketimun dengan ANN telah dilakukan pada iterasi 15000 (Tamrin et al., 2005), dan iterasi 40000 pada pemilihan biji kopi (Sofi’i et al., 2005).

KESIMPULAN

Biernbaum, J.A., 1992. Root zone management of greenhouse container-grown crops to control water and fertilizer use. Hort. Technology 2(1):127-132. Bunt, A.C. 1988. Media and Mixes for Container-Grown Plants. 2 nd Ed. Unwin Hymnan Ltd., London. Calla H., and Bakker, J.C. 1995. Crop Growth, Greenhouse Climate Control. Wageningen Pers., Wageningen.

Dari hasil dan pembahasan dapat disimpulkan bahwa model pendugaan tanaman bayam secara hidroponik dengan ANN pada iterasi 30000 (ANN III) diperoleh nilai pendugaan terbaik dengan nilai SEP, bias dan CV yang terendah dari pendugaan ANN I dan II. Model ANN ini sesuai untuk menduga tinggi tanaman, jumlah cabang, jumlah daun, dan bobot basah total tanaman bayam secara hidroponik.

Clinton, C.S., Erik, B.G.F., and Lamont, D.S. 2004. Plant population and nitrogen fertilization for subsurface drip-irigation onion. Hort Sci.: 39(7):1722-1727.

UCAPAN TERIMA KASIH

Dole,

Peneliti menyampaikan terima kasih kepada DP3M Direktorat Jenderal Pendidikan Tinggi (DIKTI) Departemen Pendidikan Nasional atas bantuan dana untuk melaksanakan penelitian ini.

DAFTAR PUSTAKA Al-Jamal, M.S., S. Ball, and T.W. Sammis. 2001. Comparison of sprinkler, trickle and furrow irrigation efficiencies for union production. Agr. Water Mgt. (46): 256-266.

Cooper, A.J. 1979. The ABC of NFT. London: Grower Books. Devitt, D.A., and R.L. Morris. 1987. Morphological response of flowering annuals to salinity. J. Amer. Soc. Hort. Sci. (112): 951 – 955. J., and H. Wilkins. 1999. Floriculture Principles and Species. Upper Saddle River, N.J. Prentice Hall.

Fonteno, W.C. 1988. Know your media, the air, water, and container connection. Grower Talks 51(11): 110-111. Fonteno, W.C., P.V. Nelson, and D. A. Bailey. 1996. Plug Substrates; In Search of the Perfect Mix. The Systems Approach to Growing Plugs: Water Substrate, and Nutrition. NCSU plug research and information center, N.C. State Univ.

7


Fu, G. 1994. Falsafah Dasar: Sistem Pengendalian Proses. PT. Elex Media Komputindo. Jakarta. Hanan, J.J., C. Olympios, and C.Pittas. 1981. Bulk density, porosity, percolation and salinity control in shallow, freely draining, potting soils. J. Amer. Soc.Hort. Sci. (106): 742-746. Haryadi, S.S. 1994. Pengantar Agronomi. PT. Gramedia. Jakarta. Jones, J.W. 1995. Crop growth, development, and production modeling. Proceedings on Automated Agriculture for the 21 st Century. 16-17 December Chicago Illinois: 447-457. Hofstra, G., and R. Wukasch. 1987. Are you pickling your pansies? Greenhouse Grower. Sept: 14-17. Martens, H., and T.Naes. 1996. Multivariate Calibration. Biddes ltd, Guidaford and King’s Lynm. Britanian. Nelson, P.V. 1996. Macronutrient fertilizer programs, pp. 141 – 170. In: D.W. Reed. Water, Media, and Nutrient for Greenhouse Crops. Batavia, IL: Ball Publ. Nelson, P.V. 2003. Greenhouse Operation and Management. Department of Horticultural Science, North Carolina State University. Pearson Education Inc., Upper Saddle River, New Jersey. Pier, J.W. and T.A. Doerge. 1995. Nitrogen and water interaction in trickle-irrigated watermelon. Soil Sci. Soc. Amer. J. (59): 145 – 150.

8

Puustjarvi V. and R.A. Robertson. 1975. Physical and chemical properties,p. 23-38. In: D.W. Robinson and J.G.D. Lamb (Eds). Peat in Horticulture. Academic Press, London. Soeseno, S. 1998. Bercocok Tanam Secara Hidroponik. Gramedia. Jakarta. Sofi’i, I., I.W. Astika, dan Suroso. 2005. Penentuan jenis cacat biji kopi dengan pengolahan citra dan Artificial Neural Network (ANN). Jurnal Keteknikan Pertanian. 19(2): 99-108. Styer, R.C. and D. Koranski. 1997. Plug and Transplant Production. A Grower’s Guide. Ball Publishing, Batavia, III. Subrata, I.D.M., Suroso, dan Dwinanto. 2001. Penerapan teknologi image processing dan Artificial Neural Network untuk menduga ketersediaan air dan nutrisi pada pertumbuhan cabai merah. Jurnal Keteknikan Pertanian. 15(2): 80-88. Tamrin, K.B., Seminar, H. Suhardiyanto, dan S. Hardjoamidjodjo. 2005. Model jaringan syaraf tiruan untuk pertumbuhan tanaman ketimun mini (Cucumis sativus L. var Marla) pada vase vegetatif. Jurnal Keteknikan Pertanian. 19(1): 1-10. Thompson, T.L. and T.A. Doerge. 1995. Nitrogen and water rates for subsurface trickle-irrigated romain lettuce. Hort. Sci.: 30: 1233-1237. Thompson, T.L., T.A.Doerge, and R.E. Godin. 2000. Nitrogen and water interactions in subsurface drip irrigated cauliflower: II. Agronomic, economic, and environmental


outcomes. Soil Sci. Soc. Amer. J. (64): 412 – 418. Whipker, B. E., W. C. Fonteno, T. J. Cavins, and D. A. Bailey. 2000. Pour thru Nutritional Monitoring

Manual. N.C. Commercial Flower Grower’s Assoc. 3906 Wake Forest Rd., Suite 102, Raleigh, NC 27609. Available at Website: http://www.floricultureinfo.com.

9

PENDUGAAN HASIL TANAMAN BAYAM (Amaranthus tricolor L.) SECARA HIDROPONIK DENGAN JARINGAN SYARAF TIRUAN (ANN)

Recommend Documents