ANALISIS IKLIM MIKRO DI DALAM RUMAH TANAMAN UNTUK MEMPREDIKSI WAKTU PEMBUNGAAN DAN MASAK FISIOLOGIS TANAMAN TOMAT MENGGUNAKAN METODE HEAT UNIT DAN ARTIFICIAL NEURAL NETWORK
ABD. SYAKUR
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012
PERNYATAAN MENGENAI DISERTASI DAN SUMBER INFORMASI Dengan ini saya menyatakan bahwa disertasi Analisis Iklim Mikro di Dalam Rumah Tanaman Untuk Memprediksi Waktu Pembungaan dan Masak Fisiologis Tanaman Tomat Menggunakan Metode Heat Unit dan Artificial Neural Network adalah karya saya dengan arahan komisi pembimbing dan belum pernah diajukan dalam bentuk apa pun kepada perguruan tinggi manapun. 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 disertasi ini.
Bogor, Januari 2012
Abd. Syakur NRP G261060031
ABSTRACT
ABD.SYAKUR. Analysis of microclimate in a greenhouse in predicting flowering time and physiological maturity of tomato plants by using heat unit and artificial neural network method. Supervised by YONNY KOESMARYONO, HERRY SUHARDIYANTO and MUNIF GHULAMAHDI The objective of the research was to analyze the microclimate in a greenhouse in order to predict flowering time and physiological maturity of tomato by using heat unit and artificial neural network method. The research was conducted at Indonesian Agroclimate and Hydrology Research Institute (IAHRI), Cimanggu, Bogor during the period of August – December 2010. Determining heat unit was done by using temperature daily average data, and artificial neural network (ANN) by using Matlab software. Measured data were divided into two parts: one part was for training data, and the other part was for testing. The performance of ANN model was described by the value of correlation coefficience (R). The validation process that were ANN performance test on sample data never used before in the training was done by calculating the RMSE (Root Mean Square Error), Standard Error of Prediction (SEP) and Coefficient Variation (CV). The result indicated that the heat unit during the growth of the plants was 1661 oC day while the average temperature inside the greenhouse during the research was 27.1 oC, the average humidity was 74.2 %, and solar radiation intensity was 9.3 MJ/m2/day. The R values based on the prediction of flowering time was 0.51, with value of RMSE, SEP and CV were 4.88, 26.43 and 69%. The R values based on the physiological maturity was 0.63 while RMSE, SEP and CV were 2.1, 4.63 and 9 %, respectively. The result of mesurement in the field indicated that the average flowering time in the greenhouse was 34 dap (days after planting), and based on ANN simulation model flowering time was 31 dap. The result of measurement indicated that of physiological maturity was 49 daf (day after flowering), and based on ANN simulation model was 48 daf. Key word : microclimate, greenhouse, heat unit, artificial neural network
RINGKASAN ABD. SYAKUR. Analisis Iklim Mikro di Dalam Rumah Tanaman Untuk Memprediksi Waktu Pembungaan dan Masak Fisiologis Tanaman Tomat Dengan Menggunakan Metode Heat Unit dan Artificial Neural Network. Dibimbing oleh YONNY KOESMARYONO, HERRY SUHARDIYANTO dan MUNIF GHULAMAHDI. Penelitian ini bertujuan untuk menganalisis iklim mikro di dalam rumah tanaman untuk memprediksi waktu pembungaan dan masak fisiologis tanaman tomat dengan menggunakan metode heat unit dan artificial neural network (ANN). Penelitian dilaksanakan pada bulan Agustus sampai Desember 2010 di rumah tanaman Balai Penelitian Agroklimatologi dan Hidrologi, Cimanggu, Bogor. Penentuan heat unit dilakukan dengan menggunakan data rata-rata suhu udara harian di dalam rumah tanaman. Sedang analisis data untuk pemodelan ANN dilakukan dengan menggunakan perangkat lunak (software) Matlab. Dalam pemodelan ANN, data pengukuran di lapangan dipilah menjadi dua bagian; satu bagian digunakan untuk data pelatihan (training) dan satu bagian lainnya digunakan untuk data pengujian (testing). Model yang diperoleh dari data pelatihan digunakan untuk data pengujian. Untuk mengevaluasi performa model ANN atau kinerja jaringan ditentukan dari nilai koefisien korelasi (R) yang diperoleh dari data pelatihan (training), sedang untuk pengujian (testing) dihitung dari nilai RMSE (root mean square error), Standard Error of Prediction (SEP) dan Coefficient of Variation (CV) antara nilai hasil prediksi berdasarkan pemodelan ANN dan nilai pengukuran di lapangan (observasi). Hasil penelitian menunjukkan bahwa heat unit pertumbuhan tanaman tomat sejak semai sampai masak fisiologis adalah 1661 oC hari, dengan rata-rata suhu udara di dalam rumah tanaman selama penelitian berlangsung adalah 27.1 oC, rata-rata kelembaban udara adalah 74.2 %, dan rata-rata intensitas radiasi surya 9.3 MJ/m2/hari. Nilai R hasil prediksi waktu pembungaan adalah 0.51, dengan nilai RMSE, SEP dan CV masing-masing 4.88, 26.43 dan 69%. Nilai R untuk masak fisiologis adalah 0.63, dengan nilai RMSE, SEP dan CV masing-masing 2.1, 4.63 dan 9%. Dari hasil pengukuran di lapangan menunjukkan rata-rata waktu pembungaan tanaman tomat di dalam rumah tanaman yaitu pada 34 HST atau dengan satuan panas (heat unit) 590 oC hari, sedang berdasarkan hasil prediksi dengan pemodelan ANN yakni 31 HST atau dengan satuan panas 539 oC hari. Rata-rata waktu masak fisiologis adalah 49 HSP (hari setelah pembungaan) atau dengan satuan panas 848 oC hari, sedang berdasarkan hasil pemodelan ANN adalah 48 HSP atau dengan satuan panas 831 oC hari. Metode ANN belum efektif dalam memprediksi waktu pembungaan dan masak fisiologis tanaman tomat dengan menggunakan data iklim mikro dan data agronomis tanaman. Untuk memperoleh hasil prediksi ANN yang lebih akurat dibutuhkan jumlah sampel yang lebih banyak dengan melakukan penanaman beberapa kali musim tanam sehingga akurasi ANN untuk memprediksi waktu pembungaan dan masak fisiologis tanaman tomat dapat ditingkatkan. kata kunci : iklim mikro, rumah tanaman, heat unit, artificial neural network
@ Hak Cipta milik IPB, tahun 2012 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 yang wajar IPB. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis dalam bentuk apa pun tanpa izin IPB.
ANALISIS IKLIM MIKRO DI DALAM RUMAH TANAMAN UNTUK MEMPREDIKSI WAKTU PEMBUNGAAN DAN MASAK FISIOLOGIS TANAMAN TOMAT MENGGUNAKAN METODE HEAT UNIT DAN ARTIFICIAL NEURAL NETWORK
ABD. SYAKUR
Disertasi Sebagai salah satu syarat untuk memperoleh gelar Doktor pada Program Studi Agroklimatologi
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012
Penguji pada Ujian Tertutup : 1. Prof. Dr. Ir. Kudang Boro Seminar, M. Sc (Guru Besar pada Departemen Ilmu Keteknikan Pertanian Fakultas Teknologi Pertanian IPB) 2. Dr. Ir. Impron, M. Agr Sc (Staf Pengajar pada Departemen Geofisika dan Meteorologi Fakultas Matematika dan Ilmu Pengetahuan Alam IPB) Penguji pada Ujian Terbuka :
1. Dr. Ir. Rini Hidayati, MS (Staf Pengajar pada Departemen Geofisika dan Meteorologi Fakultas Matematika dan Ilmu Pengetahuan Alam IPB) 2. Dr. Ir. Sandra Arifin Azis, MS (Staf Pengajar pada Departemen Agronomi dan Hortikultura Fakultas Pertanian IPB)
Judul Penelitian
Nama NRP Program Studi
: Analisis Iklim Mikro di Dalam Rumah Tanaman Untuk Memprediksi Waktu Pembungaan dan Masak Fisiologis Tanaman Tomat Menggunakan Metode Heat Unit dan Artificial Neural Network : Abd. Syakur : G261060031 : Klimatologi Terapan
Disetujui Komisi Pembimbing
Prof. Dr. Ir. Yonny Koesmaryono, MS Ketua
Prof. Dr. Ir. Herry Suhardiyanto, M.Sc Anggota
Prof. Dr. Ir. Munif Ghulamahdi, MS Anggota
Diketahui
Ketua Program Studi
Dekan Sekolah Pascasarjana
Prof. Dr. Ir. Handoko, M.Sc
Dr. Ir. Dahrul Syah, M.Sc. Agr
Tanggal ujian : 31 Januari 2012
Tanggal lulus :
PRAKATA Puji dan syukur dipanjatkan kepada Allah SWT atas segala karuniaNya sehingga karya ilmiah ini dapat diselesaikan. Judul yang dipilih dalam penelitian ini adalah Analisis Iklim Mikro di Dalam Rumah Tanaman Untuk Memprediksi Waktu Pembungaan dan Masak Fisiologis Tanaman Tomat Menggunakan Metode Heat Unit dan Artificial Neural Network. Penulis menyampaikan
terima kasih dan penghargaan yang setinggi-
tingginya kepada : Bapak Prof. Dr. Ir. Yonny Koesmaryono, MS sebagai ketua komisi pembimbing yang telah berkenan membimbing dan memberikan keleluasaan untuk berkreatifitas dalam penulisan disertasi. Bapak Prof. Dr. Ir. Herry Suhardiyanto, M.Sc sebagai anggota komisi pembimbing yang mengenalkan pemodelan ANN dan pentingnya penulisan disertasi yang berkualitas. Bapak Prof. Dr. Ir. Munif Ghulamahdi, MS sebagai anggota komisi pembimbing yang selalu memberikan motivasi untuk penyelesaiaan dan penguji luar komisi pada Ujian Terbuka. Bapak Prof. Dr. Ir. Handoko, M. Sc selaku Ketua Program Studi Agroklimatologi dan seluruh staf pengajar Program Studi Agroklimatologi SPS IPB atas curahan ilmu pengetahuan yang telah diberikan kepada penulis. Ibu Dr. Ir. Rini Hidayati, MS selaku Ketua Departemen Geofisika dan Meteorologi F-MIPA IPB yang bertindak sebagai penguji luar pada prelim lisan, sebagai pemimpin sidiag pada Ujian Tertutup dan bersedia sebagai penguji luar komisi pada Ujian Terbuka. Bapak Dr. Ir. Sobri Effendi, MS yang banyak memberikan masukan pada ujian prelim lisan. Bapak Prof. Dr. Ir Kudang Boro Seminar, M. Sc atas masukan yang member bobot pada karya ilmiah ini. Dr. Ir. Impron, M.Agr Sc yang telah bersedia sebagai penguji luar komisi pada ujian tertutup dan telah bersedia memberikan data lapangannya untuk analisis data. Terima kasih disampaikan kepada Kepala Balitklimat Cimanggu, Bogor, khususnya kepada Bapak Dr. Ir. Aris Pramudia yang telah menyediakan fasilitas rumah tanaman dan peralatan sehingga penulis dapat melaksanakan penelitian.
Kepada Pak Rukman, tenaga teknisi di
Balitklimat yang membantu penulis dalam melaksanakan penelitian.
Terima
kasih juga disampaikan kepada teman-teman seangkatan penulis di Program Studi AGK 2006 : Dr. Ir. Gusti Rusmayadi, M.Si, Dr. Ir. Popi Rejekiningrum, M. Si dan
Dr. Ir. Yayan Apriana, M.Sc, dan (alm) Muji Haryadi, S.Hut, M.Si. Kepada Bapak Rektor dan Bapak Dekan Fakultas Pertanian Universitas Tadulako disampaikan terima kasih atas tugas belajar sehingga penulis dapat melanjutkan studi di Program Doktor Sekolah Pascasarja Institut Pertanian Bogor dengan biaya BPPS Terima kasih juga disampaikan pada Yayasan Toyota dan Astra (YTA) Jakarta atas bantuan biaya penulisan Disertasi. Kepada Dr. Dewi Ratna Sari Saputro terima kasih atas bantuan analisis data dan bahasa pemrograman. Terima kasih disampaikan kepada rekan-rekan HIMPAST (Himpunan Mahasiswa Pascasarjana Sulawesi Tengah). Kepada penulis dr. Abdullah Mansur, DHSM, M. Kes, adik penulis Muh. Arifin, Muhlisah, ST dan Mardiyah, ST penulis mengucapkan banyak terima kasih atas bantuan moril dan materil selama penulis melanjutkan studi. Demikian halnya kepada bapak dan ibu mertua, adik ipar serta isteri penulis, Dilla Hikmayanti terima kasih atas doa, pengertian, dan keikhlasan serta kasih sayangnya selama mendampingi penulis melanjutklan studi.
RIWAYAT HIDUP
Abd. Syakur dilahirkan di Donggala, Sulawesi Tengah pada tanggal 16 Januari 1968 sebagai anak kedua dari lima bersaudara dari ayah (alm) Muh. Wahis dan ibu (alm) Rohana Mansur. Pada 2 September 2000 di Jakarta penulis menikah dengan Dilla Hikmayanti. Pendidikan sarjana ditempuh di Jurusan Budidaya Pertanian Fakultas Pertanian Universitas Tadulako, Palu selesai tahun 1992.
Sejak tahun 1995
penulis diangkat sebagai staf pengajar tetap di Fakultas Pertanian Universitas Tadulako. Pada tahun 1999 penulis melanjutkan ke Program Magister Sains di Program Studi Agroklimatologi (AGK), Sekolah Pascasarjana Institut Pertanian Bogor, selesai tahun 2002.
Pada tahun 2006, penulis melanjutkan studi di
Program Doktor Program Studi Agroklimatologi Sekolah Pascasarjana IPB dengan biaya BPPS.
DAFTAR ISI Halaman DAFTAR ISI .................................................................................................. xix DAFTA TABEL ............................................................................................ xxi DAFTAR GAMBAR ..................................................................................... xxiii DAFTAR LAMPIRAN .................................................................................. xxv 1
PENDAHULUAN ................................................................................... 1.1 Latar Belakang ................................................................................ 1.2 Perumusan Masalah ......................................................................... 1.3 Tujuan ...... ....................................................................................... 1.4 Hasil yang Diharapkan .................................................................... 1.5 Kerangka Pemikiran ........................................................................
1 1 3 5 6 6
2
TINJAUAN PUSTAKA .......................................................................... 2.1 Pengaruh Naungan Terhadap Pertumbuhan dan Perkembangan Tanaman .......................................................................................... 2.2 Pengaruh Radiasi Surya Terhadap Pertumbuhan dan Perkembangan Tanaman ................................................................. 2.3 Pengaruh Suhu Udara Terhadap Pertumbuhan dan Perkembangan Tanaman ........................................................................................ 2.4 Botani dan Syarat Tumbuh Tanaman Tomat................................... 2.5 Artificial Neural Network (ANN) ................................................
11
3
BAHAN DAN METODE ........................................................................ 3.1 Waktu dan Tempat ......................................................................... 3.2 Bahan dan Alat ............................................................................... 3.3 Metode Penelitian ........................................................................... 3.3.1 Pengamatan/Pengukuran Iklim Mikro ................................... 3.3.2 Pengukuran Komponen Agronomi ........................................ 3.3.3 Perhitungan Satuan Panas (Heat Unit)………………...... 3.3.4 Teknik Budidaya Tomat di dalam Rumah Tanaman…… 3.3.5 Penyusunan Model Artificial Neural Network ...................... 3.3.6 Analisis Data ..........................................................................
38 38 38 38 38 39 39 40 41 46
4
HASIL DAN PEMBAHASAN ................................................................ 4.1. Kondisi Iklim Mikro di Dalam Rumah Tanaman........................... 4.2. Fase Perkembangan Tanaman Tomat di Dalam Rumah Tanaman (heat unit) ........................................................................ 4.3. Prediksi Waktu Pembungaan dan Masak Fisiologis Tanaman dengan Pemodelan ANN................................................ 4.4. Pembahasan Umum ……………………………………………..
47 50
11 16 19 21 29
54 51 54
5
KESIMPULAN DAN SARAN .............................................................. 5.1. Kesimpulan ................................................................................... 5.2. Saran ......................................................................................
60 60 60
DAFTAR PUSTAKA .................................................................................... LAMPIRAN .......................................................................................
61 66
DAFTAR TABEL Halaman 1 2 3 4
Beberapa Penelitian yang Menggunakan Metode ANN ........................... Panjang gelombang radiasi dan pengaruhnya pada tumbuhan (Ross, 1975) ............................................................................................. Pengaruh spektrum cahaya terhadap pertumbuhan tanaman .................... Peubah cuaca/iklim selama fase perkembangan tanaman tomat ..............
9 17 18 50
DAFTAR GAMBAR Halaman 1
Proses perpindahan panas dalam rumah tanaman (diadaptasi dari Suhardiyanto, 2009) .....................................................................................
2. Pertumbuhan tanaman sebagai fungsi suhu pada empat spesies tumbuhan (Sumber : Salisbury dan Ross 1995)..........................................
8 21
3. Aktivitas enzim dan suhu. I laju reaksi dengan Q10 = 2 khas untuk berbagai reaksi kimia yang dikendalikan enzim. III reaksi dengan Q10 = 6 khas untuk denaturasi protein. II kurva perkiraan selisih antara laju reaksi enzim dan Denaturasi (Sumber : Salisbury dan Ross 1995).......................................... 22 4. Susunan neuron manusia (a) ........................................................................ 30 5. Susunan neuron manusia (b) ........................................................................ 30 6. Model matematika ANN .............................................................................. 31 7. Model multilayer neural network (Rich dan Knight, 1983) ........................ 32 8. Multilayer feedforward network .................................................................. 33 9. Diagram alir (flow chart) pemodelan dengan metode ANN ........................ 41 10. Struktur ANN yang dikembangkan untuk waktu pembungaan ................... 43 11 Struktur ANN yang dikembangkan untuk masak fisiologis ........................ 44 12. Suhu udara di dalam rumah tanaman selama penelitian berlangsung ......... 47 13. Kelembaban udara di dalam rumah tanaman selama penelitian .................. 48 14. Intensitas radiasi surya di dalam rumah tanaman selama penelitian berlangsung .................................................................................................. 49 15. Hasil pelatihan (a) dan pengujian (b) waktu pembungaan tanaman tomat ............................................................................................................ 51 16. Hasil pelatihan (a) dan pengujian (b) masak fisiologis tanaman tomat ....... 53
DAFTAR LAMPIRAN Halaman 1
Denah Tanaman Tomat di Dalam Rumah Tanaman ................................... 67
2
Bahasa Program Untuk Waktu Pembungaan ............................................... 68
3
Bahasa Program Untuk Masak Fisiologis .................................................... 69
4
Foto rumah tanaman di Balitklimat, Cimanggu, Bogor............................... 71
I. PENDAHULUAN 1.1. Latar Belakang Cuaca dan iklim merupakan peubah utama yang mempengaruhi pertumbuhan dan perkembangan tanaman. Alasan utama yang melandasi pentingnya mempelajari pengaruh cuaca pada tanaman yaitu : 1). pengetahuan tentang cuaca tersebut akan membantu pemulia tanaman untuk memilih kultivar yang cocok terhadap kondisi iklim tempat tumbuh tanaman; 2). dasar tersebut akan membantu ahli agronomi dan fisiologi untuk menghitung efek cuaca pada pertumbuhan, perkembangan, dan hasil tanaman sehingga mereka dapat memutuskan pengaruh perlakuan dalam setiap percobaannya. Iklim adalah salah satu faktor yang berpengaruh terhadap produktivitas dan dapat mengoptimalisasi penggunaan sumberdaya dalam
sistem produksi
(Koesmaryono et al. 1997). Pada pertumbuhan tanaman hampir semua unsur cuaca sangat mempengaruhinya, sedangkan faktor yang paling berpengaruh terhadap pertumbuhan dan perkembangan tanaman adalah suhu udara dan panjang hari (Handoko 1994). Produk fotosintesis bruto sangat ditentukan oleh radiasi Photosintetically Active Radiation (PAR), sedangkan suhu udara dan radiasi inframerah sangat menentukan laju respirasi. Sampai saat ini budidaya tanaman di dalam greenhouse (rumah tanaman) telah digunakan oleh hampir seluruh negara di dunia, khususnya pada ketinggian menengah karena hal itu dapat memungkinkan pengendalian kondisi meteorologi yang sangat mempengaruhi pertumbuhan dan perkembangan tanaman (Haraguchi et al. 2005). Suhardiyanto (2009) mengemukakan bahwa penggunaan greenhouse dalam budidaya tanaman merupakan salah satu cara untuk memberikan lingkungan yang lebih mendekati kondisi optimum bagi pertumbuhan tanaman. Selanjutnya disebutkan bahwa penggunaan greenhouse (rumah tanaman) memungkinkan dilakukannya modifikasi lingkungan yang tidak sesuai bagi pertumbuhan tanaman menjadi lebih mendekati kondisi optimum bagi pertumbuhan tanaman. Penggunaan naungan rumah plastik atau dalam istilah Suhardiyanto (2009) “rumah tanaman” diterapkan untuk menjawab tingginya permintaan akan kebutuhan terhadap buah-buahan, sayuran, dan bunga. Pada penelitian ini
2
digunakan tanaman tomat (Lycopersicum esculentum Mill) yang dibudidayakan dalam rumah tanaman sebagai indikator karena tanaman ini merupakan kebutuhan sehari-hari yang dikonsumsi masyarakat, dan seringkali petani kita mengalami kesulitan dalam budidaya tanaman tomat karena kendala cuaca/iklim (utamanya di saat musim hujan). Disamping itu, tanaman tomat juga merupakan salah satu tanaman yang penting dan utama di Indonesia. Tomat menempati peringkat kelima dari produksi buah-buahan dan sayuran di Indonesia (Impron 2011) Pertumbuhan dan perkembangan tanaman merupakan rangkaian proses pembelahan sel dan diferensiasi sel dalam bentuk dua fase, yaitu vegetatif dan generatif Tumbuhan tumbuh karena adanya meristem yang menghasilkan sel baru, yang kemudian membesar dan berdiferensiasi. Fase perkembangan sel melalui pembelahan dan pembesaran serta diferensiasi sel terjadi setiap saat pada akar, batang dan daun (vegetatif). pertumbuhan
dan
memberikan
Tumbuhan meningggalkan catatan riwayat kemungkinan
untuk
menduga
potensi
pertumbuhannya. Sesudah akar, batang dan daun kemudian terbentuk bunga, buah dan biji (generatif) untuk melestarikan spesies dan melengkapi daur hidupnya (Salisbury dan Ross 1995). Pertumbuhan dan perkembangan tanaman berlangsung secara terusmenerus sepanjang daur hidupnya, bergantung pada tersedianya meristem, hasil asimilasi, hormon dan substansi pertumbuhan lainnya, serta lingkungan yang mendukung. Secara agronomi pertumbuhan tanaman dapat dinyatakan sebagai fungsi genotype dan lingkungan. Meristem pucuk menghasilkan pemula daun atau pembungaan, tergantung pada fotoperiode dan kemungkinan interaksi dengan temperatur. Setelah induksi pembungaan, terjadi transisi morfologis meristem dari keadaan vegetatif ke keadaan generatif (Gardner et al. 1991). Secara fisiologi pertumbuhan dan perkembangan tanaman adalah penggunaan bahan makanan untuk pembentukan protoplasma dan dinding sel. Protoplasma terbentuk dari protein, sedangkan dinding sel terbentuk dari karbohidrat.
Untuk kegiatan pertumbuhan (pembelahan sel secara mitosis),
pengangkutan air, karbohidrat dan protein serta zat-zat lain ke arah mesitem harus berjalan lancar melalui pembuluh xilem da floem.
Akibatnya terbentuk pucuk-
pucuk baru, ranting dan daun dan perpanjangan akar. Proses pembentukan bunga
3
dimulai dengan pembelahan dari sel meristem ranting dan dahan melalui pembelahan miosis menjadi sel-sel meristem generatif. Perubahan ini terjadi akibat masuknya macam-macam zat hormon dan zat lain ke dalam sel meristem. Perubahan dari meristem vegetatif ke generatif membawa perubahan besar terhadap kehidupan tanaman : aktivitas respirasi meningkat, asimilasi meningkat, dan dengan demikian kecepatan pengangkutan air, makanan dan hara ke arah bunga juga meningkat (Darmawan dan Baharsjah 2010). Secara agronomi dan fisiologi pertumbuhan dan perkembangan tanaman dari fase vegetatif ke generatif merupakan suatu rangkaian yang berlangsung secara teratur untuk melengkapi daur hidup suatu tanaman. Hal ini dapat dibuat suatu pola dalam bentuk kurva pertumbuhan yang berbentuk sigmoid. Tanaman akan memberikan respon fisiologi akibat interaksinya dengan lingkungan.
Respon ekofisiologi sangat menentukan pertumbuhan dan
perkembangan, termasuk peningkatan produksi tanaman.
Proses-proses
ekofisiologi mempengaruhi efisiensi fotosintesis, juvenilitas, pembungaan, pembuahan, perkecambahan, dan penuaan.
Lingkungan biotik yang direspon
tersebut antara lain : cahaya, suhu, dan kelembaban (Chozin 2006). Campbell et al. (2001) mengemukakan masa pembungaan adalah periode waktu antara terbentuknya bunga (jantan dan betina), kemudian terjadi penyerbukan dan diikuti terbentuknya bakal buah. Sedangkan masa pematangan adalah terbentuknya buah secara sempurna sampai masak fisiologis. Waktu pembungaan dan matang fisiologis tanaman tomat merupakan fase pertumbuhan generatif tanaman yang perlu diketahui. Dengan mengetahui hal tersebut maka persiapan waktu panen dan produksi dapat lebih terencana atau dapat dipersiapkan dengan baik, baik dari segi kuantitas maupun kualitas.
1.2. Perumusan Masalah Dalam pembangunan pertanian, sumberdaya iklim seringkali tidak memperoleh perhatian yang serius dibanding faktor tanah dan lainnya (Koesmaryono 2005). Selanjutnya disebutkan bahwa di dalam budidaya pertanian sering terjadi ketidakharmonisan antara sistem pertanaman dan karakteristik iklim/cuaca sehingga menyebabkan rendahnya kuantitas dan kualitas produksi.
4
Pemberian naungan pada tanaman tertentu akan menyebabkan tanaman tersebut memperoleh intensitas radiasi matahari dan suhu udara yang lebih sesuai untuk pertumbuhannya. Dengan demikian pengaruh yang merugikan dari intensitas radiasi surya yang berlebihan dan suhu udara yang tinggi dapat dikurangi atau dihilangkan. Penggunaan rumah tanaman merupakan salah 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 CO2 dan sebagainya. Untuk kondisi 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). Radiasi surya yang dibutuhkan oleh tanaman dapat masuk ke dalam rumah tanaman sedangkan tanaman terhindar dari kondisi lingkungan yang tidak menguntungkan, yaitu suhu udara yang terlalu rendah, curah hujan yang terlalu tinggi, dan tiupan angin yang terlalu kencang. Di dalam rumah tanaman, parameter lingkungan yang berpengaruh terhadap pertumbuhan tanaman, yaitu radiasi surya, suhu udara, kelembaban udara, pasokan nutrisi, kecepatan angin, dan konsentrasi karbondioksida dapat dikendalikan dengan lebih mudah. Penggunaan rumah tanaman memungkinkan dilakukannya modifikasi lingkungan yang tidak sesuai bagi pertumbuhan tanaman menjadi lebih mendekati kondisi optimum bagi pertumbuhan tanaman (Suhardiyanto 2009). Modifikasi iklim mikro (microclimate) dengan menggunakan rumah tanaman dimaksudkan agar tanaman yang dibudidayakan dapat memperoleh iklim/cuaca dan lingkungan tumbuh yang optimal sehingga dapat diperoleh kuantitas dan kualitas produksi yang optimal. Disamping itu, teknologi ini memungkinkan produksi secara lebih terencana, baik dan segi kuantitas, kualitas, maupun waktu panen. Dalam bidang pertanian, untuk menentukan faktor yang paling berpengaruh terhadap pertumbuhan dan hasil produksi tanaman seringkali peneliti
5
mengalami kesulitan. Faktor-faktor yang mempengaruhi pertumbuhan dan hasil tanaman seperti tanah, cuaca/iklim, dan manajemen adalah sangat kompleks, dimana untuk menentukan faktor yang paling berpengaruh dengan menggunakan statistik seringkali tidak diperoleh hasil yang akurat. Elizondo et al. (1994) menggunakan model Artificial Neural Network (ANN) untuk memprediksi waktu pembungaan dan masak fisiologis tanaman kedelai dengan menggunakan parameter input yang terdiri dari data iklim (suhu maksimum, suhu minimum, dan fotoperiod) yang ditempatkan sebagai input layer. Suhardiyanto et al. (2007) 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 (Yk). Hubungan filosofi antara input layer yakni parameter iklim mikro adalah faktor iklim (intensitas radiasi surya, suhu dan kelembaban udara) menentukan laju pertumbuhan vegetative tanaman (tinggi tanaman, jumlah daun, dan jumlah tangkai daun).
Sebagai contoh intensitas radiasi surya yang tinggi akan
menghasilkan fotosintesis yang tinggi sehingga pertumbuhan lebih cepat. Penelitian ini menggunakan metode heat unit dan pemodelan Artificial Neural Network (ANN) untuk menentukan waktu pembungaan dan masak fisiologis tanaman tomat yang ditumbuhkan di dalam rumah tanaman sebagai parameter output (Yk) dan parameter input berbasis pada data iklim dan data agronomis tanaman.
1.3. Tujuan Tujuan dari penelitian ini adalah : 1). Menentukan fase pertumbuhan dan perkembangan tanaman tomat dengan pendekatan konsep satuan panas (heat unit). 2). Menganalisis karakteristik iklim mikro (microclimate) di dalam rumah tanaman untuk memprediksi waktu pembungaan dan masak fisiologis tanaman tomat dengan menggunakan metode Artificial Neural Network (ANN)
6
1.4. Hasil yang Diharapkan Penelitian ini diharapkan dapat memberikan informasi tentang keterkaitan faktor iklim/cuaca dan faktor agronomis tanaman dalam memprediksi waktu pembungaan dan masak fisiologis tanaman tomat yang ditumbuhkan di dalam rumah tanaman dengan menggunakan metode ANN. Selain itu, model ANN yang dibangun juga dapat digunakan untuk memprediksi parameter pertumbuhan tanaman lainnya seperti tinggi tanaman, jumlah daun, dan jumlah tangkai daun tanaman tomat. 1.5. Kerangka Pemikiran Radiasi surya yang masuk ke dalam rumah tanaman sebagian akan mengalami pemencaran (refleksi) ke angkasa, sedangkan sebagian lainnya diteruskan (transmisi)
ke dalam rumah tanaman dan diserap (absorbsi) oleh
penutup rumah tanaman dan tanaman yang ada di dalamnya. Proses aliran energi dalam rumah tanaman selengkapnya dapat dilihat pada Gambar 1. Radiasi Surya
Ventilasi Radiasi termal
ke angkasa
Konveksi
Konveksi
Ventilasi Evaporasi
Evapotranspirasi Konduksi
Gambar 1. Proses perpindahan panas dalam rumah tanaman (diadaptasi dari Suhardiyanto 2009).
7
Radiasi surya yang merupakan radiasi gelombang pendek setelah memasuki rumah tanaman berubah menjadi radiasi gelombang panjang. Radiasi tersebut selanjutnya dipantulkan dan
mengenai atap rumah tanaman serta
dipantulkan kembali ke dalam rumah tanaman yang menyebabkan suhu udara lebih tinggi dibandingkan dengan suhu udara di luar rumah tanaman. Karena radiasi surya terdiri dari berbagai spektrum panjang gelombang, maka dilakukan pengukuran terhadap intensitas radiasi surya yang masuk ke dalam rumah tanaman. Demikian halnya dengan komponen cuaca/iklim lainnya seperti suhu dan kelembaban udara. Pengukuran parameter tanaman dilakukan untuk mengetahui seberapa besar respon tanaman terhadap iklim/cuaca yang ada di dalam rumah tanaman, utamanya terhadap waktu pembungaan dan matang fisiologis tanaman tomat. Pengukuran parameter tanaman seperti tinggi tanaman, jumlah daun, dan jumlah tangkai daun dimaksudkan untuk dijadikan sebagai parameter input (input layer) digabungkan dengan parameter iklim/cuaca (intensitas radiasi surya, suhu udara dan kelembaban udara) dalam pemodelan ANN untuk memprediksi waktu pembungaan dan masak fisiologis tanaman tomat. Metode 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.
8
ANN juga telah banyak digunakan dalm bidang pertanian dan kehutananan. Liu et al. (2001) menggunakan ANN untuk memprediksi hasil tanaman jagung. Suhardiyano et al. (2006) 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 untuk sistem hidroponik berdasarkan kebutuhan air tanaman; hasil yang diperoleh menunjukkan nilai prediksi menghampiri nilai pengukuran di lapangan. Koefisien determinasi (R2) antara hasil prediksi dan nilai pengukuran yaitu 0.9673, 0.9432 dan 0.8248 masing-masing pada fase vegetatif, pembungaan, dan pembuahan. Beberapa hasil penelitian lainnya yang terkait dengan model ANN dapat dilihat pada Tabel 1.
9
Tabel 1. Beberapa penelitian terkait yang menggunakan metode ANN No. 1.
Bidang Pertanian
Penulis (author)
Fokus kajian
Elizondo et al. 1994
Model ANN untuk memprediksi pembungaan dan matang fisiologis kedelai. 2. Klimatologi Kok et al. 1994 Imitasi prosedur rumah tanaman dengan menggunakan ANN. 3. Klimatologi Han dan Felker 1997 Estimasi evaporasi air tanah harian menggunakan ANN. 4. Klimatologi Yang et al. 1997 Aplikasi ANN untuk simulasi suhu tanah. 5. Pertanian Liu et al. 2001 Model ANN untuk menentukan hasil tanaman jagung. 6. Peternakan Cravener dan Roush 2001 Prediksi profil asam amino dalam pakan ternak dengan algoritma genetik dan ANN. 7. Pertanian Kaul et al. 2003 Model ANN untuk memprediksi hasil tanaman jagung dan kedelai. 8. Hidrologi Bowden et al. 2003 Penentuan input untuk model ANN dalam aplikasi sumberdaya air. 9. Pertanian Rowland et al. 2004 ANN untuk menentukan indikator seleksi pertanian yang berkelanjutan. 10. Pertanian Soehardiyanto 2007 Pendugaan suhu udara dalam rumah tanaman dengan indikator faktor-faktor lingkungan. Dari berbagai perkembangan riset yang menggunakan model ANN sebagaimana yang telah dijelaskan sebelumnya, penelitian ini mengembangkan model ANN untuk memprediksi waktu pembungaan dan masak fisiologis tanaman tomat dengan menggunakan data iklim (suhu udara, kelembaban udara, dan intensitas radiasi surya) serta data agronomis tanaman (tinggi tanaman, jumlah daun, dan jumlah tangkai daun).
Selain itu, model ANN yang
dikembangkan juga dapat digunakan untuk memprediksi faktor pertumbuhan tanaman tomat lainnya, seperti tinggi tanaman, jumlah daun, dan jumlah tangkai daun.
10
11
II. TINJAUAN PUSTAKA 2.1. Pengaruh Naungan Terhadap Pertumbuhan dan Perkembangan Tanaman
Salah satu bentuk modifikasi iklim mikro pada tanaman yaitu dengan penggunaan naungan rumah plastik. Rumah plastik atau rumah kaca (greenhouse) adalah suatu bangunan yang ditutup dengan benda transparan untuk melindungi tanaman dari pengaruh negatif lingkungan. Akibat penutupan ini akan diatur jenis spektrum matahari yang dibutuhkan oleh tanaman dengan menggunakan jenis penutup. Struktur greenhouse berinteraksi dengan parameter iklim di sekitar greenhouse dan menciptakan iklim mikro di dalamnya berbeda dengan parameter iklim di sekitar greenhouse. Hal ini disebut sebagai peristiwa efek rumah kaca (greenhouse effect). Suhardiyanto (2009) menyebutkan greenhouse effect disebabkan oleh dua hal, yaitu: 1. Pergerakan udara di dalam greenhouse yang relatif sangat sedikit atau cenderung stagnan. Karena struktur greenhouse yang tertutup dan laju pertukaran udara di dalam greenhouse dengan lingkungan luar yang sangat kecil. Hal ini menyebabkan suhu udara di dalam greenhouse cenderung lebih tinggi daripada di luar. 2. Radiasi matahari gelombang pendek yang masuk ke dalam greenhouse melalui atap diubah menjadi radiasi gelombang panjang. Radiasi gelombang panjang ini tidak dapat keluar dari greenhouse dan terperangkap di dalamnya. Hal ini menimbulkan greenhouse effect yang menyebabkan meningkatnya suhu udara di dalam greenhouse. Radiasi gelombang pendek yang masuk ke dalam greenhouse diubah menjadi gelombang panjang karena melewati bahan penutup, yaitu atap dan dinding serta dipantulkan oleh lantai maupun bagian konstruksi greenhouse. Radiasi
gelombang
panjang
yang
terperangkap
di
dalam
greenhouse
menyebabkan naiknya suhu udara di dalam greenhouse. Untuk mengatasi masalah tersebut, perlu diperhatikan bentuk greenhouse maupun sirkulasi udara di dalamnya (Suhardiyanto 2009). Pada mulanya greenhouse di kawasan yang beriklim subtropika banyak digunakan dengan menggunakan kaca sebagai atap dan dinding. Hal ini terutama
12
jika greenhouse tersebut dibangun untuk fasilitas produksi tanaman sepanjang tahun. Kaca merupakan bahan utama dalam pembuatan greenhouse (Suhardiyanto 2009). Begitu juga yang terjadi di Indonesia, greenhouse pada umumnya dibangun menggunakan kaca sebagai atap dan dinding. Itulah sebabnya greenhouse kemudian identik dengan glasshouse dan diterjemahkan sebagai rumah kaca. Namun dalam perkembangannya, penggunaan kaca sebagai bahan penutup greenhouse sudah jauh tertinggal dibandingkan dengan penggunaan plastik. Sehingga, istilah rumah kaca sebagai terjemahan dari greenhouse sudah kurang tepat lagi. Agar lebih mencerminkan fungsi greenhouse sebagai bangunan perlindungan tanaman maka digunakan istilah “rumah tanaman” sebagai terjemahan dari greenhouse (Suhardiyanto 2009). Rumah tanaman merupakan suatu bangunan yang berfungsi untuk melindungi tanaman dari berbagai macam gangguan cuaca seperti hujan, angin, dan intensitas radiasi matahari yang tinggi serta melindungi tanaman dari serangan hama penyakit. Pada umumnya rumah tanaman diperlukan untuk tanaman yang memiliki nilai ekonomi yang cukup penting seperti berbagai jenis tanaman bunga-bungaan (diantaranya mawar, anyelir, gladiol, anggrek, dan krisan), tanaman sayur-sayuran (diantaranya tomat, kapri, brokoli, sawi, dan paprika), tanaman buah-buahan (diantaranya melon, anggur, dan semangka). Selain itu, rumah tanaman di Indonesia sangat sesuai diterapkan untuk tanaman komoditas ekspor yang menghendaki kualitas baik dan ukuran yang seragam (Noor 2006). Penggunaan rumah tanaman di kawasan yang beriklim tropika semakin banyak, sebagai bangunan pelindung tanaman dalam budidaya sayuran daun, sayuran buah, dan bunga. Tingginya suhu udara di dalam rumah tanaman dapat mencapai tingkat yang memicu cekaman pada tanaman. Masalah lainnya adalah tingginya kelembaban udara serta seringnya kerusakan atap rumah tanaman akibat angin yang kencang (Suhardiyanto 2009). Selanjutnya disebutkan bahwa tingginya kelembaban udara dapat rnengganggu pertumbuhan tanaman karena merangsang pertumbuhan jamur yang rnenimbulkan penyakit pada tanaman. Oleh karena itu, konsep rumah tanaman untuk kawasan yang beriklim tropika basah
13
perlu dikembangkan sesuai dengan kondisi iklim yang panas dan lembab tersebut. Hal ini akan meningkatkan efisiensi penggunaan energi dalam pengendalian iklim mikro di dalam rumah tanaman agar mendekati kondisi optimum bagi pertumbuhan tanaman. Di kawasan yang beriklim tropika basah, rumah tanaman berfungsi sebagai bangunan pelindung tanaman pada budidaya tanaman dengan media tanah maupun dengan sistem hidroponik. Untuk kawasan yang beriklim tropika basah seperti di Indonesia konsep rumah tanaman dengan umbrella effect dipandang lebih sesuai. Rumah tanaman lebih ditujukan untuk melindungi tanaman dari hujan, angin, dan hama. Selain itu, rumah tanaman dibangun untuk mengurangi intensitas radiasi matahari yang berlebihan, mengurangi penguapan air dari daun dan media, serta memudahkan perawatan tanaman (Suhardiyanto 2009). Berdasarkan fungsi tersebut maka tidak tepat jika rancangan rumah tanaman di kawasan yang beriklim tropika basah menggunakan rancangan rumah tanaman subtropika yang umumnya dikembangkan dengan konsep greenhouse effect. Untuk kawasan yang beriklim tropika basah, rancangan rumah tanaman yang telah dikembangkan di kawasan yang beriklim subtropika perlu diadaptasi dengan konsep umbrella effect tersebut. Rancangan rumah tanaman untuk kawasan yang berikim tropika basah sering disebut juga adapted greenhouse (Suhardiyanto 2009). Ketika rumah tanaman mulai diperkenalkan di kawasan yang beriklim tropika, terjadi adaptasi rancangan atap dari berbagai rumah tanaman yang umum digunakan di kawasan yang beriklim subtropika. Adaptasi tersebut menjadi tiga jenis rumah tanaman yang kemudian umum digunakan di kawasan yang beriklim tropika, yaitu semi monitor, modified standard peak, dan modified arch. Masingmasing tipe rumah tanaman tersebut dilengkapi dengan bukaan ventilasi pada bubungan. Bukaan ventilasi ini dibuat agar udara di dalam rumah tanaman yang suhunya lebih tinggi dibandingkan dengan udara luar dapat mengalir keluar melalui bukaan tersebut secara lancar (Suhardiyanto, 2009). Suhardiyanto (2009) mengemukakan bahwa rancangan rumah tanaman yang paling sesuai dan banyak digunakan di kawasan yang beriklim tropika seperti Indonesia adalah modified standard peak dengan jumlah bentangan satu
14
atau lebih. Tipe atap tersebut memungkinkan bukaan ventilasi pada bubungan rumah tanaman dapat dibuat dengan mudah dan strukturnya cukup stabil menahan angin yang kencang. Untuk kawasan yang beriklim tropika orientasi rumah tanaman sebaiknya memanjang ke timur dan barat sehingga atap rumah tanaman menghadap ke utara dan selatan. Hal ini rnemungkinkan cahaya matahari dapat mengenai tanaman secara lebih merata sepanjang hari. Namun, perbedaan yang diakibatkan oleh perbedaan orientasi rumah tanaman ini tidak besar. Modified standard peak greenhouse banyak digunakan di Indonesia karena sesuai dengan kondisi iklim Indonesia yang memiliki intensitas radiasi matahari dan curah hujan yang tinggi. Bentuk atap berundak dengan kemiringan tertentu mempercepat aliran air hujan ke arah ujung bawah atap. Bentuk atap standard peak
dengan
kemiringan
sudut
250
-
350
tergolong
optimal
dalam
mentransmisikan radiasi matahari (Suhardiyanto 2009). Dengan bukaan ventilasi pada bagian bubungan, suhu udara di dalam rumah tanaman tipe ini dapat dipertahankan pada tingkat yang dapat ditolerir oleh tanaman. Hal ini terjadi karena pertukaran udara berlangsung melalui bukaan ventilasi pada bubungan dan dinding yang ditutup dengan screen. Ketika tidak ada angin bertiup, udara masih dapat keluar dari rumah tanaman melalui bukaan pada atap. Perbedaan kerapatan udara terjadi karena perbedaan suhu udara. Suhu udara di bagian atas rumah tanaman cenderung lebih tinggi dibandingkan dengan suhu udara di bagian bawah. Hal ini menyebabkan terjadinya aliran udara ke atas, yaitu ke arah bukaan pada atap, sehingga berlangsunglah ventilasi alamiah. Ketika angin bertiup, ventilasi alamiah berlangsung secara lebih lancar (Suhardiyanto 2009). Ventilasi alamiah perlu menjadi salah satu aspek pertimbangan yang penting dalam perancangan struktur rumah tanaman di kawasan yang beriklim tropika basah. Hal ini karena ventilasi alamiah merupakan metode yang sangat murah untuk menjaga lingkungan di dalam rumah tanaman berada pada tingkat yang baik bagi pertumbuhan tanaman. Selain itu, rancangan struktur rumah tanaman sangat berpengaruh terhadap laju pertukaran udara dari dalam ke luar atau sebaliknya melalui ventilasi alamiah. Pertukaran udara tersebut menentukan kondisi iklim mikro di dalam rumah tanaman (Suhardiyanto 2009).
15
Ventilasi alamiah adalah pertukaran udara di dalam suatu bangunan dengan udara di luarnya tanpa mengunakan kipas atau peralatan mekanik lainnya. Pertukaran udara pada rumah tanaman sangat diperlukan untuk mencegah terlalu tingginya suhu dan kelembaban udara. Selain itu, ventilasi alamiah juga menjaga tersedianya CO2 yang sangat penting bagi proses fotosintesis pada daun tanaman (Suhardiyanto 2009). Tujuan penggunaan rumah tanaman adalah menciptakan iklim mikro yang kondusif untuk pertumbuhan tanaman ketika kondisi iklim tidak kondusif. Atap rumah tanaman sangat menentukan iklim mikro dalam rumah tanaman tersebut. Pemilihan atap harus mempertimbangkan karakteristik fisik, termal, optik, dan harga bahan tersebut (Suhardiyanto, 2009). Selanjutnya disebutkan bahwa karakteristik termal atap rumah tanaman terhadap radiasi matahari meliputi transmissivity, absorptivity, dan reflectivity. Dari segi optik, atap rumah tanaman perlu mempunyai karakteristik dapat meneruskan sebanyak mungkin sinar tampak yang diperlukan tanaman untuk fotosintesis. Bahan dalam pembuatan sebuah rumah tanaman beraneka ragam. Pemilihannya sangat ditentukan oleh banyak faktor, demikian pula mengenai bentuk, konstruksi, dan sistem pengontrol lainnya disesuaikan dengan kondisi iklim suatu daerah, tujuan penggunaan, jenis tanaman, dan biaya. Secara umum bangunan rumah tanaman terdiri atas bagian kerangka sebagai penopang kekuatan yang dapat terbuat dan besi, kayu atau bambu tergantung dari ketersediaan bahan baku setempat. Masing-masing bahan baku tersebut mencerminkan ketahanan dan kekuatan bangunan serta umur ekonomisnya. Atap rumah tanaman terbuat dari bahan tembus pandang seperti kaca, plastik film, fiberglass, panel aknilik dan panel polykarbonat (Noor 2006). Konstruksi atap dan bahan plastik yang sesuai untuk Indonesia yang beriklim tropis sehingga dapat mengurangi dari
pengaruh negatif
intensitas radiasi
matahari yang berlebihan. Jenis plastik terdiri atas plastik berproteksi UV dan plastik biasa. Jika petani atau pengusaha ingin berinvestasi untuk jangka waktu yang pendek, misalnya untuk beberapa tahun saja maka bahan penutup dari plastik film dapat menjadi pilihan. Ada beberapa plastik film yang dapat digunakan untuk bahan penutup rumah tanaman, yaitu polyethylene (PE), atau
16
polyvinyichloride (PVC) (Suhardiyanto 2009). Selanjutnya disebutkan bahwa PE memiliki sifat fisik yang fleksibel dan ringan sehingga sering digunakan pada rumah tanaman dengan atap melengkung. PE dapat mentransmisikan PAR 8587%. Kelemahan PE adalah umur pakainya yang hanya dua sampai empat tahun. PE lebih popular sebagai bahan penutup rumah tanaman dibandingkan dengan PVC. PE dengan UV stabilizer merupakan bahan penutup yang paling banyak digunakan di Indonesia karena harganya relatif murah dan daya tahannya cukup baik. Jenis plastik tersebut memiliki transmisivitas cahaya matahari yang baik, serta tidak terlalu kedap terhadap radiasi gelombang panjang dibandingkan dengan bahan kaca (Suhardiyanto 2009). Naungan secara langsung berpengaruh terhadap intensitas cahaya yang sampai di permukaan tajuk tanaman. Pemberian naungan pada tanaman selain mengurangi intensitas cahaya juga spektrum cahaya yang diterima daun di bawah naungan akan berbeda dengan spektrum cahaya langsung (Noor 2006). Bagian energi matahari yang paling bermanfaat untuk fotositesis adalah spektrum cahaya tampak (0.4 - 0.7 µm). Pada daerah tropik spektrum cahaya tampak dapat mencapai 50 % dari total radiasi (Jones 1992). Pemberian naungan akan menyebabkan iklim mikro di sekitamya berubah. Pada siang hari sinar matahari yang masuk terhalang oleh naungan. Hal tersebut menyebabkan berkurangnya akumulasi radiasi matahari yang sampai ke permukaan tanah. Pada malam hari naungan dapat menahan radiasi gelombang panjang yang dilepaskan permukaan tanah sehingga energi dari pelepasan radiasi akan terakumulasi yang menyebabkan meningkatnya suhu udara di bawah naungan. Keadaan masing-masing iklim mikro ini akan mempengaruhi proses pertumbuhan dan perkembangan tanaman. Pemberian naungan berpengaruh terhadap produksi tanaman. Hasil penelitian terhadap tanaman lada menunjukkan secara umum tanaman di bawah naungan 50% (tingkat radasi surya 50%) memperlihatkan hasil produksi tertinggi dibandingkan dengan tingkat radiasi 75% dan tanpa naungan (Faisal 1984). Sumiati dan Filman (1994) mengemukakan bahwa hasil bobot buah cabai paprika varietas Blue Star tertinggi dihasilkan dari tanaman yang dibudidayakan secara konvensional di bawah naungan plastik transparan dengan kerangka naungan
17
berbentuk kubus setengah lingkaran dengan arah memanjang menghadap ke arah timur-barat di Lembang, Jawa Barat. Sebaliknya, hasil penelitian Syakur et al. (2003) menunjukkan bahwa penggunaan naungan plastik UV tidak berpengaruh terhadap pertumbuhan dan produksi tanaman tomat, namun keunggulan dari plastik ini yaitu memiliki waktu pemakaian yang lebih lama dan ketahanan yang lebih baik dibanding plastik biasa. Hasil penelitian Noor (2006) menunjukkan bahwa perlakuan naungan 27.5% dapat menurunkan intensitas radiasi matahari hingga 155 W/m2 (49%) sehingga memberikan kondisi lingkungan yang sesuai untuk mendukung pertumbuhan, produktivitas, dan mutu hasil paprika. Kondisi optimum di dalam rumah plastik sebagaimana hasil penelitian Yushardi (2007) yaitu pada penggunaan plastik polyetylena berproteksi ultraviolet (UV) 14% dapat menurunkan suhu udara di dalam rumah plastik sebesar 3.0 °C (7.4%). Sumiati dan Filman (1994) mengemukakan penggunaan naungan plastik bening dapat menekan evaporasi yang mungkin terjadi akibat tiupan angin, sehingga kelembaban tanah tetap terjamin untuk pertumbuhan dan perkembangan tanaman tomat. Selanjutnya dikemukakan bahwa naungan dapat menahan percikan air hujan yang deras, sehingga dapat menekan gugurnya bunga dan buah tomat serta menekan kemungkinan timbulnya penyakit. Hasil penelitian Sumiati dan Filman (1994) menunjukkan bahwa naugan plastik bening secara nyata dapat meningkatkan bobot buah per hektar. Selain itu, manfaat rumah plastik di daerah tropis antara lain yaitu melindungi tanaman dari curah hujan, angin dan sinar matahari yang terlalu kuat serta mengatur kelembaban ruang. Rumah plastik dapat menyerap sinar UV yang berlebihan yang tidak menguntungkan bagi tanaman.
2.2. Pengaruh Radiasi Surya Terhadap Pertumbuhan Tanaman Radiasi surya sangat diperlukan oleh komunitas tanaman karena memiliki energi untuk proses fotosintesis, terutama energy dari cahaya tampak (400 – 700 nm) yang disebut Photosintetically Active Radiation (PAR).
Interaksi antara
radiasi surya dan tanaman hidup dapat dibagi atas tiga kategori yaitu efek termal,
18
efek foto-energi, dan efek fotostimulus yang dapat diringkaskan seperti pada Tabel 2. Tabel 2. Panjang gelombang radiasi dan pengaruhnya pada tumbuhan (Ross 1975) Tipe Radiasi Ultraviolet PAR Infra merah dekat Radiasi gelombang panjang
Wilayah Spektral 0-4 0.38-0.71 0.71-4.0 3.0-100
Persen Radiasi Surya 21-46 50-79
Termal
Fotosintesis
Fotomor fogenetik
+ +
Moderate + -
+ + +
-
-
-
+
Keterangan : - = tidak nyata berpengaruh; + = nyata berpengaruh Pengaruh interaksi radiasi surya terhadap tumbuhan terdiri atas tiga bagian (Ross 1975) : 1). Pengaruh termal radiasi hampir 70% diserap oleh tanaman dan diubah sebagai bahang dan energi untuk transpirasi serta untuk pertukaran panas dengan lingkungannya. 2). Pengaruh fotosintesis karena hampir 28% dari energi yang ada diserap untuk fotosintesis dan disimpan dalam bentuk energi kimia. 3). Pengaruh fotomorfogenetik yaitu sebagai regulator dan pengendali proses pertumbuhan dan perkembangan tanaman. Contoh dalam proses ini adalah untuk
proses
gerakan
nastik,
orientasi,
pembentukan
pigmen
dan
pembungaan. Tiga karakteristik radiasi surya yang berpengaruh terhadap pertumbuhan dan perkembangan tanaman adalah intensitas, lama penyinaran, dan panjang gelombang cahaya seperti dapat dilihat pada Tabel 3.
19
Tabel 3. Pengaruh spektrum cahaya terhadap pertumbuhan tanaman Band
λ (mikron)
Pengaruh terhadap tanaman
1
>1.02
Tidak ada pengaruh spesifik yang diketahui. Radiasi diserap dan diubah menjadi panas tanpa mempengaruhi proses biokimia.
2
1.0-0.72
Pengaruh khas terhadap aktivitas pemanjangan organ tanaman. Wilayah infra merah jauh penting bagi fotoperiodeisme, perkecambahan biji, kontrol pembungaan, dan warna buah.
3
0.72 – 0.61
Diserap oleh klorofil. Menghasilkan proses aktivitas fotosintesis yang kuat. Terkadang menunjukkan adanya aktivitas fotoperiodik yang kuat.
4
0.61 – 0.51
Wilayah spektrum hijau dengan efektivitas fotosintesis rendah dan aktivitas formatif lemah.
5
0.51 – 0.40
6
0. 40 – 0.315
7
0.315 – 0.28
Wilayah serapan terkuat oleh klorofil dan pigmen kuning. Merupakan wilayah aktivitas fotosintesis yang kuat pada cahaya biru violet. Mempunyai pengaruh formatif yang kuat. Menghasilkan pengaruh formatif. Tanaman menjadi lebih pendek dan daun lebih tebal. Umumnya merugikan tanaman.
8
<0.28
Secara cepat mematikan tanaman. germisidal
Mempunyai aksi
Sumber : Chang (1968) Radiasi atau cahaya matahari dapat dinyatakan dalam hal : 1). panjang gelombang atau kualitas cahaya. 2). intensitas cahaya. 3). panjang hari. Ketiga komponen radiasi tersebut mempunyai pengaruh terhadap pertumbuhan dan perkembangan tanaman
melalui berbagai proses fisiologi :1). fotosintesis
(intensitas, panjang gelombang). 2). fotorespirasi (intensitas). 3). fotoperiodisme (panjang hari, fotoperiode). 4). fototropisme (arah datang cahaya). 5). perkecambahan benih (panjang gelombang) 7). pembentukan anthocyanin (intensitas, panjang gelombang). Pengurangan intensitas cahaya antara lain dengan naungan akan meningkatkan kelembaban udara, tetapi menurunkan suhu (Gardner et al. 1991).
20
2.3.
Pengaruh Suhu Udara Terhadap Pertumbuhan dan Perkembangan Tanaman
Perkembangan maupun pertumbuhan tanaman sangat ditentukan oleh unsur-unsur cuaca seperti suhu udara. Namun faktor yang paling berpengaruh terhadap perkembangan tanaman adalah suhu dan panjang hari, sedangkan pada pertumbuhan hampir semua unsur cuaca sangat mempengaruhinya (Handoko 1994). Pertumbuhan tanaman sangat dipengaruhi oleh suhu udara.
Sering
perubahan beberapa derajat saja sudah menyebabkan perubahan yang nyata dalam laju pertumbuhan. Pada tahap tertentu dalam daur hidup tanaman, tiap spesies atau varietas mempunyai suhu minimum, (rentang) suhu optimum dan suhu maksimum. Di bawah suhu minimum ini tanaman tidak akan tumbuh; pada rentang suhu optimum, laju tumbuhnya paling tinggi; dan di atas suhu maksimum tanaman tidak akan tumbuh bahkan mati (Salisbury dan Ross 1995). Selanjutnya disebutkan bahwa suhu tidak hanya mempengaruhi pertumbuhan jaringan. Sering selang suhu tertentu mengawali tahap kritis pada daur hidup tanaman : perkecambahan biji, awal pembungaan, dan induksi atau berakhirnya dormansi pada tanaman tahunan. Respon perkembangan tanaman itu sering dipengaruhi oleh faktor lingkungan selain suhu, antara lain tingkat cahaya, lama cahaya, dan kelembaban udara. Pengaruh suhu udara terhadap pertumbuhan terutama pada proses respirasi dan kecepatan proses biokimia dalam fotosintesis. Dalam proses respirasi, hasil fotosintesis akan diubah menjadi CO2 dan H2O, sehingga semakin besar respirasi laju pertumbuhan tanaman menjadi berkurang.
Fotosintesis dan respirasi
merupakan reaksi kimia yang dikenal dengan nama proses biokimia. Intensitas/kecepatan reaksinya sangat ditentukan oleh aktivitas katalisator. Hanya saja pada proses biokimia katalisatornya adalah enzim, yang daya toleransinya terhadap suhu lingkungan sangat terbatas dan bervariasi untuk tiap varietas tanaman karena enzim tersebut dari protein yang spesifik. Pada batas kisaran toleransi optimum, semakin tinggi suhu akan semakin meningkatkan aktivitas dari enzim, yang akhirnya akan meningkatkan produk fotosintesis dan respirasi. Meningkatnya cahaya dari angka optimumnya akan mengakibatkan penurunan produk, karena mulai terjadi perusakan enzim, yang akhirnya proses fotosintesis
21
dan respirasi akan berhenti bila seluruh enzim rusak oleh suhu yang terlalu tinggi (Nasir 1999). Produk fotosintesis bruto sangat ditentukan oleh intensitas radiasi PAR dan tingginya suhu daun yang diakibatkan oleh penyerapan radiasi gelombang pendek tersebut. Terutama pada daun yang memperoleh radiasi surya langsung di puncak tajuk, laju fotosintesis tidak terlalu terpengaruh oleh suhu udara. Sedangkan untuk respirasi berlangsung terus menerus selama 24 jam dan kecepatannya sangat dipengaruhi oleh suhu udara dan radiasi infra merah. Pertumbuhan tanaman sangat dipengaruhi suhu. Perubahan suhu beberapa derajat menyebabkan perubahan yang tajam terhadap laju pertumbuhan. Pada tahap tertentu dalam daur hidupnya dan pada kondisi tertentu, tiap spesies atau varietas memiliki suhu minimum, suhu optimum dan suhu maksimum. Di bawah suhu minimum, tumbuhan tidak akan tumbuh; pada rentang suhu optimum laju pertumbuhannya paling tinggi; dan di atas suhu maksimum, tumbuhan tidak akan tumbuh bahkan mati. Kurva laju pertumbuhan sebagai fungsi suhu (gambar 1) memperlihatkan pertumbuhan berbagai spesies lazimnya menyesuaikan diri dengan lingkungan alaminya. Spesies alpin dan spesies kutub utara mempunyai suhu minimum, optimum dan maksimum yang rendah; spesies tropika mempunyai suhu utama yang jauh lebih tinggi. Tumbuhan yang tumbuh mendekati suhu minimum atau maksimum akan sering mengalami cekaman (Salisbury dan Ross 1995).
22
Gambar 2. Pertumbuhan tanaman sebagai fungsi suhu pada empat spesies tumbuhan (Sumber : Salisbury dan Ross 1995) Suhu tidak hanya mempengaruhi pertumbuhan jaringan.
Selang suhu
tertentu mengawali tahap kritis pada daur hidup pertumbuhan : perkecambahan biji, awal pembungaan dan induksi dan berakhirnya dormansi pada tumbuhan tahunan. Respons perkembangan itu sering dipengaruhi oleh faktor lingkungan selain suhu, antara lain : tingkat cahaya, lama cahaya dan kelembaban. Interaksi ini sangat beragam dan rumit. Respon pertumbuhan terhadap suhu yang mendalilkan reaksi enzim yang dipengaruhi oleh dua faktor yang berlawanan.
Kenaikan suhu meningkatkan
energi kinetik molekul yang bereaksi dan hal ini meningkatkan laju reaksi; tetapi kenaikan suhu juga menaikkan laju denaturasi enzim. Selisih antara kurva reaksi dan kurva perombakan menghasilkan kurva yang setangkup yang mempunyai suhu minimum, optimum dan maksimum sendiri (Gambar 2.). Kurva tersebut berlaku untuk respirasi, fotosintesis dan berbagai respon tumbuhan lainnya, disamping pertumbuhan (Salisbury dan Ross 1995).
23
Gambar 3. Aktivitas enzim dan suhu. I laju reaksi dengan Q10 = 2 khas untuk berbagai reaksi kimia yang dikendalikan enzim. III reaksi dengan Q10 = 6 khas untuk denaturasi protein. II kurva perkiraan selisih antara laju reaksi enzim dan Denaturasi (Sumber : Salisbury dan Ross 1995). Selain respons positif bila suhu meningkat dari minimum ke optimum, sebaliknya beberapa proses tertentu ternayata meningkat bila suhu menurun mendekati titik beku. Pada vernalisasi, pemajanan tumbuhan tertentu pada suhu rendah selama beberapa minggu memyebabkan tumbuhan mampu berbunga, biasanya setelah dikembalikan ke suhu normal. Suhu rendah pada musim gugur sering menyebabkan atau membantu berlangsungnya dormansi pada banyak biji, tunas atau organ bawah tanah, Perkembangan tanaman merupakan suatu kombinasi dari sejumlah proses yang kompleks, yaitu pertumbuhan dan diferensiasi yang mengarah pada akumulasi bobot kering. Proses diferensiasi ini mensyaratkan : (1) hasil asimilasi yang tersedia dalam keadaan berlebihan untuk dimanfaatkan pada banyak kegiatan metabolik; (2) temperatur yang menguntungkan; dan (3) terdapat sistem enzim yang memperantarai proses diferensiasi (Gardner et al. 1991).
24
Intensitas cahaya tinggi di siang hari berakibat meningkatkan hasil fotosintesis bruto. Bila siang hari cahaya surya terik kemudian diikuti oleh suhu udara rendah di malam hari, hal tersebut menguntungkan bagi tanaman karena meningkatkan produk fotosintesis neto. Pengurangan produk fotosintesis oleh respirasi sangat ditentukan oleh suhu udara. Suhu udara yang terus menerus tinggi akan mengurangi fotosintesis neto.
Suhu udara akan mempengaruhi
kecepatan reaksi metabolisme (fotosintesis dan respirasi), sehingga pertumbuhan generative untuk menghasilkan biji menurun.
Ditinjau terhadap respon suhu
udara, terdapat tiga batas suhu penting (suhu kardinal) pada tanaman yaitu suhu minimum, suhu optimum, dan suhu maksimum. Untuk tanaman tomat, suhu optimumnya adalah 18 – 24 oC, suhu minimum 14oC, dan suhu maksimum 26 oC (Nasir 1999). Tanaman mengalami dua proses hidup yakni tumbuh (bertambah ukuran panjang, luas, volume dan bobot) dan berkembang yakni mengalami penggandaan dan pemisahan fungsi organ melalui fase-fase benih, kecambah, pertumbuhan vegetatif dan pertumbuhan generatif bunga, buah dan biji untuk memperoleh generasi baru (benih baru). Dalam batas kisaran toleransi kenaikan suhu udara akan diikuti oleh laju pertumbuhan dan semakin pendeknya periode antar fase perkembangan. Dalam hal ini untuk tanaman semusim peningkatan suhu udara akan ,menyebabkan semakin pendek umurnya. 2.3.1. Hubungan Suhu dengan Fotosintesis Fiksasi CO2 dalam peristiwa fotosintesis merupakan reaksi yang dikendalikan oleh enzim, dan meningkat dengan laju penambahan semakin tinggi sejalan dengan meningkatnya suhu, hingga mencapai temperatur yang menyebabkan denaturasi enzim Semua reaksi di dalam tumbuhan sangat dipengaruhi oleh suhu luar. Pada umumnya reaksi yang dikatalis oleh enzim akan meningkat dengan kenaikan suhu dari 0 oC sampai 35 oC atau 40 oC. Nilai Q10 umumnya antara 2 sampai 3 dalam rentang suhu 0 oC sampai 30 oC, sebagian karena panas akan meningkatkan jumlah molekul yang mempunyai energi setara dengan atau lebih besar daripada energi pengaktifan. Karena laju reaksi sangat bergantung pada katalis oleh enzim, suhu juga mempengaruhi reaksi dengan mengubah bentuk enzim. Bentuk enzim
25
menentukan kemampuannya, baik untuk bergabung dengan substratnya maupun untuk katalis.
Berbagai enzim, bahkan yang berasal dari spesies yang sama,
responsnya terhadap suhu sering sangat berbeda. Hal ini berarti bahwa pada suhu tertentu beberapa enzim berfungsi optimum, sedangkan yang lain tidak. Pertumbuhan dan reproduksi organisme sangat beragam pada suhu yang berlainan. Pada suhu tertentu hal ini mungkin bergantung pada suhu optimum bagi kerja enzim tertentu yang mengendalikan reaksi pembatas laju pertumbuhan. Perbedaan suhu optimum enzim akan menentukan di lingkungan mana spesies akan hidup. Sebagai contoh, suhu optimum bagi proses fotosintesis pada tumbuhan alpina dan tundra adalah 10 – 15 oC, sedangkan suhu optimum bagi jagung sekitar 30 oC. Tanaman budidaya bervariasi menurut kisaran suhu pertumbuhannya. Tanaman budidaya yang tumbuh dalam kondisi dingin (tumbuh pada suhu utama antara 0 – 5 oC) seperti gandum mempunyai keuntungan mampu menghasilkan indeks luas daun (ILD) kritis cukup dini agar dapat bertepatan dengan saat energi matahari maksimum.
Tanaman budidaya musim hangat (tumbuh pada suhu
utama antara 5 – 15 oC) seperti jagung, harus menunggu suhu cukup tinggi untuk bisa menunjang pertumbuhan, karena tanaman ini tidak dapat menghasilkan luas daun secara cukup cepat untuk mencapai ILD kritis pada energi matahari maksimum. Tingkat energi radiasi dan suhu tanah serta udara merupakan dua variabel lingkungan utama yang cenderung berfluktuasi sama.
Peningkatan suhu
permukaan pada lokasi mana saja sangat dipengaruhi oleh energi radiasi yang diterima (Gardner et al. 1991). 2.3.2. Hubungan Suhu dengan Respirasi dan Transpirasi Respirasi tanaman juga dipengaruhi oleh beberapa faktor, antara lain suhu. Peningkatan suhu sebesar 10 oC akan meningkatkan laju reaksi 2 – 3 kali lipat (Darmawan dan Baharsjah 2010).
Demikian pula halnya dengan transpirasi.
Kehilangan uap air melalui stomata (80 – 90 %) dan kutikula (± 10%) akibat adanya gradien tekakanan uap air antara rongga daun dan udara sekitarnya, dipengaruhi oleh suhu. Radiasi matahari (cahaya) menimbulkan panas bumi yang
26
kemudian dipantulkan kembali ke udara daun, menyebabkan makin tingginya suhu daun dan transpirasi semakin meningkat. Transpirasi tidak hanya mempengaruhi proses fisika penguapan dan difusi, tetapi juga mempengaruhi membuka dan menutupnya stomata pada permukaan daun yang dilalui air yang ditranspirasikan dan lalulintas CO2. Naiknya suhu daun misalnya, sangat meningkatkan penguapan dan sedikit difusi, namun mungkin menyebabkan stomata tertutup atau terbuka lebar, bergantung pada spesies dan faktor lain.
Saat matahari terbit, stomata membuka karena
meningkatnya pencahayaan dan cahaya meningkatkan suhu daun, sehingga air menguap lebih cepat. Naiknya suhu membuat udara mampu membawa lebih banyak kelembaban, maka transpirasi meningkat, dan bukaan stomata terpengaruh. Angin membawa CO2 dan mengusir uap air. Hal ini menyebabkan penguapan dan penyerapan CO2 meningkat, meskipun semakin meningkatnya kadar CO2 akan menyebabkan stomata menutup sebagian. Bila daun dipanaskan oleh sinar matahari dengan panas yang melebihi suhu udara, angin akan menurunkan suhunya. Akibatnya transpirasi menurun (Salisbury dan Ross 1995). Meningkatnya suhu daun yang meningkatkan pula respirasi dan transpirasi. Respirasi mengubah heksosa menjadi bahan-bahan struktural, cadangan makanan dan metabolik yang dibutuhkan untuk pertumbuhan dan perkembangan tanaman (Campbell et al. 2003).
2.3.3. Pengaruh Suhu terhadap Perkecambahan Selain imbibisi, proses perkecambahan juga meliputi sejumlah proses katabolisme dan anabolisme yang dikendalikan enzim, dan karena sangat responsif terhadap suhu. Suhu kardinal (maksimum, optimum dan minimum) untuk perkecambahan pada kebanyakan biji tanaman budidaya pada dasarnya merupakan suhu kardinal untuk pertumbuhan vegetatif yang normal.
Suhu
optimum adalah suhu yang memberikan persentase perkecambahan yang paling tinggi dalam periode waktu yang paling pendek (Gardner et al. 1991). Biji yang belum mengalami masak lanjutan yang dormansinya sebagian atau relatif berkecambah dalam rentangan waktu yang sempit, misalnya 5 – 15 oC bagi spesies yang bertemperatur rendah. Biji yang mengalami masak lanjutan (kultivar
27
kebanyakan tanaman budidaya) tidak memiliki rentang perkecambahan yang sempit. Temperatur kardinal untuk perkecambahan biji tanaman budidaya saling menelumpang, tetapi kecepatan berkecambah pada seluruh tanaman budidaya lebih lambat pada suhu yang rendah (Gardner et al. 1991). 2.3.4. Hubungan Suhu dengan Ketinggian Tempat Suhu udara kering atmosfer bumi lebih dingin sekitar 1 oC setiap kenaikan tegak 100 m. Jadi, jika udara kering pada suhu 30 oC di lembah. Suhu udara pada ketinggian tegak 1.500 m akan mendingin menjadi 15 oC, kecuali jika dipanaskan atau didinginkan oleh lereng gunung dan atau sinar matahari dalam perjalanan ke atas. Hal disebabkan karena udara yang naik akan memuai karena tekanan lebih rendah pada elevasi yang lebih tinggi (Salisbury dan Ross 1995). Pertumbuhan dan perkembangan tanaman dipengaruhi oleh suhu, yang berkaitan dengan reaksi enzim yang terlibat dalam metabolisme tanaman.
Laju
reaksi enzim terhadap suhu merupakan rentang suhu kardinal, yaitu suhu minimum, optimum dan maksimum.
2.4. Botani dan Syarat Tumbuh Tanaman Tomat Morfologi atau penampilan fisik tanaman tomat bisa dibedakan menjadi beberapa bagian, yakni akar, batang, daun, bunga, buah dan biji. Tanaman tomat memiliki akar tunggang yang bisa menembus tanah sekaligus akar serabut (akar samping) yang bisa tumbuh menyebar ke segala arah. Kemampuannya menembus lapisan tanah terbatas, yakni pada kedalaman 30 – 70 cm.
Sesuai sifat
perakarannya, tomat bisa tumbuh dengan baik di tanah yang gembur dan mengikat air. Batang berwarna hijau dengan bentuk persegi empat hingga bulat. Sewaktu masih muda batangnya memiliki tekstur yang lunak, tapi setelah tua berubah menjadi bulu atau rambut halus. Diantara bulu-bulu tersebut terdapat rambut kelenjar yang mampu mengeluarkan bau khas. Daun tomat berbentuk oval dengan panjang 20 – 30 cm.
Tepi daun
bergerigi dan membentuk celah-celah yang menyirip. Diantara daun-daun yang bersirip besar terdapat sirip kecil dan ada pula yang bersirip besar lagi. Umumnya
28
daun tomat tumbuh di dekat ujung dahan atau cabang, memiliki warna hijau dan berbulu. Bunga tanaman tomat tergolong sempurna (hermaphrodite), yakni memiliki benang sari dan kepala putik pada bunga yang sama. Dengan demikian tomat bisa melakukan penyerbukan sendiri, sekaligus mampu melakukan penyerbukan silang dengan bantuan serangga. Penyerbukan silang lebih umum terjadi di daerah tropis dibandingkan dengan di daerah beriklim sedang. Ukuran bunga relative kecil dengan diameter sekitar 2 cm. Bunga berwarna kuning dan tersusun dalam satu rangkaian dengan jumlah 5 – 10 bunga tergantung varietasnya.
Dalam satu kuntum bunga terdapat 5 – 6 helai mahkota yang
berwarna kuning cerah dan berukuran sekitar 1 cm, bertangkai pendek dengan kepala sari yang panjangnya 5 mm. Kelopak berjumlah lima buah, berwarna hijau dan terletak di bagian bawah atau pangkal bunga. Benang sari berjumlah enam buah, bertangkai pendek dengan kepala sari yang panjangnya 5 mm, dan berwarna sama dengan mahkota bunga. Pada benang sari terdapat kantong yang letaknya menjadi satu dan membentuk bumbung yang mengelilingi tangkai kepala putik. Bunga tomat tumbuh dari cabang yang masih muda dengan letak menggantung. Buah tomat memiliki bentuk bervariasi, mulai bulat lonjong, bulat halus, bulat beralur, bulat dengan bentuk datar pada ujung atau pangkalnya, hingga bentuk yang tidak teratur.
Bentuk dan ukuran tersebut tergantung varietas.
Sewaktu masih muda buahnya berwarna hijau muda sampai hijau tua. Setelah tua buahnya menjadi sedikit kuning, merah cerah atau gelap, merah kekuningan, atau kuning atau merah gelap. Tanaman tomat merupakan tanaman hari netral (day-natural vegetable) yang tidak terpengaruh oleh panjang hari (Yamaguchi 1983). Karena tanaman tomat adalah tanaman netral; laju perkembangan dan kejadian fenologinya didekati dengan konsep degree-day atau heat unit. Heat unit tidak dipengaruhi oleh perbedaan lokasi dan waktu tanam (Koesmaryono et al. 2002).
Laju
perkembangan tanaman terjadi bila suhu udara rata-rata harian melebihi suhu dasar. Idealnya tanaman tomat tumbuh di tempat yang dingin, cuaca kering dan dataran tinggi (1000 - 1250 m dpl). Tanaman tomat tergolong kedalam warm
29
season crop yang memerlukan suhu optimum 20 °C - 28 °C dengan variasi pergantian suhu sebesar 18 °C pada malam hari dan 25 °C pada siang hari pada masa pembungaannya. Nasir (1999) mengemukakan bahwa suhu udara optimum untuk tanaman tomat yaitu 18 - 24 oC dengan suhu minimum dan maksimum masing-masing 14 °C dan 26 °C. Suhu udara yang terlalu panas dan kering akan menyebabkan kepala putik cepat kering dan tabung sari tidak banyak terjadi pembentukan buah. Suhu dibawah 12 °C dapat menyebabkan chilling injury, dan suhu diatas 27 °C akan meghambat pertumbuhan dan pembentukan buah, kerusakan pollen dan sel telur ketika suhu harian 38 °C atau lebih selama 5 - 10 hari. Tanaman tomat akan tumbuh optimal bila tanah dan iklim dimana tanaman ini tumbuh sesuai yang diinginkan. Tekstur tanah yang baik yaitu medium dengan kedalaman akar medium (60 - 90 cm). Tingkat kesuburan tanah tinggi dengan pH 5.0 – 7.0. Tingkat kedalaman air tanah minimum selama periode pertumbuhan yaitu 50 cm. Bila target penanaman tomat adalah kegenjahannya, maka tanaman tomat cocok ditanam di tanah lempung berpasir yang baik drainasenya. Namun bila yang ditargetkan adalah jumlah total produksi yang tinggi maka yang cocok adalah tanah lempung liat dan lempung berdebu. Tanaman tomat sangat rentan terhadap lingkungan secara menyeluruh yaitu cahaya, temperatur, dan lingkungan sekitar akar tanaman. Selain faktor tanah, iklim yang bervariasi perlu modifikasi yang mengarah pada keadaan lingkungan yang diinginkan tanaman tomat. Tanaman tomat menyenangi tempat yang terbuka dan cukup sinar matahari. Kurangnya sinar matahari menyebabkan pertumbuhan memanjang (etiolasi), lemah dan pucat karena pembentukan kloroplas tidak sempurna. Namun radiasi surya yang terlalu terik kurang baik karena transpirasi akan meningkat serta bunga dan buah mulai gugur. Tanaman tomat tergolong tanaman C3 yang cepat jenuh radiasi.
30
2.5. Artificial Neural Network (ANN) 2.5.1. Jaringan Syaraf Biologi Sistem syaraf merupakan sistem koordinasi atau sistem kontrol yang bertugas menerima rangsangan, menghantarkan rangsangan ke seluruh bagian tubuh, dan memberikan tanggapan terhadap rangsangan tersebut. Sistem syaraf dengan pusat kendali di otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut sinapsis. Neuron bekerja berdasarkan impuls/sinyal yang diberikan pada neuron. Neuron meneruskannya pada neuron lain. Diperkirakan manusia memiliki 1012 neuron (Kristanto, 2004) dan 6.1018 sinapsis (Siang 2005). Dengan jumlah neuron dan sinapsis yang begitu banyak, otak mampu mengenali pola, melakukan perhitungan dan mengontrol organ-organ tubuh dengan kecepatan yang lebih tinggi dibandingkan komputer (Siang, 2005). Neuron memiliki tiga komponen penting yaitu dendrit, soma dan axon (Fausett 1994). Adapun susunannya diperlihatkan pada Gambar 4. Dendrit menerima sinyal dari neuron lain, sinyal tersebut berupa impuls elektrik yang dikirim melalui celah sinaptik melalui proses kimiawi. Sinyal tersebut dimodifikasi di celah sinapsis. Berikutnya, soma menjumlahkan semua sinyalsinyal yang masuk. Apabila jumlahan tersebut cukup kuat dan melebihi batas ambang (threshold), maka sinyal tersebut akan diteruskan ke sel lain melalui axon. Bagian-bagian neuron manusia seperti yang diperlihatkan pada Gambar 5 yaitu inti sel, dendrit, akson, dan sinapsis. Inti sel berfungsi memproses informasi yang masuk ke dalam otak, dendrit merupakan serabut syaraf yang keluar dari badan sel, strukturnya pendek. Dendrit berfungsi mengirimkan pesan (impuls) dari badan sel ke jaringan lain. Akson merupakan serabut syaraf yang keluar dari badan sel, strukturnya memanjang. Akson berfungsi mengirimkan impuls dari badan sel ke jaringan yang lain. Sinapsis merupakan titik temu antara terminal akson neuron satu dengan neuron yang lain.
31
dendrit inti sel
badan sel
akson
sinapsis Gambar 4. Susunan neuron manusia (a) Informasi yang dikirimkan antar neuron berupa rangsangan yang dilewatkan melalui dendrit. Informasi yang datang dan diterima oleh dendrit dijumlahkan dan dikirimkan melalui akson menuju dendrit neuron lain. Pengiriman informasi ini disertai dengan bobot sinapsis. Informasi akan diterima neuron lain jika memenuhi batasan tertentu yang disebut nilai ambang (threshold), pada kondisi ini neuron dikatakan teraktivasi . Struktur pada Gambar 4 diperjelas pada Gambar 5 berikut.
Gambar 5. Susunan neuron manusia (b)
2.5.2. Artificial Neural Network (ANN) Artificial Neural Network (ANN) atau Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi di dalam otak. ANN dapat digambarkan sebagai model matematis
32
dan komputasi untuk fungsi aproksimasi nonlinear, klasifikasi data, kluster dan regresi nonparametrik (Kristanto 2004). Model matematika dari ANN ditunjukkan pada Gambar 6 yang menunjukkan model yang disederhanakan dari sebuah neuron tiruan yang merupakan dasar dari ANN.
x1
w1 w2
x2
∑
f
y = x.w
wm xm
Gambar 6. Model matematika ANN Gambar 6 menunjukkan bahwa input dalam jaringan adalah x1, x2 ,..., xm yang analog dengan jumlah rangsangan yang diterima dan nilai bobot koneksi
w1 , w2 ,...,wm yang analog dengan kekuatan sinapsis. Perkalian antara masingmasing input dan nilai bobot koneksi akan dijumlahkan kemudian disimpan dalam neuron, selanjutnya dimasukkan dalam fungsi nonlinier f. Fungsi f dapat menghasilkan output y jika input melebihi atau sama dengan threshold, sebaliknya jika input kurang dari threshold maka fungsi f tidak menghasilkan output. Model matematika yang diperoleh dari ANN adalah m
y = f ( x1 w1 + x2 w2 + ... + xm wm ) atau y = f (∑ xi wi ) i =1
……….……..…
fungsi f selanjutnya disebut fungsi aktivasi (Kristanto 2004).
(2.1)
33
Pada dasarnya ANN tersusun dari beberapa lapisan node (layer) yaitu lapisan masukan (input layer), satu atau lebih lapisan terselubung (hidden layer) dan lapisan keluaran (output layer). Node merupakan suatu unit komputasi yang paling sederhana pada setiap lapisan yang dihubungkan dengan setiap node pada lapisan berikutnya, hubungan antarnode (unit) diekspresikan oleh suatu bilangan yang disebut bobot (weight). Setiap unit pada input layer akan menjadi masukan pada hidden layer dan keluarannya akan menjadi masukan bagi layer berikutnya sampai akhirnya menghasilkan keluaran pada output layer. Bentuk ANN dengan multilayer neural network menurut Rich dan Knight (1983) dapat dilihat pada Gambar 7.
Wi x0 =
Vj h0 =
x1
h1
x2
h2
Yk Ol
Ok xi input layer
hj hidden
output
Gambar 7. Model multilayer neural network (Rich dan Knight 1983) Keterangan : = variabel input node i pada lapisan input, 0,1,2, … , = output node j pada lapisan hidden, j = 0, 1, 2, …..,j = output node k pada lapisan output = nilai bobot yang menghubungkan node I pada lapisan input dengan node j pada lapisan hidden Vjk = nilai bobot yang menghubungkan node j pada lapisan hidden dengan node k pada lapisan output
34
2.5.3. Arsitektur Jaringan Pada jaringan syaraf, neuron-neuron dikumpulkan dalam lapisan yang disebut lapisan neuron atau neuron layer. Neuron-neuron yang terletak dalam satu lapisan memiliki fungsi aktivasi yang sama. Faktor terpenting dalam menentukan kelakuan suatu neuron adalah fungsi aktivasi dan pola bobotnya. Ada empat jenis arsitektur ANN yaitu jaringan lapisan tunggal (singlelayer network), jaringan lapisan jamak (multilayer networks), jaringan dua lapisan dengan umpan balik, dan jaringan lapisan kompetitif (competitive layer networks). Menurut Siang (2005), arsitektur jaringan ini dapat digunakan untuk menyelesaikan permasalahan yang lebih rumit daripada singlelayer feedforward network karena dapat mengenali data nonlinier dalam time-series.
lapisan input
lapisan hidden
lapisan output
Gambar 8. Multilayer feedforward networks Gambar 8 menunjukkan arsitektur multilayer feedforward networks yang terdiri dari lapisan input, lapisan hidden dan lapisan output. Perbedaan arsitektur ini dengan singlelayer feedforward network terletak pada lapisan hidden. Pada singlelayer feedforward network tidak terdapat lapisan hidden. Tidak ada aturan baku mengenai penentuan jumlah neuron pada lapisan hidden. Berdasarkan beberapa penelitian, untuk lapisan hidden tunggal jumlah neuron yang disarankan adalah
1 1 1 n, n ± 1, n ± 2,..., n 2 2 2
dimana n adalah jumlah neuron pada lapisan input. Menurut Yao dan Tan (1999) aturan yang digunakan untuk menentukan jumlah neuron pada lapisan hidden adalah
k = m.n ………………………… (2.2)
35
dengan k : jumlah neuron pada lapisan hidden, n : jumlah neuron pada lapisan input, m : jumlah neuron pada lapisan output.
2.5.6. Proses Pelatihan Proses pelatihan dimulai dengan memberikan input ke dalam jaringan, jaringan akan melakukan perhitungan sehingga diperoleh output sementara. Selisih antara nilai aktual dengan output sementara digunakan untuk memperbaharui
seluruh
bobot
koneksi
dalam
jaringan.
Algoritma
backpropagation terdiri dari tiga fase. Fase pertama yaitu pelatihan pola input secara feedforward. Fase kedua adalah fase mundur, kesalahan yang terjadi adalah selisih antara output jaringan dengan target. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan dengan unit output yaitu unit hidden. Fase ketiga adalah memodifikasi bobot untuk menurunkan kesalahan yang terjadi. Ketiga fase tersebut diulang-ulang sampai kondisi penghentian dipenuhi. Iterasi akan berhenti jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditentukan, atau jika eror yang terjadi lebih kecil dari batas toleransi yang ditentukan. Selama kondisi feedforward, unit input X i menerima sinyal input x i dan mengirimkan sinyal tersebut ke unit hidden Z j . Sinyal input pada lapisan hidden adalah n
z _ net j = v j 0 + ∑ xi v ji ………………………... (2.3) i
dengan v j 0 adalah bobot garis yang menghubungkan bias pada unit input dengan unit hidden Z j . Pada unit hidden dihitung aktivasi kemudian sinyal z j dikirimkan ke unit output yaitu n
z j = f ( z _ net j ) = f (v j 0 + ∑ xi v ji ) …………. (2.4) i =1
Masing-masing unit output Yk menghitung aktivasinya yk , sinyal input dan sinyal output pada lapisan output adalah
36
p
y _ netk = wk 0 + ∑ z j wkj
………………….
(2.5)
j =1
p
y k = f ( y _ netk ) = f (wk 0 + ∑ z j wkj )
………… (2.6)
j =1
dengan wk 0 adalah bobot garis yang menghubungkan bias pada unit hidden dengan unit output Yk . Kemudian hasil perhitungan y k dibandingkan dengan nilai target t k . Berdasarkan hasil perbandingan ditentukan himpunan kesalahan untuk menghitung nilai faktor δ k (k=1,...,m). Faktor δ k digunakan untuk mendistribusikan kesalahan pada Yk ke lapisan sebelumnya. Nilai faktor δ j dengan j = 1,..., p dihitung untuk masing-masing Z j , tetapi tidak diperlukan pendistribusian kesalahan ke X i . Faktor δ j digunakan untuk memperbaiki bobot antara lapisan hidden dan lapisan input. Penyesuaian bobot w kj (dari Z j ke Yk ) didasarkan pada faktor δ k dan aktivasi z j pada Z j . Penyesuaian bobot v ji (dari
X i ke Z j ) didasarkan pada faktor δ j dan aktivasi x i pada X i . Algoritma
backpropagation
menggunakan
metode
pencarian
titik
minimum untuk mencari bobot dengan eror minimum. Eror output digunakan untuk mengubah nilai bobot dalam arah mundur. Menurut Siang (2005) dalam proses pencarian titik minimum dikenal dua macam mode yaitu mode incremental dan mode kelompok (batch). Dalam mode incremental, bobot diubah setiap kali pola input diberikan ke jaringan. Sebaliknya, dalam mode batch bobot diubah setelah semua pola input diberikan ke jaringan. Eror yang diperoleh dalam setiap pola input dijumlahkan untuk menghasilkan bobot baru. Menurut Fausett (1994), eror (fungsi dari bobot dan bias) yang harus diminimalkan dalam proses pelatihan adalah eror kuadrat. Fungsi yang dimaksudkan adalah m
E = 0.5∑ (t k − y k ) 2 ……………………..
(2.7)
k =1
Metode paling sederhana untuk merubah bobot adalah metode penurunan gradien (gradient descent). Besarnya gradien dari fungsi eror terhadap bobot w kj adalah
37
m ∂E ∂ = 0.5∑ (t k − y k ) 2 ……………………… (2.8) ∂wkj ∂wkj k =1
Bobot diubah pada arah dimana unjuk kerja fungsi eror menurun paling cepat, yaitu dalam arah negatif gradiennya. Sedangkan perubahan bobot dari neuron pada lapisan output ke neuron pada lapisan hidden adalah
Δwkj = −α dengan
∂E ∂wkj
……………… (2.9)
wkj
: bobot dari lapisan neuron ke-k ke neuron ke-j,
α
: laju belajar (learning rate).
Besarnya gradien dari fungsi eror terhadap bobot v ji adalah m ∂E ∂ = 0.5∑ (t k − y k ) 2 ∂v ji ∂v ji k =1
…………….. (2.10)
sedangkan perubahan bobot dari neuron pada lapisan output ke hidden pada lapisan input adalah Δv ji = −α
dengan
∂E ∂v ji
…………………….
v ji
: bobot dari lapisan neuron ke-j ke neuron ke-i.
α
: learning rate.
(2.11)
2.5.7. Prediksi Prediksi merupakan suatu proses yang menghasilkan himpunan output dari himpunan variabel yang diberikan.
Pada umumnya variabel yang dimaksud
adalah data di masa lampau. Ide dasar dari prediksi yakni mencari pendekatan pemetaan antara
data input dan output (Yao dan Tan 1999). Selanjutnya,
diasumsikan bahwa ui adalah data hari ini dan v i adalah data n hari kemudian. Jika data n hari kemudian dapat diramalkan dengan menggunakan data hari ini, maka terdapat pemetaan fungsional dari ui ke v i dimana vi = Γi (ui ) . Dengan menggunakan pasangan data lampau (ui , vi ) maka sebuah fungsi umum Γ( ) yang memuat Γi ( ) dapat diperoleh. Fungsi Γ( ) dapat diperoleh dari simulasi ANN.
38
Secara umum, masalah peramalan dimulai dengan diketahuinya sejumlah data time-series x1 , x2 ,..., xn . Permasalahannya adalah memperkirakan berapa harga
xn+1 berdasarkan x1 , x2 ,..., xn . Dengan backpropagation, record data digunakan sebagai data pelatihan.
39
III. BAHAN DAN METODE
3.1. Waktu dan Tempat Penelitian dilaksanakan pada bulan Agustus sampai Desember tahun 2010 di rumah tanaman (greenhouse) Balai Penelitian Agroklimatologi dan Hidrologi (Balitklimat), Cimanggu, Bogor.
3.2. Bahan dan Alat Bahan yang akan digunakan dalam penelitian ini yaitu : benih tanaman tomat,
pupuk kandang, pupuk NPK, insektisida, pestisida, dan lain-lain. Benih
tanaman tomat yang digunakan
yaitu tanaman tomat varietas Arthaloka dan
Marglobe. Rumah tanaman (greenhouse) yang digunakan yaitu rumah tanaman yang telah tersedia di Balitklimat, Cimanggu, Bogor. digunakan yaitu varietas Arthaloka dan Marglobe.
Benih tanaman tomat yang Denah tanaman tomat di
dalam rumah tanaman dapat dilihat pada Tabel Lampiran 1. Alat//instrumentasi yang digunakan yaitu AWS (Automatical Weather Station) telemetri yang mengukur suhu udara dan kelembaban udara dengan resolusi jam-jaman dalam skala harian, sedang intensitas radiasi surya diukur dengan menggunakan solari meter yang telah terkalibrasi.
3.3. Metode Penelitian
3.3.1. Pengamatan/Pengukuran Ikim Mikro a. Intesitas Radiasi Surya Intensitas radiasi surya harian diukur dengan menggunakan solari meter. Solari meter ditempatkan pada ketinggian satu meter dari permukaan lantai rumah tanaman. Pengukuran intensitas radiasi surya di dalam rumah tanaman dilakukan setiap hari selama penelitian berlangsung..
40
b. Suhu Udara Suhu udara di dalam rumah tanaman diukur dengan menggunakan AWS (Automatical Weather Station). Suhu udara yang terekam pada AWS adalah suhu udara rata-rata harian, suhu udara maksimum dan suhu udara minimum. c. Kelembaban Udara Seperti halnya dengan pengukuran suhu udara, pengamatan rata-rata kelembaban udara harian, kelembaban udara maksimum, dan kelembaban udara minimum dilakukan dengan mengambil data yang terekam pada AWS.
3.3.2. Pengukuran Komponen Agronomi Pengukuran
komponen
agronomi
dilakukan
terhadap
parameter
pertumbuhan vegetatif : tinggi tanaman, jumlah daun, jumlah tangkai daun, dan parameter pertumbuhan generarif yaitu : waktu pembungaan (hari setelah tanam/HST) dan masak fisiologis (hari setelah pembungaan/HSP). Tinggi tanaman diukur per minggu setelah tanam (MST) dengan cara mengukur tinggi tanaman dari permukaan tanah sampai pucuk tanaman. Jumlah daun diukur dengan cara menghitung banyaknya daun (helai), termasuk daun yang telah terbentuk sempurna.
Tangkai daun diukur dengan menghitung
banyaknya tangkai yang terdapat pada tanaman. Pengukuran waktu pembungaan dilakukan dengan menghitung jumlah bunga yang telah mekar sempurna yang terdapat pada sampel tanaman. Penentuan masak fisiologis buah tanaman tomat dilakukan dengan melihat perubahan warna buah secara visual (perubahan warna dari hijau, kuning, sampai kuning kemerahan), selain itu juga dilakukan dengan analisis kadar gula buah.
3.3.3. Perhitungan Satuan Panas (Heat Unit) Fase perkembangan tanaman tomat meliputi 4 fase yaitu : semai-tanam, init; tanam – kuncup bunga, dev; kuncup bunga- bakal buah, mid; dan bakal 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
41
(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). n
HU =
∑ T - Tb i =1
dimana : T adalah rata-rata suhu udara harian (oC) Tb adalah suhu dasar (oC) menyatakan periode antara kejadian fenologi, Tb adalah suhu dasar (oC) dan HU adalah heat unit yang dihitung dari hasil percobaan lapang (oC hari). Berdasarkan penelitian lapangan suhu dasar untuk tanaman tomat berkisar antara 3.5 – 10 oC (Perry et al, 1997; Adams et al, 2001). Pada penelitian ini suhu dasar yang digunakan untuk tanaman tomat adalah 10 oC. Rincian setiap fase : S adalah waktu saat penyemaian, T adalah waktu saat penanaman KB adalah saat kuncup bunga mulai terbentuk BB adalah saat bunga mulai telah mekar dan berubah menjadi bakal buah MF adalah saat tanaman masak fisiologis yang ditandai dengan perubahan warna menjadi kuning kemerahan dan siap untuk dipanen atau dikonsumsi.
3.3.4. Teknik Budidaya Tomat di dalam Rumah Tanaman Budidaya tomat dalam rumah tanaman mengikuti tahapan sebagai berikut : 1). Persiapan benih. Benih tomat yang digunakan yaitu varietas Arthaloka dan Marglobe. 2). Persemaian. Benih disemai ke dalam bak semai. Media semai adalah tanah dicampur pasir dan pupuk kandang. Penyemaian dilakukan di dalam rumah tanaman. Pada saat tanaman dalam persemaian perlu diberikan bakterisida untuk menghindari bakteri/jamur di persemaian. 3). Penanaman. Setelah tanaman berumur 14 hari di bak semai, tanaman tomat dipindahkan ke dalam pot plastic (transplanting). Pot plastik dengan tinggi 20 cm, permukaan bawah berdiameter 20 cm dan permukaan atas berdiameter 30 cm. Media tanam terdiri dari campuran tanah, pupuk kandang dan pasir dengan perbandingan 1 : 1 : 1. Jumlah tomat yang ditanam adalah 100 tanaman yang
42
terdiri dari 50 tomat varietas Arthaloka dan 50 varietas Marglobe. Tanaman ditempatkan dalam 4 baris dalam pot. Jarak antar baris 50 cm dan jarak dalam baris 20 cm. 4). Pemeliharaan. Penyiraman dilakukan pada pagi dan sore hari. Pemberian pupuk majemuk NPK dilakukan sebanyak dua kali. Pertama pada saat tanam sebanyak 5 g/tanaman dan kedua pada saat tanaman berumur 2 MST sebesar 10 g/tanaman.. Pada saat tanaman berumur 3 MST dilakukan pemberian insektisida untuk melindungi tanaman dari hama dan penyakir tanaman. 5). Panen Panen dilakukan setelah tanaman mencapai masak fisiologis.
3.3.5. Penyusunan Model Artificial Neural Network (ANN) Diagram alir (flow chart) perhitungan ANN dapat dilihat pada Gambar 8. Jenis pola pelatihan yang digunakan pada penelitian ini adalah algoritma backpropagation.
Gambar 9. Diagram alir (flow chart) pemodelan dengan metode ANN.
43
Arsitektur Jaringan Untuk Waktu Pembungaan Arsitektur jaringan yang digunakan adalah multilayer feedforward networks yang terdiri dari lapisan input, hidden dan output. Pada penelitian ini digunakan multilayer networks dengan pola perambatan maju (feedforward) sehingga disebut dengan multilayer feedforward networks. Pada pola feedforward, sinyal input dirambatkan maju menuju lapisan tersembunyi (hidden) selanjutnya menuju lapisan output. Dalam proses pelatihan, record data digunakan sebagai data pelatihan. Untuk itu perlu ditetapkan besarnya periode dengan data berfluktuasi, periode ini ditetapkan secara intuitif (Siang 2005). Data yang dipergunakan dalam penelitian ini yaitu 50 data. Empat puluh data pertama digunakan untuk seleksi model dan estimasi parameter (data pelatihan) dan sisanya
(10 data) dipergunakan untuk pengujian. Banyaknya peubah
dipergunakan sebagai jumlah input dalam proses pelatihan, sehingga pada lapisan input digunakan 6 neuron. Sebagai target diambil data aktual pada peubah ke-7, sehingga neuron pada lapisan output hanya satu. Setiap input akan menerima sebuah sinyal input dan meneruskan sinyal tersebut ke lapisan hidden, kemudian ke lapisan output. Karena neuron pada lapisan output yang diharapkan hanya satu, diperoleh k = (6)(1) ≈ 2.45 ≈ 3 Dari penghitungan tersebut, dapat ditentukan jumlah neuron pada lapisan hidden yaitu 3 neuron, sehingga arsitektur jaringan yang diperoleh adalah multilayer feedforward networks dengan 6 neuron pada lapisan input, 3 neuron pada lapisan hidden dan satu neuron pada lapisan output. Arsitektur ini ditunjukkan pada Gambar 10.
44
Input Layer
Hidden Layer
Output Layer
o
T udara rata-rata ( C) RH rata-rata (%) Radiasi surya (MJ/m2)
Tinggi Tanaman (cm)
Waktu Pembungaan (hari setelah tanam)
Jumlah daun (helai) Jumlah tangkai daun Gambar 10. Struktur ANN yang dikembangkan untuk waktu pembungaan
Arsitektur Jaringan Untuk Masak Fisiologis Arsitektur jaringan yang digunakan adalah multilayer feedforward networks yang terdiri dari lapisan input, hidden dan output. Dalam proses pelatihan, record data digunakan sebagai data pelatihan. Untuk itu perlu ditetapkan besarnya periode dengan data berfluktuasi, periode ini ditetapkan secara intuitif (Siang 2005). Data yang dipergunakan dalam penelitian ini yaitu 100 data. Lima puluh data masak fisiologis tanaman tomat varietas Lentana hasil pengamatan Impron (2011) di rumah tanaman Purwakarta, Jawa Barat, dan lima puluh tanaman tomat varietas Arthaloka dan Marglobe. Delapan puluh data pertama digunakan untuk seleksi model dan estimasi parameter (data pelatihan) dan sisanya
(20 data) dipergunakan untuk pengujian. Banyaknya peubah
dipergunakan sebagai jumlah input dalam proses pelatihan, sehingga pada lapisan input digunakan 4 neuron. Sebagai target diambil data aktual pada peubah ke-5, sehingga neuron pada lapisan output hanya satu. Setiap input akan menerima sebuah sinyal input dan meneruskan sinyal tersebut ke lapisan hidden, kemudian ke lapisan output. Karena neuron pada lapisan output yang diharapkan hanya satu, berdasarkan persamaan (2.1) diperoleh
45
k = ( 4)(1) = 2 Dari penghitungan tersebut, dapat ditentukan jumlah neuron pada lapisan hidden yaitu 4 neuron, sehingga arsitektur jaringan yang diperoleh adalah multilayer feedforward networks dengan 4 neuron pada lapisan input, 2 neuron pada lapisan hidden dan satu neuron pada lapisan output. Arsitektur ini ditunjukkan pada Gambar 11.
Input Layer
Hidden Layer
Output Layer
T udara rata-rata (oC) RH rata-rata (%) Masak Fisiologis Radiasi surya (MJ/m2)
(hari setelah pembungaan)
Waktu Pembungaan (HST) Gambar 11. Struktur ANN yang dikembangkan untuk masak fisiologis Urutan algoritma pelatihan backpropagation adalah sebagai berikut : 1.
Inisialisasi a.
Normalisasi seluruh data input xi dan data output/target tk dalam range [0, 1].
b. Seluruh pembobot (wij 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 hidden layer (Hj) dilakukan dengan persamaan sebagai berikut : Hj =
1 w X 1 + e ∑ ij i
dimana :
-
…………………………………….…………(3.1) wij = pembobot w yang menghubungkan node unit ke-i
46
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
dimana :
…………………………………………….
(3.2)
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 vjk dilakukan dengan persamaan sebagai berikut : δk = Yk (1 – Yk) (tk – Yk)
………………………………….…..
(3.3)
dimana : tk = target output pada node ke-k vjk = vjk old (β δk Hj)
…………………………………….… (3.4)
dimana : Vjk old = pemberat vjk sebelumnya β = konstanta laju pembelajaran 5. Perhitungan error dari unit-unit pada hidden layer (τj) dan menyesuaikannya dengan bobot wij. dilakukan dengan persamaan sebagai berikut : τj =
(1 – Hj) Σk δk vjk
………………………………………
(3.5)
wij = wij old + (β τj Xi)
………………………………………
(3.6)
Hj
dimana : Wij old = pemberat wjk sebelumnya 6. Perhitungan error dugaan dilakukan dengan persamaan sebagai berikut : Ej = Σ 0.5 (Yj – tk)2
………………………………..……
(3.7)
dimana : Ej = nilai error total untuk node ke-j pada output layer 7. 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
47
nilai pembobot. Setiap nilai pembobot baru diperoleh, urutan pengerjaan kembali ke tahap 2. Seluruh pembobot w dan v yang terbaik pada saat iterasi merupakan angka pembobot yang akan digunakan untuk pendugaan (uji validasi).
3.3.6. Analisis Data Analisis data dilakukan dengan menggunakan perangkat lunak (software) Matlab. Hasil data pengukuran di lapangan dipilah menjadi dua bagian; sebagian digunakan untuk data pelatihan (training) dan sebagian lainnya digunakan untuk data pengujian (testing). Hasil data testing menunjukkan performa ANN yang menjelaskan akurasi variabel input 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 )
2
n
………………………………………..
(3.8)
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 ANN dilakukan dengan menghitung Standard Error of Prediction (SEP) dan Coefficient of Variation (CV). ∑
CV =
………………………………………………….
(3.9)
x 100 % …………………………………………………...….
(3.10)
dimana : Ya adalah nilai aktual dari pengukuran Yp adalah nilai prediksi oleh ANN n adalah jumlah data, dan
Ya adalah nilai rata-rata aktual pengukuran.
48
49
V. HASIL DAN PEMBAHASAN
4.1. Kondisi Iklim Mikro di Dalam Rumah Tanaman Kondisi suhu udara di dalam rumah tanaman selama penelitian berlangsung disajikan pada Gambar 12.
40
Suhu (oC)
36 32 28 24 20 140
160
180
200
220
240
260
280
300
Hari ke‐i (Tahun 2010) T min
T max
T rata‐rata
Gambar 12. Kondisi suhu udara di dalam rumah tanaman selama penelitian berlangsung. Rata-rata suhu udara di dalam rumah tanaman selama penelitian berlangsung tercatat 27.1 oC, rata-rata suhu udara maksimum 38.5 oC dan ratarata suhu udara minimum tercatat 21.2 oC. Rata-rata selisih antara suhu udara maksimum dan suhu udara minimum yaitu 17.3 oC. Rata-rata suhu udara di luar rumah tanaman selama penelitian berlangsung yang tercatat di Stasiun Cikeumeuh, Bogor yaitu 26 oC. Rata-rata selisih udara di dalam dan di luar rumah tanaman tercatat 1.1 oC. Hal ini menunjukkan bahwa radiasi surya yang ditransmisikan ke dalam rumah tanaman akan menyebabkan suhu udara di dalam rumah tanaman lebih besar dibandingkan dengan suhu udara di luar rumah tanaman. Rata-rata suhu udara di dalam rumah tanaman tercatat 27.1 oC, tergolong suhu udara optimum untuk tanaman tomat yaitu 20 - 28 oC (Yamaguchi, 1983).
50
Kondisi kelembaban udara di dalam rumah tanaman selama penelitian berlangsung disajikan pada Gambar 13. Rata-rata kelembaban udara 74.2%, ratarata kelembaban udara maksimum 96% dan rata-rata kelembaban udara minimum 24%. Selisih antara rata-rata kelembaban udara maksimum dan kelembaban udara minimum di dalam rumah tanaman tercatat 72%.
100 90
RH (%)
80 70 60 50 40 30 20 140
160
180
200
220
240
260
280
300
Hari Ke‐i (Tahun 2010) RH min
RH max
RH rata‐rata
Gambar 13. Kondisi kelembaban udara di dalam rumah tanaman selama penelitian Kondisi intensitas radiasi surya di dalam rumah tanaman selama penelitian berlangsung disajikan pada Gambar 14.
51
Intensitas radiasi (MJ/m2/hari)
18 16 14 12 10 8 6 4 2 0 140
160
180
200
220
240
260
280
Hari ke‐i (Tahun 2010) Rin
Gambar 14. Intensitas radiasi surya di dalam rumah tanaman selama penelitian berlangsung. Intensitas radiasi surya selama penelitian berlangsung tergantung kondisi matahari yang menyinari rumah tanaman. Rata-rata intensitas radiasi surya di dalam rumah tanaman selama penelitian berlangsung tercatat 9.3 MJ/m2/hari, sedang rata-rata intensitas radiasi di luar rumah tanaman tercatat di Stasiun Cikemeuh, Bogor adalah 12.72 MJ/m2/hari. Rata-rata intensitas radiasi surya yang ditransmisikan ke dalam rumah tanaman adalah 63%.. 4.2. Fase perkembangan tanaman tomat di dalam rumah tanaman (heat unit)
Peubah cuaca/iklim selama fase perkembangan tanaman mulai sebar 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) untuk tanaman tomat varietas Arthaloka dan Marglobe disajikan pada Tabel 4.
52
Tabel 4. Peubah cuaca/iklim selama fase perkembangan tanaman tomat Fase
Lama (hari) Suhu rata-rata (oC)
Heat Unit
Radiasi
(oC hari)
(MJ m-2)
RH (%)
S–T
14
27.1
239
108.5
73.5
T – KB
34
26.9
575
309.3
73.9
KB-BB
12
27.0
205
119.1
73.3
BB – MF
37
27.3
642
366.3
76.9
Jumlah
97
1661
903.2
Rata-rata
27.1
74.2
Keterangan : S – T adalah periode saat semai (S) sampai tanam (T) T – KB adalah periode saat tanam sampai terbentuk kuncup bunga (KB) KB – BB adalah periode dari kuncup bunga sampai terbentuknya bakal buah (BB) BB – MF adalah periode dari bakal buah sampai masak fisiologis (MF) Tanaman
tomat
merupakan
tanaman
hari
netral
sehingga
laju
perkembangan dan kejadian fenologinya didekati dengan konsep satuan panas (heat unit) yang menggunakan data suhu harian dan waktu (Allen, 1976). Satuan kalor (heat unit) yang diperlukan untuk mencapai tingkat pertumbuhan masak fisiologis tanaman tomat sejak dari semai tercatat 1661 oC hari. Satuan kalor tersebut diperoleh dari perhitungan akumulasi suhu rata-rata harian dengan suhu dasar.
Satuan panas tidak dipengaruhi oleh perbedaan lokasi dan waktu tanam
(Koesmaryono et al., 2002). Akumulasi intensitas radiasi surya tanaman tomat sejak semai sampai masak fisiologis di dalam rumah tanaman adalah 903.2 MJ/m2/hari dengan ratarata suhu udara harian tercatat 27.1 oC dan rata-rata kelembaban udara harian tercatat 74.2 %.
53
4.3. Prediksi Waktu Pembungaan dan Masak Fisiologis Tanaman dengan Pemodelan ANN 4.3.1. Waktu Pembungaan
Hasil pengukuran di lapangan menunjukkan rata-rata waktu pembungaan tanaman tomat di dalam rumah tanaman adalah pada 34 HST (hari setelah tanam) atau dengan satuan panas (heat unit) 590 oC hari, sedangkan hasil prediksi berdasarkan simulasi model ANN waktu pembungaan tanaman tomat yaitu 31 HST atau dengan satuan panas 539 oC hari. Hasil pelatihan (training) dan pengujian (testing) tanaman tomat disajikan pada Gambar 15.
(a)
(b)
Gambar 15. Hasil pelatihan (a) dan pengujian (b) waktu pembungaan tanaman tomat. Gambar 15 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 15 (a) menunjukkan hasil pelatihan (training) dengan metode ANN. Model yang didapatkan dari hasil pelatihan (training) digunakan untuk pengujian/validasi model dengan nilai-nilai baru yang diperoleh dari sampel sebagaimana ditunjukkan pada Gambar 15 (b).
54
Nilai koefisien korelasi (R) antara hasil prediksi data pelatihan dengan nilai observasi (target) waktu pembungaan tanaman tomat adalah 0.51 atau dengan nilai koefisien determinasi (R2) sebesar 0.26; sedang dari output model ANN, nilai RMSE antara hasil prediksi dan hasil pengukuran yaitu 4.88 , SEP = 26.43, dan CV = 69%. Enam parameter input menentukan besaran parameter output, dalam hal ini waktu pembungaan. 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 menentukanm suhu udara di dalam rumah tanaman sesuai dengan prinsipprinsip 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 dikembangkan dengan menggunakan parameter tanaman yaitu tinggi tanaman, jumlah daun, dan jumlah tangkai daun.
4.3.2. Masak Fisiologis Rata-rata waktu masak fisiologis tanaman tomat varietas Arthaloka dan Marglobe berdasarkan hasil pengamatan di rumah tanaman yaitu pada 49 HSP (hari setelah pembungaan) atau dengan satuan panas 848 oC hari , sedang hasil prediksi masak fisiologis tanaman tomat berdasarkan simulasi model ANN yaitu 48 HSP atau dengan satuan panas 831 oC hari.
Hasil proses pelatihan dan
pengujian waktu masak fisiologis tanaman tomat disajikan pada Gambar 16.
55
(a)
(b)
Gambar 15. Hasil pelatihan (a) dan pengujian (b) masak fisiologis tanaman tomat
Gambar 16 menunjukkan hasil pelatihan (a) dan pengujian (b) masak fisiologis tanaman tomat dengan 1500 iterasi. Gambar 16 (a) menunjukkan hasil pem belajaran/pelatihan masak fisiologis tanaman tomat. Model dari hasil pelatihan (training) digunakan untuk pengujian (testing) masak fisiologis tanaman tomat sebagaimana tampak pada Gambar 16 (b). Nilai koefisien korelasi (R) antara hasil prediksi dan hasil pengukuran untuk masak fisiologis tanaman tomat adalah sebesar 0.63 sedang nilai RMSE yaitu 2.1, SEP = 4.63, dan CV = 9%. Dari hasil pengamatan rata-rata waktu masak fisiologis tanaman tomat yaitu berkisar 49 HSP (hari setelah pembungaan) atau dengan satuan panas 848 oC hari, sedangkan hasil prediksi dengan simulasi model ANN rata-rata waktu masak fisiologis tanaman tomat yaitu 48 HSP atau dengan satuan panas 831 oC hari. Hal ini menunjukkan hasil pengukuran waktu masak fisiologis tanaman tomat di lapangan dengan hasil prediksi simulasi model ANN menunjukkan hasil yang tidak jauh berbeda. Hasil analisis laboratorium menunjukkan kadar gula pada saat tanaman tomat masak fisiologis adalah 9.219 mg/gBB.
56
Nilai koefisien korelasi (R) sebesar 0.63 atau dengan nilai koefisien determinasi (R2) sebesar 0.4 menjelaskan bahwa kontribusi parameter input kurang berkorelasi kuat dengan parameter output, dalam hal ini waktu masak fisiologis tanaman tomat.
4.4. Pembahasan Umum Budidaya tanaman di dalam rumah tanaman (greenhouse) ditujukan untuk memperoleh lingkungan tumbuh yang optimal bagi tanaman. Karakteristik iklim mikro (microclimate) di dalam rumah tanaman bersifat khas, karena berada pada lingkungan yang terkendali. Intensitas radiasi surya, suhu dan kelembaban udara yang tercatat di dalam rumah tanaman berfluktuasi dari hari ke hari tergantung cuaca harian. Budidaya tanaman tomat di dalam rumah tanaman dimaksudkan untuk memperoleh pertumbuhan dan hasil tanaman tomat yang optimal dalam lingkungan yang terkendali.
Dengan adanya rumah tanaman, tanaman tomat
dapat terhindari dari radiasi surya yang berlebihan, intensitas curah hujan yang tinggi dan gangguan dari hama penyakit tanaman. Rata-rata intensitas radiasi surya di dalam rumah tanaman selama penelitian berlangsung yaitu 9.3 MJ/m2/hari, sedang rata-rata intensitas radiasi surya di luar rumah tanaman yang tercatat di Stasiun Cikeumeh, Bogor tercatat 12.72 MJ/m2/hari. Rata-rata intensitas radiasi surya yang ditransmisikan ke dalam rumah tanaman adalah 63%. Radiasi surya yang ditransmisikan ke dalam rumah tanaman ini lebih rendah sebagaimana hasil penelitian Impron (2011) di rumah tanaman (greenhouse) Purwakarta, Jawa Barat sebesar 70%. Intensitas radiasi surya sangat berpengaruh terhadap pertumbuhan dan perkembangan tanaman, utamanya pada spektrum radiasi PAR (400-700 nm). Radiasi PAR sangat dibutuhkan dalam proses fotosintesis. Darmawan dan Baharsjah (2010) mengemukakan apabila intensitas cahaya cukup tinggi, maka makin tinggi suhu, makin tinggi laju fotosintesis. Akan tetapi apabila intensitas cahaya rendah, maka kenaikan suhu tidak diikuti oleh kenaikan fotosintesis, karena pada keadaan demikian reaksi terang tidak berlangsung cukup. Ada tiga
57
ciri dari cahaya yang mempengaruhi fotosintesis, yaitu intensitas cahaya, kualitas cahaya dan lama penyinaran. Selain mempengaruhi fotosintesis, cahaya mempengaruhi perkembangan tanaman dengan cara menyebabkan fototropisme. Artinya, sebagian besar efek ini mengendalikan morfogenesisnya.
wujud
tanaman
yaitu
perkembangan
struktur
atau
Proses morfogenik bermula dari perkecmbahan biji dan
perkembangan kecambah hingga mencpai puncaknya pada pembentukan bunga dan biji yang baru. Kecambah yang tumbuh dalam gelap akan teretiolasi, saat batangnya harus menerobos tanah dan dedaunannya perlu mencapai cahaya untuk mengembangkan daun dan akar dan juga untuk membentuk klorofil (Salisbury dan Ross 1992). Rata-rata suhu udara di dalam rumah tanaman selama penelitian berlangsung yaitu 27.1 oC, minimum yaitu 21.2 oC.
suhu udara maksimum 38.5 oC dan suhu udara
Tanaman tomat dapat tumbuh dan berproduksi pada
rentang suhu 10 – 40 oC, tetapi tanaman ini tumbuh dan berproduksi optimal pada kisaran suhu udara 14 – 17 oC (malam hari) dan 14 – 17 oC (siang hari) (Geisenberg dan Stewart 1986 dalam Impron (2011). Rata-rata suhu udara dalam rumah tanaman yang tercatat 27.1 oC termasuk suhu udara optimum untuk tanaman tomat (Yamaghuci, 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. Bila dibandingkan dengan suhu udara di luar rumah tanaman selama penelitian berlangsung, yakni yang tercatat di Stasiun Cikemeuh, rata-rata suhu udara di dalam rumah tanaman lebih besar 1.1 oC dibanding suhu udara di luar rumah tanaman.
Hal ini menunjukkan adanya pengaruh efek rumah kaca
(greenhouse effect), radiasi surya yang ditransmisikan dalam rumah tanaman menyebabkan panas terperangkap dalam rumah tanaman yang mengakibatkan naiknya suhu udara dibanding lingkungan sekitarnya. Suhu mempengaruhi kecepatan pertumbuhan maupun sifat dan struktur dari tanaman.
Pengaruh suhu terhadap pertumbuhan antara lain : laju
58
pertumbuhan, transpirasi dan penyerapan hara.
Hasil dari fotosintesis yang
dipengaruhi oleh suhu menentukan perkembangan jaringan meristem, baik pada ujung akar maupun ujung dahan yang menyebabkan terjadinya pertumbuhan ke bawah dan ke atas yang disebut pertumbuhan primer (Darmawan dan Baharsjah 2010). Dalam model simulasi, suhu udara sangat penting artinya karena suhu udara merupakan penduga suhu tanaman dan suhu tanah yang mempengaruhi laju proses biokimia.
Kelembaban udara menentukan kapasitas udara untuk
menampung uap air sehingga laju kehilangan air dari tanaman (transpirasi) sangat tergantung kelembaban, yang selanjutnya dapat mempengaruhi tegangan air daun (leaf water potential). Kelembaban udara juga memegang peranan penting dalam hal pendugaan tingkat serangan hama dan penyakit tanaman. Kelembaban udara erat kaitannya dengan suhu udara.
Semakin tinggi suhu udara, makin besar
kapasitas udara untuk menampung uap air per satuan volume udara. Rata-rata kelembaban udara 74.2%, kelembaban udara maksimum 96% dan kelembaban udara minimum 24%. Gardner et al. (1991) mengemukakan tingkat kelembaban udara menentukan : 1). berbagai proses yang berhubungan dengan pergerakan atau perpindahan air (dalam bentuk gas, cair maupun padat,
di
dalam tanaman dan di luar tanaman), yakni evaporasi dan transpirasi, translokasi hara dan hara, membuka dan menutupnya stomata. 2). pertumbuhan dan perkembangan mikroorganisme di lingkungan tanaman, baik yang merugikan (patogen, penyebab penyakit) maupun yang menguntungkan. Kelembaban udara berhubungan dengan tingkat radiasi surya sebagai sumber energi panas, sehingga berkaitan juga dengan suhu udara. Kelembaban udara dapat ditingkatkan dengan mengurangi intensitas cahaya (pemberian naungan) sebagaimana dilakukan dalam penelitian ini. Radiasi surya dan suhu udara mempengaruhi pertumbuahn vegetatif tanaman (tinggi tanaman, jumlah daun dan jumlahn tangkai daun), yang pada gilirannya
akan
pembungaan
dan
mempengaruhi masak
pertumbuhan
fisiologis).
generatif
Darmawan
dan
tanaman
(waktu
Baharsjah
(2010)
mengemukakan perubahan meristem vegetatif menjadi meristem generatif membawa perubahan besar terhadap perkembangan tanaman, antara lain :
59
asimilasi meningkat, respirasi meningkat, dan kecepatan pengangkutan air dan hara ke arah organ bunga juga meningkat. Selanjutnya disebutkan faktor-faktor yang mempengaruhi pembungaan antara lain : 1). intensitas cahaya matahari : pembungaan dari banyak jenis tanaman dirangsang oleh intensitas cahaya. 2). kualitas cahaya :
Terutama bagian sinar jingga sampai merah adalah yang
terbanyak mempengaruhi pembungaan. 3). panjang hari : Ada jenis-jenis tanaman yang dirangsang pembungaannya oleh hari pendek (tanaman hari pendek) dan ada yang dirangsang oleh hari panjang (tanaman hari panjang). Tanaman tomat termasuk tanaman hari netral. 4). suhu : pengaruh suhu berhubungan juga dengan pengaruhnya terhadap pembentukan zat tumbuh dan pengaruh fotoperiodisitas; jadi, pengaruh suhu terutama adalah pengaruh terhadap reaksi biokimia. 5). metabolisme karbohidrat dan nitrogen.
Walaupun pembungaan terutama
dirangsang oleh hormon, namun perbandingan antara C dan N tampaknya juga mempengaruhi pembungaan. Dalam batas-batas tertentu nisbah C/N yang rendah merangsang pertumbuhan vegetatif, dan nisbah C/N yang tinggi merangsang pembungaan. 6). zat-zat kimia tertentu juga dapat merangsang pembungaan. Tomat merupakan buah klimakterik dimana respirasi tetap berlangsung sehingga proses kematangannya tergantung pada reaksi enzimatik yang dicirikan dengan peningkatan kadar gula, tekstur, dan warna buah.
Hasil analisis
laboratorium menunjukkan kadar gula pada saat tanaman tomat masak fisiologis adalah 9.22 mg/gBB. Gardner et al (1991) mengemukakan pertumbuhan suatu organ, termasuk buah dicirikan oleh suatu kurva baku yang berbentuk kurva sigmoid. Suatu buah dianggap dewasa apabila telah dicapai ukuran maksimal dan laju pertambahan berat keringnya menjadi nol.
Buah yang dewasa (matang)
melalui serangkaian peristiwa enzimatis dan biokimia yang berakibat terjadinya perubahan komposisi kimia. Pada pemasakan, system enzim yang tua menurun dan system enzim yang baru dihasilkan, yang menyebabkan pelunakan dan pengubahan tepung menjadi gula pada buah yang berdaging. Darmawan dan Baharsjah (2011) menyebutkan setelah buah mencapai ukuran optimal, maka pemasakan buah terjadi dengan terbentuknya gas etilen yang mempercepat proses pemasakan buah. Perubahan dalam kematangan dikaitkan dengan laju respirasi yang relatif tinggi pada buah klimakterik (matang cepat).
60
Campbell (2003) mengemukakan bahwa dalam tahap akhir pematangan biji akan mengalami dehidrasi sampai kandungan airnya sekitar 5 – 15% dari bobotnya.
Embrio ini akan berhenti tumbuh sampai biji berkecambah.
Kematangan buah umumnya pada saat biji yang dikandungnya hamper menyelesaikan perkembangannya. Umumnya terjadi perubahan warna dari warna hijau ke warna lainnya seperti merah, oranye atau kuning. Buah akan menjadi lebih manis setelah asam organik atau molekul pati diubah menjadi gula, yang bisa mencapai konsentrasi sebesar 20 % pada buah matang. Dalam penelitian ini, masak fisiologis tanaman diamati secara visual dengan mengamati perubahan warna buah dan analisis kadar gula. Satuan kalor (heat unit) yang diperlukan untuk mencapai tingkat pertumbuhan masak fisiologis tanaman tomat sejak dari semai sebesar 1661 oC hari. Satuan kalor tersebut diperoleh dari perhitungan akumulasi suhu rata-rata harian dengan suhu dasar untuk rentang maksimum suhu dasar tanaman tomat yakni 10 oC (Perry et al. 1997 dalam Impron 2011).
Satuan kalor tidak
dipengaruhi oleh perbedaan lokasi dan waktu tanam (Koesmaryono et al. 2002). Laju perkembangan tanaman terjadi bila suhu udara rata-rata harian melebihi suhu dasar. Tanaman tomat merupakan tanaman hari netral (day-natural vegetable) yang tidak terpengaruh oleh panjang hari (Yamaguchi 1983). Karena tanaman tomat adalah tanaman netral; laju perkembangan dan kejadian fenologinya didekati dengan konsep satuan panas (heat unit) atau degree-day. Dari pemodelan ANN untuk memprediksi waktu pembungaan dan masak fisiologis tanaman digunakan parameter pertumbuhan seperti tinggi tanaman, jumlah daun, dan jumlah tangkai daun. Ketiga parameter pertumbuhan tersebut diamati dan dimasukkan dalam pemodelan ANN digabungkan dengan data iklim mikro (radiasi surya, suhu dan kelembaban udara). Pada stadia pertumbuhan vegetatif maksimum (6 MST) simulasi model ANN dapat digunakan untuk memprediksi masak fisiologis. Rata-rata waktu pembungaan tanaman tomat berdasarkan hasil pengukuran di lapangan yakni 34 hari setelah tanam (HST) atau dengan satuan panas 590 oC hari, sedangkan waktu pembungaan tanaman tomat mengacu pada simulasi model
61
ANN yakni 31 HST atau dengan satuan panas 539 oC hari. Meskipun nilai korelasi (R) 0.51 atau dengan nilai koefisien determinasi (R2) 0.26 untuk prediksi waktu pembungaan termasuk kecil, namun model ini masih dapat digunakan untuk memprediksi waktu pembungaan.
Kecilnya nilai koefisien determinasi
karena masih kurangnya jumlah data yang dipakai. Berdasarkan arsitektur jaringan pemodelan ANN untuk memprediksi masak fisiologis tanaman tomat, parameter tanaman yang digunakan yaitu waktu pembungaan. Dengan mendapatkan informasi waktu pembungaan, maka dapat diprediksi waktu masak fisiologis. Berdasarkan data hasil pengukuran waktu masak fisiologis tanaman tomat sekitar 49 hari setelah pembungaan (HSP) atau dengan satuan panas 863 oC hari, hasil prediksi waktu masak fisiologis dengan mengacu pada hasil simulasi model ANN yaitu 49 HSP atau dengan satuan panas 863 oC hari. Dari nilai koefisien korelasi (R) 0.63 dan nilai koefisien determinasi (R2) 0.4 hasil prediksi masak fisiologis dengan pemodelan ANN menunjukkan bahwa model ANN belum efektif dalam memprediksi waktu masak fisiologis tanaman tomat. Namun demikian, pemodelan ANN masih dapat digunakan untuk memprediksi waktu pembungaan dan masak fisiologis tanaman tomat jika pengamatan parameter pertumbuhan tanaman dapat dilakukan secara lebih tepat dengan jumlah contoh tanaman yang lebih memadai. Dalam penelitian ini hubungan antara unsur-unsur cuaca/iklim mikro di dalam rumah tanaman (suhu udara, kelembaban udara, intensitas radiasi surya) dan faktor-faktor agronomis tanaman tomat di dalam rumah tanaman dibangun dengan pendekatan black box. Dalam proses pelatihan (training) dan pengujian (testing) secara umum jumlah iterasi yang digunakan yaitu 1500 – 3000.
Parameter input akan
mengirimkan sinyal ke lapisan tersembunyi (hidden layer), selanjutnya dari hidden layer ke lapisan output. Nilai-nilai numerik yang telah diberi bobot akan dikenali oleh sistem. Bila kurva dalam proses sudah cenderung mendatar, maka iterasi dengan sendirinya akan berhenti sesuai dengan jumlah iterasi yang telah ditetapkan. Output dari pemodelan ANN dapat dimanfaatkan untuk perencanaan musim tanam, estimasi waktu panen, mengatur masa tanam yang tepat sesuai
62
permintaan pasar, memudahkan pengembangan rumah tanam untuk meningkatkan produksi yang berkelanjutan (sustainable), dan dapat mensuplai tomat secara terus menerus tanpa kendala musim.
63
BAB V. KESIMPULAN DAN SARAN
5.1. Kesimpulan Dari uraian dan pembahasan dalam bab sebelumnya dapat disimpulkan : 1.
Satuan panas (heat unit) tanaman tomat yang ditumbuhkan di dalam rumah tanaman sejak semai sampai masak fisiologis tercatat 1661 oC hari, dengan rata-rata suhu udara selama pertumbuhan 27.1 oC, rata-rata kelembaban udara 74.2% dan rata-rata intensitas radiasi surya 9.3 MJ/m2/hari.
2.
Metode Artificial Neural Network dapat memprediksi waktu pembungaan dan masak fisiologis tanaman tomat dengan nilai koefisien korelasi (R) masingmasing 0.51 dan 0.63 atau dengan nilai koefisien determinasi (R2) masingmasing 0.26 dan 0.4 dengan nilai RMSE masing-masing 4.88 dan 2.1.
3.
Metode ANN belum efektif dalam memprediksi waktu pembungaan dan masak fisiologis tanaman tomat dengan menggunakan data iklim mikro dan data parameter pertumbuhan tanaman.
Untuk memperoleh hasil prediksi
ANN yang lebih akurat dibutuhkan jumlah sampel yang lebih banyak dengan melakukan penanaman beberapa kali musim tanam sehingga akurasi ANN untuk memprediksi waktu pembungaan dan masak fisiologis tanaman tomat dapat ditingkatkan.
5.2. Saran Untuk penelitian selanjutnya disarankan dengan melakukan penanaman tanaman tomat di luar rumah tanaman, selain fokus utama di luar rumah tanaman sehingga waktu pembungaan dan masak fisiologis tanaman dapat dibandingkan..
64
Daftar Pustaka Adam SR, Chocksull KE, Cave CRJ. 2001. Effect of temperature on the growth and developmental of tomato fruits. Annals of Botany, 88, 869-877. Bowden GJ, Dandy GC, Maier HR. 2004. Input determination for neural network models in water resources application. Part 1 – background and methodology. J. Hydrology 301 (75-92). Campbell NA, Reece JB, Mitchell LG. 2003. Biologi. Edisi kelima, Erlangga, Jakarta. Chang JH, 1968. Climate and Agriculture. Chicago, Aldine. Chozin. 2006. Peran ekofisiologi tanaman dalam pengembangan teknologi budidaya pertanian (Orasi Ilmiah Guru Besar). Fakultas Pertanian IPB, Bogor. Cravener TL dan Roush WB, 2001. Prediction of amino acid profiles in feed ingredients : genetic algorithm of artificial neural network. J. Animal feed sci and tech. 90 (2001) : 131-141. Darmawan J dan Baharsjah J, 2010. Dasar-Dasar Fisiologi Tanaman. SITC, Jakarta. Doorenbos J dan Kassam AH. 1979. Yield resposes 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 Agricultural Engineers. 37 (3) :981-988. Faisal A. 1984. Pengaruh Naungan, Mulsa, dan Pupuk Terhadap Pertumbuhan Tanaman Lada (Piper ningrum L.) var Bulok Belatung [tesis]. Bogor : Program Pascasarjana, Institut Pertanian Bogor. Fausett L. (1994). Fundamentals of Neural Networks: Architectures, Algorithms and Applications. Prentice Hall, Inc. New Jersey. Fu, G. 1994. Falsafah Dasar : System Pengendalian Proses. Komputindo, Jakarta.
PT Elex
Gardner FP, Pearce RB, Mitchell RL. 1991. Fisiologi Tanaman Budidaya. UI Press, Jakarta.
65
Handoko. 1994. Dasar Penyusunan dan Aplikasi Model Simulasi Komputer untuk Pertanian. Jurusan Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Handoko. 1995. Klimatologi Dasar PT. Dunia Pustaka Jaya, Jakarta. Han H and Felher P. 1997. Estimation of daily soil water evaporation using an artificial neural network. J. Arid Envirol (1997) 37 : 251-260. Haraguchi T, K. Saptomo S. Inosako K, Yuge K, Mon K, Nakano Y. 2005. Numerical estimation of evapotranspiraton rate in a greenhouse. J. Agric. Meterol. 60 (5) : 669-672, 2005. Impron, 2011. A Greenhouse Crop Production System for Tropical Lowland Condtition. PhD thesis. at Wageningen University.. Jones H.G, 1992. Plants and Microclimate. Cambridge: Cambridge Univ Pr. 411 p. Kaul M, Hill RL, Walthall C. 2004. Artificial neural network for corn and soybean yield prediction. J. Agric. System 85, p 1-18. Koesmaryono Y, Sugimoto, H., Ito, D., Sato, T. and Haseba, T. 1997. The influence of differet climatic conditions on the yield of soybeans cultivated under different population densities. J Agric. Meteorology, 52 (5), 717720. Koesmaryono Y, Sangaji S, June T. 2002. Akumulasi Panas Tanaman Soba (Fagopyrum esculentum cv. Kitaware) pada Dua Ketinggian di Iklim Tropika Basah. J. Agromet Indones. 15 (1):8 – 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 Kerwanan Kekeringan. Institut Pertanian Bogor (Laporan Akhir Penelitian KP3T). Kerjasama antara IPB dengan Sekretariat Badan Penelitian dan Pengembangan Pertanian, Departemen Pertanian. Kok R, Lacroix R, Clarck G, Toillefer E, 1994. Imitation of procedural greenhouse model with an artificial neural network. J Agric. Eng. V 36 :.2. Kristanto, A., 2004. Jaringan Syaraf Tiruan (Konsep Dasar, Algoritma dan Aplikasi). Penerbit Gaya Media, Yogyakarta. Lee S, Cho S, and Wang PM, 1998. Rainfall prediction using ANN. J of Geographic Informasion and Decision Analysis. 2 (2) : 233 – 242.
66
Liu J, Goering CE, Tian L. 2001. A neural network for setting target corn yields. J. American Society of Agricultural Engineers. 44 (3) : 705-71. Nasir A.A, 1999. Hubungan iklim dan tanaman. Kumpulan makalah pelatihan dosen-dosen perguruan tinggi negeri Indonesia bagian barat dalam bidang agroklimatologi. Editor : Yonny Koesmaryono, Impron, Y. Sugiarto. Jurusan Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Noor Z. 2006. Produktivitas dan Mutu Paprika (Capsicum annum L) Dalam Sistem Hidroponik Di Dataran Rendah Pulau Batam Pada Berbagai Tingkat Naungan dan Pemupukan. [Disertasij. Bogor :Sekolah Pascasarjana Institut Pertanian Bogor. Rich E dan Knight K, 1983. Artificial Intelligent. Second edition. Mc Graw-Hill Inc. Singapore Ross, 1975. Radiative transfer in plant communities. Vegetation and the atmosphere volume I. Monteith, J.L (Ed). Academic press, London. Rowland J, Andrews WS, Creber KAM, 2004. A neural network approach to selecting indicators for a sustainable ecosystem. J. Environ Eng. Sci : S 129-136. Salisbury F dan Ross C. 1995. Fisiologi Tumbuhan, Jilid II. ITB, Bandung Siang JJ. 2005. Jaringan Syaraf Tiruan dan Pemrograman Menggunakan Matlab. Cetakan pertama, Andi Offset, Yogyakarta. Suhardiyanto H, Arif C, Suroso, 2006. 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, Suroso, Nuryawati T. 2007. Pengembangan model jaringan syaraf tiruan untuk pendugaan suhu udara di dalam rumah kaca. Jurnal keteknikan pertanian, 2 (1) : 67-74. Suhardivanto H. 2009. Teknologi Rumah Tanaman untuk Iklim Tropika Basah. Bogor, IPB Press. Sumiati E dan Filman Y, 1994. Pertumbuhan dan Hasil Cabai Paprika Kultivar Blue Star yang Ditanam Di bawah Berbagai Bentuk dan Arah Penempatan Plastik Transparan. Bull. Penel. Hort. 17(1): 19-26. Syakur A, Koesmaryono Y, Hidayati R. 2003. Respon tanaman tomat terhadap radiasi surya dan suhu udara pada penggunaan plastik berproteksi UV. J. Agric Meteorol 17(1-2): 12-20.
67
Yang CC, Prasher SO, Mehuys GR, Patni NK. 1997. Application of artificial neural network for simulation of soil temperature. J. American Society of Agric. Eng. (1997) : 649-656. Yamaguci M. 1983. World vegetables : principle, production and nutritive values. AVI Publishing company, Inc. Westport, Connecticut. Yao Jingtao, Chew Lim Tan dan Hean-Lee Poh. 1999. Neural networks for technical analysis : A study on KLCI. International Journal of Theoretical and Applied Finance. l2 ( 2) : 221-241. Yushardi, 2007. Model Spektrum Radiasi Surya dan Suhu di Rumah Plastik. [Disertasi]. Bogor. Program Studi Agroklimatologi, Sekolah Pascasarjana, Institut Pertanian Bogor.
68
69
L AMPIRAN
70
Lampiran 1. Denah tanaman tomat di dalam rumah tanaman
A
M
A
M
A
M
A
M
A
M
A
M
A
M
A
M
A
M
A
M
A
M
A
M
25 tanaman Keterangan :
A : tomat varietas Arthaloka M : tomat varietas Marglobe
25 tanaman
71
Lampiran 2. Bahasa program untuk waktu pembungaan Q=Cek(:,1:15)'; TQ=Cek(:,16)'; %Membentuk Jaringan Basis Radial net=newrbe(P,T,4) %melihat bobot-bobot awal input, lapisan & bias BobotAwal_Input = net.IW{1,1} BobotAwal_Bias_Input = net.b{1,1} BobotAwal_Lapisan = net.LW{2,1} BobotAwal_Bias_Lapisan = net.b{2,1} %Melakukan simulasi data training a=sim(net,P); H=[(1:size(P,2))' T' a' (T'-a')]; sprintf('%5d %9.2f %9.2f %9.2f\n',H') %Melakukan simulasi data testing b=sim(net,Q); L=[(1:size(Q,2))' TQ' b' (TQ'-b')]; sprintf('%5d %9.2f %9.2f %9.2f\n',L') %Menggambar Grafik k = [1:size(T,2)]'; t = [1:size(Q,2)]'; [m1,c1,r1]=postreg(a,T) pause; plot(k,T,'bo',k,a,'m*'); title('Hasil pengujian dgn data checking: Target(o) & ouput (*)'); xlabel('Data ke-'); ylabel('target atau ouput'); grid ; pause; [m2,c2,r2]=postreg(b,TQ) pause; plot(t,TQ,'go',t,b,'r*'); text(t,b,int2str(t)); title('Hasil pengujian data checking: Target(o), ouput (*)'); xlabel('Data ke-'); ylabel('target/ouput'); grid ;
72
Lampiran 3. Bahasa program untuk masak fisiologis Q=Cek(:,1:15)'; TQ=Cek(:,16)'; %Membentuk Jaringan Basis Radial net=newrbe(P,T,6) %melihat bobot-bobot awal input, lapisan & bias BobotAwal_Input = net.IW{1,1} BobotAwal_Bias_Input = net.b{1,1} BobotAwal_Lapisan = net.LW{2,1} BobotAwal_Bias_Lapisan = net.b{2,1} %Melakukan simulasi data training a=sim(net,P); H=[(1:size(P,2))' T' a' (T'-a')]; sprintf('%5d %9.2f %9.2f %9.2f\n',H') %Melakukan simulasi data testing b=sim(net,Q); L=[(1:size(Q,2))' TQ' b' (TQ'-b')]; sprintf('%5d %9.2f %9.2f %9.2f\n',L') %Menggambar Grafik k = [1:size(T,2)]'; t = [1:size(Q,2)]'; [m1,c1,r1]=postreg(a,T) pause; plot(k,T,'bo',k,a,'m*'); title('Hasil pengujian dgn data checking: Target(o) & ouput (*)'); xlabel('Data ke-'); ylabel('target atau ouput'); grid ; pause; [m2,c2,r2]=postreg(b,TQ) pause; plot(t,TQ,'go',t,b,'r*'); text(t,b,int2str(t)); title('Hasil pengujian data checking: Target(o), ouput (*)'); xlabel('Data ke-'); ylabel('target/ouput'); grid ; ]; Q=Cek(:,1:15)'; TQ=Cek(:,16)'; %Membentuk Jaringan Basis Radial net=newrbe(P,T,4) %melihat bobot-bobot awal input, lapisan & bias BobotAwal_Input = net.IW{1,1} BobotAwal_Bias_Input = net.b{1,1}
73
BobotAwal_Lapisan = net.LW{2,1} BobotAwal_Bias_Lapisan = net.b{2,1} %Melakukan simulasi data training a=sim(net,P); H=[(1:size(P,2))' T' a' (T'-a')]; sprintf('%5d %9.2f %9.2f %9.2f\n',H') %Melakukan simulasi data testing b=sim(net,Q); L=[(1:size(Q,2))' TQ' b' (TQ'-b')]; sprintf('%5d %9.2f %9.2f %9.2f\n',L') %Menggambar Grafik k = [1:size(T,2)]'; t = [1:size(Q,2)]'; [m1,c1,r1]=postreg(a,T) pause; plot(k,T,'bo',k,a,'m*'); title('Hasil pengujian dgn data checking: Target(o) & ouput (*)'); xlabel('Data ke-'); ylabel('target atau ouput'); grid ; pause; [m2,c2,r2]=postreg(b,TQ) pause; plot(t,TQ,'go',t,b,'r*'); text(t,b,int2str(t)); title('Hasil pengujian data checking: Target(o), ouput (*)'); xlabel('Data ke-'); ylabel('target/ouput'); grid ;
74
Lampiran 4. Foto rumah tanaman di Balitklimat, Cimanggu, Bogor.
