Mustikasakti, Indah (2017) Identifikasi Nitrogen Pada Daun Tanaman Bayam (Amaranthus Sp.) Menggunakan Pemodelan Artificial Neural Network (ANN) Berbasis Citra Digital. Sarjana thesis, Universitas Brawijaya.
Abstract
Unsur hara nitrogen adalah unsur aktif didalam tanaman. Pada tanaman yang kekurangan nitrogen akan menyebabkan daun – daunnya lebih tua. Selain itu, daun tersebut akan berubah warna menjadi kekuningan bila kekurangan nitrogen. Dalam proses penanamannya, bayam membutuhkan unsur hara untuk meningkatkan kualitas hasil pemanenannya. Selama ini petani memberikan dosis pupuk nitrogen dengan perkiraan takaran yang terbaik menurut penilaian subyektif mereka, sehingga tanaman bayam yang dihasilkan terkadang kurang baik. Selain itu, bila harus melakukan analisis kimiawi untuk menentukan jumlah dosis yang sesuai dinilai sangat mahal dan membutuhkan waktu yang sangat lama. Pemanfaatan citra digital dan pemodelan Artificial Neural Network (ANN) dapat menjadi solusi alternatif dalam mengidentifikasi nitrogen dalam daun bayam secara objektif, sehingga bisa memberi informasi kandungan pupuk nitrogen yang harus diberikan pada tanaman bayam. Penelitian ini bertujuan untuk mengetahui dosis pemberian pupuk terbaik untuk tanaman bayam yang diperoleh dalam persentase pupuk sebesar 60% dengan jumlah nitrogen total yang paling optimum. Dari penelitian ini, diperoleh model ANN yang terbaik adalah dengan 9 input yaitu RGB, HSL, dan L*a*b. Input tersebut diolah menggunakan MATLAB dengan proporsi data training dan testing terbaik adalah 74,28% dan 25,71%. Selain itu, fungsi pembelajaran dan fungsi aktivasi terbaik yang menghasilkan MSE Testing terendah adalah tansig sebagai hidden layer dan tansig sebagai output layer, sedangkan fungsi pembelajarannya adalah traingd. Identifikasi nitrogen ini menggunakan 9 input dan 1 output yaitu nitrogen bayam dengan topologi terbaik 9-6-1 (9 node input, 6 node hidden layer 1, 1 node output). Dari topologi terbaik tersebut, dihasilkan MSE Training sebesar 0,0072 dan Testing viii sebesar 0,2993 dengan nilai koefisien korelasi Training dan Testing sebesar 0,99354 dan 0,64889.
English Abstract
Nitrogen is an active nutrient element contained in a plant. Nitrogen-deficient plants will cause a yellowish leaf color. In its cultivation, Amaranthus sp needs nutrient elements in order to increase the harvesting quality. During this time, farmers applied nitrogen fertilizer according to their subjective assessment about the best estimated dose, so sometimes Amaranthus sp resulting less good quality. In the other hand, chemical analysis to determine an appropriate dose needs a high cost and long testing time. Usage of image processing and Artificial Neural Network (ANN) modelling can be an alternative solution for Nitrogen identifying on Amaranthus sp objectively, so it expected to provide an information about the amount of nitrogen needed that will be applied on Amaranthus sp fertilizing. This research aimed to discover a best appropriate dose of fertilizer that would be applied for Amaranthus sp obtained in 60% fertilizer with optimum amount of nitrogen. According to the result of this research, best ANN model using 9 inputs RGB, HSL, and L*a*b*. Those inputs are processed using MATLAB with training data proportion and best testing are 74,28% and 25,71%. The best training function is traingd and activated function that obtained lowest MSE testing are tansig as hidden layer and tansig as output layer. This nitrogen identification used 9 inputs and 1 output including Amaranthus sp’s nitrogen with best topology 9-6-1 (9 node input, 6 node hidden layer 1, 1 node output). According to the best topology, this research obtained 0,0072 MSE Training and 0,2993 MSE Testing with correlation coefficient value of MSE Training and MSE Testing are 0.99354 and 0,64889.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTP/2017/232/051704700 |
| Subjects: | 300 Social sciences > 338 Production > 338.1 Agriculture |
| Divisions: | Fakultas Teknologi Pertanian > Keteknikan Pertanian |
| Depositing User: | Kustati |
| Date Deposited: | 16 Jun 2017 12:11 |
| Last Modified: | 16 Jun 2017 12:11 |
| URI: | http://repository.ub.ac.id/id/eprint/151461 |
Actions (login required)
 |
View Item |