Estimasi Kadar Nitrogen Tanaman Padi Menggunakan Spectral Reflectance.

ESTIMASI KADAR NITROGEN TANAMAN PADI
MENGGUNAKAN SPECTRAL REFLECTANCE

SETIA DARMAWAN AFANDI

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2016

PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul Estimasi Kadar Nitrogen
Tanaman Padi Menggunakan Spectral Reflectance adalah benar karya saya
dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun
kepada perguruan tinggi mana pun. 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
tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.

Bogor, September 2016

Setia Darmawan Afandi
NIM G651140576

RINGKASAN
SETIA DARMAWAN AFANDI. Estimasi Kadar Nitrogen Tanaman Padi
Menggunakan Spectral Reflectance. Dibimbing oleh YENI HERDIYENI dan
LILIK BUDI PRASETYO.
Dalam budidaya tanaman padi, pemantauan merupakan salah satu aspek
yang sangat penting untuk menjaga kualitas tanaman padi. Kandungan nitrogen
merupakan salah satu hal yang sangat menarik untuk menjadi indikator dalam
proses pemantauan dan manajemen pada tanaman. Hal ini karena nitrogen
memiliki peran yang sangat penting dalam proses fotosintesis, produktivitas
tanaman dan mempengaruhi siklus karbon dan oksigen. Permasalahan pada
tanaman padi tidak hanya terjadi saat tanaman mengalami kekurangan kandungan
nitrogen, namun kelebihan kandungan nitrogen juga menyebabkan berbagai
permasalahan seperti produktivitas menurun, dan biaya budidaya yang tidak
efisien.
Penelitian ini fokus meneliti hubungan antara spectral reflectance Near

Infrared (NIR) pada panjang gelombang 700 nm – 1075 nm. Tujuan dari
penelitian ini adalah mengestimasi kadar nitrogen tanaman padi dengan
menggunakan data spektral spectral reflectance yang diperoleh dari spektrometer
sehingga diharapkan dapat membantu dalam menentukan takaran kandungan
nitrogen yang efisien pada tanaman padi. Data yang digunakan pada penelitian ini
adalah data nitrogen yang diperoleh dari uji lab dan data spectral reflectance yang
diperloleh dari spektrometer.
Penelitian ini terdiri dari beberapa tahap yaitu pengambilan data spektral
menggunakan spektrometer dengan panjang gelombang 400 nm – 1075 nm dan
pengambilan data kandungan nitrogen yang dibantu oleh laboratorium Agronomi,
IPB. Data yang digunakan sebanyak 45 data. Data dibagi menjadi 30 data training
dan 15 data testing menggunakan 3-fold cross validation. Proses selanjutnya
dilakukan pemodelan data menggunakan regresi linier dan Artificial Neural
Network (ANN).
Pemodelan menggunakan regresi linier dilakukan dengan menggunakan
data NIR dengan panjang gelombang 700 nm – 1075 nm. Hasil yang diperoleh
menyimpulkan bahwan metode regresi linier tidak cukup baik untuk estimasi
kadar nitrogen. Hal ini dikarenakan hasil estimasi nitrogen menggunakan regresi
linier sangat jauh dari nilai aktualnya dengan nilai RMSE yang masih sangat besar
yaitu 0.46.

Pemodelan menggunakan ANN pada data NIR dengan panjang gelombang
700 nm – 1075 nm menghasilkan nilai estimasi yang cukup baik dengan nilai
RMSE yaitu 0.27. Akan tetapi, hasil yang diperoleh pada penelitian ini perlu
divalidasi menggunakan dataset yang lebih banyak lagi.

SUMMARY
SETIA DARMAWAN AFANDI. Nitrogen Content Estimation Of Rice Crop
Using Spectral Reflectance. Supervised by YENI HERDIYENI and LILIK BUDI
PRASETYO.
Monitoring and management in rice cultivation is an important thing to
maintain the quality of the rice crop. Nitrogen content is an important indicator
used for monitoring and management of plant due to its role in photosynthesis,
productivity as well as its effect on carbon and oxygen cycle. The problems do not
only occur when nitrogen deficiency but excess nitrogen can lead to decreased
productivity, and cost inefficiencies.
The purpose of this research is to estimate the nitrogen content of rice crop
using spectral reflectance. This research is expected to help in determining
efficient dose of nitrogen content in rice crop. Nitrogen content was measured by
laboratory analysis, meanwhile, its spectral reflectance in the field was measured
by using hand held spectroradiometer.

This research consists of several steps, that are spectral reflectance
measurement (400 nm - 1075 nm) using spectrometer, nitrogen content
measurement assisted by laboratory of Agronomy, IPB. Data used in the research
were 45 data. Dataset was divided into 30 data training and 15 data testing using
3-fold cross validation. the next process is data modelling using linier regression
and Artificial Neural Network (ANN) method.
The linear regression method was done on NIR reflectance (700 nm - 1075
nm) . The results conclude that the linear regression method is not good enough to
estimate the nitrogen content with RMSE value is 0.46
ANN method was done on NIR reflectance (700 nm - 1075 nm) . The
experimental result shows that model estimation using ANN model produces a
fairly good estimation with RMSE value is 0.27. However, the results obtained in
this research need to be validated using more dataset.

© Hak Cipta Milik IPB, Tahun 2016
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

IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB

ESTIMASI KADAR NITROGEN TANAMAN PADI
MENGGUNAKAN SPECTRAL REFLECTANCE

SETIA DARMAWAN AFANDI

Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Ilmu Komputer
pada
Program Studi Ilmu Komputer

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2016

Penguji Luar Komisi pada Ujian Tesis: Dr Imas Sukaesih Sitanggang, SSi MKom

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Judul
penelitian yang dilaksanakan sejak bulan November 2014 ini adalah Estimasi
Kdar Nitrogen Menggunakan spectral reflectance.
Penulis mengucapkan terima kasih kepada pihak-pihak yang terlibat dalam
kelancaran penelitian ini, yaitu:
1. Bapak dan Ibu, yaitu Bapak Suardi dan Ibu Erdawati atas doa dan motivasi
yang telah diberikan
2. Ibu Dr. Yeni Herdiyeni, SSi MKom dan Bapak Prof. Dr. Ir Lilik Budi
Prasetyo, MSc selaku pembimbing yang telah memotivasi, mendidik dan
memberikan arahan kepada penulis
3. Ibu Dr Imas Sukaesih Sitanggang, SSi Mkom selaku dosen penguji yang
telah memberikan arahan dan saran agar penelitian ini lebih baik
4. Dosen-dosen Ilmu Komputer yang telah memberikan banyak ilmu untuk
mendukung kelancaran penelitian.
5. Whina Ayu Lestari selaku tim penelitian rice crop monitoring yang telah
banyak membantu, diskusi, dan sharing ilmu selama proses penelitian

6. Mas Ade dan Mbak Salas dari Pusat Teknologi Satelit Lembaga
Penerbangan dan Antariksa Nasional (LAPAN) Bogor yang telah
membantu selama pengukuran reflectance.
7. Seluruh staf laboratorium departemen Agronomi dan Hortikultura Fakultas
Pertanian IPB yang telah membantu selama pengukuran kadar nitrogen.
Semoga karya ilmiah ini bermanfaat.

Bogor, September 2016

Setia Darmawan Afandi

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

1 PENDAHULUAN
Latar Belakang
Perumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Ruang Lingkup Penelitian

1
1
2
3
3
3

2 TINJAUAN PUSTAKA
Penginderaan jauh (Remote Sensing)

Karakteristik Spectral Reflectance pada tumbuhan
Analisis Regresi Linier
Artificial Neural Network (ANN) dan Backpropagation Neural Network
(BPNN)
K-fold Cross Validation
Principal Component Analysis (PCA)
Root Mean Square Error (RMSE)
Metode untuk uji kadar nitrogen

4
4
4
5
6
8
9
10
10

3 METODE

Data dan Alat
Tahapan Penelitian

13
13
14

4 HASIL DAN PEMBAHASAN
Karakteristik spectral reflectance daun
Sebaran Data Nitrogen
Evaluasi data
Pemodelan Regresi Linier
Pemodelan ANN

19
19
20
21
22
24

5 SIMPULAN DAN SARAN
Simpulan
Saran

26
26
26

DAFTAR PUSTAKA

27

RIWAYAT HIDUP

29

DAFTAR TABEL
1.
2.
3.
4.
5.

Kategori nilai nitrogen
Hasil proses PCA
Skema pemodelan dan hasil evaluasi
Nilai RMSE pada jumlah hidden layer optimal pada skema 1
Nilai RMSE pada jumlah hidden layer optimal pada skema 2

21
22
23
24
24

DAFTAR GAMBAR
1. Karakteristik reflectance pada tumbuhan (Hoffer 1978)
2. Arsitektur ANN
3. Ilustrasi 3-fold cross validation (Refaelzadeh P, Tang L, dan Liu H
4. Metode estimasi kadar Nitrogen (Munoz-Huerta RF et al. 2013)
5. Metode Kjeldahl (Munoz-Huerta RF et al. 2013).
6. Spektrometer (Handheld 2)
7. Tahapan Penelitian
8. Ilustrasi pengambilan data
9. Ilustrasi pengambilan data nitrogen
10. Ilustrasi average composite
11. Arsitektur Model ANN
12. Karakteristik spectral reflectance daun
13. Sebaran data nitrogen
14. Data spektral spectral reflectance sample 16 dan sample 18
15. Perbandingan kadar nitrogen aktual dengan nilai estimasi regresi
linier
16. Perbandingan kadar nitrogen aktual dengan nilai estimasi ANN

4
6
9
11
12
13
14
15
16
16
17
19
20
21
23
25

1 PENDAHULUAN
Latar Belakang
Tanaman padi adalah salah satu komoditas pangan utama oleh rakyat
Indonesia. Indonesia sebagai negara agraris memiliki luas area sawah sekitar 8
juta hektar atau 8% dari total luas daratan Indonesia (Kementerian Pertanian
2014). Namun, hasil yang diperoleh dari ketersediaan lahan tersebut sangat jauh
dari yang diharapkan. Hal ini disebabkan oleh berbagai macam faktor seperti
penyakit tanaman, hama, manajemen dan pemantauan yang kurang baik, hingga
musibah atau bencana alam.
Dalam budidaya tanaman padi, pemantauan merupakan salah satu aspek
yang sangat penting untuk menjaga kualitas tanaman padi. Tanaman padi yang
memiliki kondisi yang baik diharapkan mampu memberikan hasil sesuai dengan
yang diharapkan. Metode yang paling umum dilakukan untuk pemantauan dan
manajemen tanaman padi adalah dengan melakukan survey ke lapang secara
langsung. Akan tetapi, metode ini membutuhkan biaya dan sumber daya manusia
yang sangat banyak sehingga menghasilkan efisiensi yang sangat rendah.
Disamping itu, para ahli yang mampu menilai kondisi tanaman padi sering tidak
tersedia di beberapa wilayah. Di Indonesia, hanya ada 3.183 orang ahli hama dan
penyakit yang mengamati 6.543 Kabupaten (DJTP 2010). Keadaan ini masih
sangat jauh dari keadaan yang ideal sehingga dengan kondisi tersebut informasi
mengenai kondisi tanaman padi tidak dapat diperoleh dengan cepat. Pemantauan
dan manajemen tanaman menggunakan teknologi remote sensing mampu
memberikan informasi dengan lebih cepat dan akurat serta membutuhkan biaya
dan sumberdaya yang relatif sedikit. Penerapan citra satelit dan foto udara untuk
lahan pertanian memiliki banyak cara diantaranya menggunakan citra satelit
seperti LANDSAT, MODIS, dan NOAA. Namun, cara ini sangat sulit untuk
menganalisis lahan pertanian skala kecil dan menengah. Hal ini dikarenakan
resolusi spasial yang dihasilkan citra satelit sangat rendah.
Proses pemantauan dan manajemen tanaman sangat erat kaitannya dengan
pemantauan proses biokimia yang ada pada tanaman seperti fotosintesis, respirasi,
evapotranspirasi, dan dekomposisi yang terkait dengan konsentrasi biokimia yang
ada pada daun seperti klorofil, air, nitrogen, lignin dan selulosa (Curran et al.
2001). Proses-proses tersebut memberikan indikator produktivitas tanaman,
penyakit tanaman dan ketersediaan nutrisi pada tanaman (Huber et a.l 2005).
Kandungan nitrogen pada daun merupakan salah satu hal yang sangat
menarik untuk menjadi indikator dalam proses pemantauan dan manajemen pada
tanaman. Hal ini karena nitrogen pada daun memiliki peran yang sangat penting
dalam proses fotosintesis, produktivitas tanaman dan mempengaruhi siklus karbon
dan oksigen (Martin dan Aber 1997). Nitrogen dibutuhkan tanaman dalam jumlah
banyak yang berfungsi sebagai penyusun protein, termasuk enzim dan molekul
klorofil (Hakim et al. 1986). Kebutuhan nitgoren pada umumnya dipenuhi dengan
cara pemupukan. Dalam melakukan pemupukan, petani belum memperhatikan
kondisi tanaman dan pengaruh faktor lingkungan, tetapi hanya berdasarkan
pengalaman dan kebiasaan (Sutopo et al. 2005; Juliati 2010). Padahal setiap
kondisi dan fase pertumbuhan tanaman membutuhkan unsur hara dalam jumlah

2
yang berbeda (Menzel et al. 2003). Hal tersebut menyebabkan penggunaan pupuk
tidak efektif dan efisien, sehingga tidak hanya dapat mengganggu keseimbangan
lingkungan tetapi juga menyebabkan produktivitas menurun dan biaya produksi
yang tidak efisien.
Di samping itu, bukan hanya kekurangan penggunaan pupuk nitrogen,
namun juga kelebihan penggunaan pupuk nitrogen menimbulkan berbagai
masalah seperti polusi pada tanah, peningkatan kerentanan tanaman terhadap
berbagai penyakit, hasil panen yang tidak optimal hingga biaya produksi yang
tidak efisien.
Penelitian sebelumnya telah melakukan pemantauan dan estimasi nitrogen
tanaman padi dengan melihat hubungan kadar nitrogen dengan data near infrared
(NIR) yang diperoleh dengan menggunakan quadcopter yang dipasang kamera
NIR (Arai 2013). Data sample yang digunakan sebanyak 1000 dataset yang terdiri
dari data NIR dan data nitrogen hasil uji lab. Metode yang digunakan adalah
metode regresi linier. Dari hasil penelitian ini diperoleh nilai koefisien determinan
0.96 (Arai 2013).
Selain itu estimasi kadar nitrogen juga telah dilakukan pada tanaman dan
obyek lain seperti pada tanaman tebu menggunakan citra spektroskopi dari
panjang gelombang 650 nm – 1400 nm menggunakan metode regresi linier.
Penelitian ini berhasil melakukan estimasi kadar nitrogen pada tanaman tebu
dengan nilai koefisien determinan rata-rata sebesar 0.86 (miphokasap et al. 2012).
Estimasi kadar nitrogen juga dilakukan pada kanopi yang beragam menggunakan
data HyVista’s Hyperspectral Mapping Imaging Spectrometer (HyMap) (Huber et
al. 2005). Pada penelitian ini akan dilakukan estimasi kadar nitrogen
menggunakan data spectral reflectance dari panjang gelombang 700 nm-1075 nm
dengan melihat hubungan antara kadar nitrogen pada tanaman padi dengan nilai
spectral reflectance NIR.

Perumusan Masalah
Pemantauan dan manajemen tanaman padi sangat penting dilakukan dalam
proses budidaya tanaman agar memperoleh hasil yang optimal dalam segi kualitas
maupun kuantitas. Pemantauan dan manajemen tanaman padi memiliki banyak
metode sehingga perlu ditentukan metode yang tepat agar proses pemantauan
dapat berjalan dengan efektif dan efisien. Pemantauan menggunakan remote
sensing pada bidang pertanian mulai banyak dilakukan. Hal ini dikarenakan teknik
remote sensing mampu menghasilkan data dengan cepat dan akurat, serta
membutuhkan biaya dan sumber daya manusia yang relatif sedikit.
Kandungan nitrogen pada daun merupakan salah satu hal yang sangat
menarik untuk menjadi indikator dalam proses pemantauan dan manajemen pada
tanaman. Hal ini dikarenakan nitrogen pada daun memiliki peran yang sangat
penting dalam proses fotosintesis, produktivitas tanaman dan mempengaruhi
siklus karbon dan oksigen (Martin dan Aber 1997). Kebutuhan nitgoren pada
umumnya dipenuhi dengan cara pemupukan. Permasalahan yang sering muncul
dalam budidaya tanaman padi yaitu penggunaan kadar pupuk yang kurang tepat.
Bukan hanya kekurangan penggunaan pupuk nitrogen, namun kelebihan
penggunaan pupuk nitrogen juga menimbulkan berbagai masalah seperti polusi

3
pada tanah, peningkatan kerentanan tanaman terhadap berbagai penyakit, hasil
panen yang tidak optimal hingga biaya produksi yang tidak efisien. Oleh karena
itu, pada penelitian ini dilakukan estimasi kadar nitrogen tanaman padi
menggunakan data spectral reflectance sehingga diharapkan mampu melakukan
estimasi kadar nitrogen untuk berbagai keperluan dalam proses budidaya, salah
satunya penentuan kadar pupuk yang tepat.

Tujuan Penelitian
Tujuan dari penelitian ini adalah mengestimasi kadar nitrogen tanaman padi
dengan menggunakan data spectral reflectance NIR yang diperoleh dari
spektrometer.

Manfaat Penelitian
Manfaat dari penelitian ini adalah memberikan informasi kepada pihak
terkait mengenai kadar nitrogen dari tanaman padi sehingga diharapkan mampu
memberikan bantuan untuk membuat keputusan terkait budidaya tanaman padi
yang sedang dilakukan dengan lebih cepat.

Ruang Lingkup Penelitian
Penelitian ini akan dilakukan dengan menerapkan metode analisis regresi
linier dan ANN untuk menemukan hubungan antara nilai spectral reflectance NIR
dengan kadar nitrogen yang diperoleh dari uji kimia di laboratorium

4

2 TINJAUAN PUSTAKA
Penginderaan jauh (Remote Sensing)
Remote sensing adalah teknik dan seni untuk memperoleh informasi
mengenai sebuah objek, area, atau fenomena melalui analisis data yang diperoleh
dari alat yang tidak bersentuhan langsung dengan objek, area, atau fenomena yang
sedang diamati (Lillesand dan Kiefer 1997). Prinsip dasar dari remote sensing
adalah perekaman informasi dari suatu sensor dengan sumber tenaga seperti
tenaga matahari, distribusi energi elektromagnetik, dan lain-lain. Radiasi yang
dipancarkan oleh sumber energi tersebut akan dipantulkan kembali oleh
permukaan bumi dan atmosfer dalam bentuk reflectance permukaan. Setiap objek
memiliki karakteristik tertentu untuk setiap saluran spektral sehingga setiap objek
dapat dikenali perbedaannya (Lillesand dan Kiefer 1997).
Citra yang dihasilkan dari remote sensing dapat dibedakan berdasarkan
resolusinya. Ada 3 macam resolusi sebagai ukuran daya pisah pada citra yaitu
resolusi spektral, resolusi spasial, dan resolusi temporal. Resolusi spektral adalah
kemampuan suatu sistem optik-elektronik untuk membedakan informasi (objek)
berdasarkan pantulan atau pancaran spektral. Resolusi spasial adalah ukuran
terkecil obyek yang masih dapat dideteksi oleh sensor. Resolusi temporal adalah
frekuensi data yang dapat dihasilkan dalam satu satuan waktu (Lillesand dan
Kiefer 1997).
Karakteristik Spectral Reflectance pada tumbuhan
Spectral reflectance adalah rasio dari energi yang dipantulkan oleh suatu
obyek dengan total energi yang diterima oleh obyek tersebut. Setiap obyek
memiliki karakteristik tertentu terhadap saluran spectral sehingga setiap obyek
dapat dikenali berdasarkan perbedaan karakteristik tersebut (Lillesand dan Kiefer
1997). Adapun karakteristik spectral reflectance pada tumbuhan dapat dilihat
pada Gambar 1.

Gambar 1 Karakteristik reflectance pada tumbuhan (Hoffer 1978)

5
Karakteristik pantulan spectral dari vegetasi dipengaruhi oleh kandungan
pigmen daun, material organik, air dan karakteristik struktural daun seperti bentuk
daun dan luas daun (Huete dan Glenn 2011). Vegetasi memiliki karakter spectral
yang unik bila dibandingkan dengan obyek tanah maupun air pada saluran
panjang gelombang tampak maupun pada panjang gelombang infrared. Nilai
pantulan vegetasi pada saluran panjang gelombang sinar tampak memiliki nilai
pantulan yang rendah pada panjang gelombang biru dan merah. Hal ini
disebabkan oleh serapan klorofil untuk fotosintesis, vegetasi memiliki nilai yang
tinggi pada panjang gelombang hijau, hal ini menyebabkan vegetasi terlihat
berwarna hijau. Pada panjang gelombang NIR, nilai pantulan dari vegetasi lebih
tinggi dari pada panjang gelombang tampak. Hal ini disebabkan oleh struktur
daun. Pada panjang gelombang NIR pantulan daun meningkat seiring dengan
menurunnya kadar air pada daun, untuk itu saluran NIR dapat digunakan untuk
melihat vegetasi yang sakit (Molidena dan as-syakur 2012).
Selain menggunakan 1 band untuk menganalisis vegetasi seperti NIR atau
sinar tampak, terdapat juga beberapa formula dengan mengkombinasikan
beberapa band yang sering dipakai untuk menganalisis vegetasi seperti
Normalized Difference Vegetation Index (NDVI) dan Enhance Vegetation Index
(EVI).
NDVI merupakan index vegetasi yang diperoleh dari normalisasi band NIR
dengan band red sedangkan EVI adalah indeks vegetasi yang dirancang untuk
meningkatkan sinyal vegetasi dengan formulasi yang melibatkan band NIR, red,
dan blue (Molidena dan as-syakur 2012).

Analisis Regresi Linier
Regresi yang berarti peramalan, merupakan teknik statistik (alat analisis)
hubungan yang digunakan untuk meramalkan atau memperkirakan nilai dari suatu
variabel dalam hubungannya dengan variabel lain melalui persamaan garis regresi.
Regresi ini dapat berupa regresi linier yaitu regresi yang memperlihatkan data
yang ada dapat dinyatakan berada pada satu garis lurus (linier) dan regresi
nonlinier yaitu regresi yang memperlihatkan data yang tidak dapat dinyatakan
dalam satu garis lurus (nonlinier) (Rawlings et al. 1998).
Variabel dalam regresi linier dibedakan menjadi dua jenis, yaitu variabel
bebas dan variabel tidak bebas. Jika model regresi hanya melibatkan satu variabel
bebas dan satu variabel tidak bebas, maka model tersebut dinamakan regresi liner
sederhana. Regresi linier sederhana merupakan pemodelan regresi yang paling
sederhana. Adapun fungsi regresi linier sederhana adalah sebagai berikut
(Rawlings et al. 1998):
(1)
Dimana, Y merupakan variabel tidak bebas, X adalah variabel bebas, β0 dan
β1 adalah konstanta yang harus diestimasi. Metode ini ditemukan oleh ahli
matematika Jerman bernama Carl Friendrich Gauss (1777-1855) dan pertama kali
dipublikasikan oleh Legendre pada tahun 1805. Untuk menghitung β0 dan β1,
persamaan (1) dapat diturunkan menjadi:

6

(2)

(3)
Regresi linier berganda adalah regresi linier yang melibatkan n variabel
bebas (Rawlings OJ et al. 1998). Adapun fungsi dari regresi linier berganda
adalah sebagai berikut:
(4)
,
,
,…,
merupakan konstanta yang harus diestimasi, Y
merupakan variable tidak bebas , X adalah variabel bebas, dan Ɛ adalah kesalahan
pengganggu (disturbance error).
Artificial Neural Network (ANN) dan Backpropagation Neural Network
(BPNN)
Metode Artificial Neural Network (ANN) pada dasarnya memiliki prinsip kerja
seperti otak manusia yang memiliki kemampuan untuk menerima input rangsangan,
memproses, dan mengeluarkannya dalam bentuk informasi. Artificial neural network
(ANN) direpresentasikan sebagai sebuah sistem yang memiliki keterhubungan antara
satu neuron dan neuron lainnya pada layer yang berbeda (Fausett 1993). Arsitektur
dari ANN dapat diklasifikasikan menjadi 3 bagian yaitu: input layer, hidden layer,
dan output layer. Input layer akan terkoneksi dengan hidden layer, sedangkan hidden
layer akan terkoneksi dengan output layer (Sinha et al. 2013). Gambar 2 menunjukan
arsitektur dari ANN

Gambar 2 Arsitektur ANN
ANN ditentukan oleh tiga hal yaitu pola hubungan antar neuron (arsitektur
jaringan), metode untuk menetukan bobot penghubung (metode training atau
algoritma), dan fungsi aktivasi. Salah satu model ANN adalah Backpropagation.
Backpropagation melakukan training pada jaringan untuk mendapatkan
keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan
dengan kemampuan jaringan untuk memberikan respon yang benar terhadap pola

7
masukan serupa. Terdapat 3 tahap dalam proses training backpropagation yaitu
feedforward pola data input, perhitungan kesalahan dengan backpropagation, dan
pengaturan bobot. Adapun Algoritme dalam BPNN antara lain:
1. Inisialisasi bobot
2. Selama kondisi berhenti salah, kerjakan langkah 3 s.d. 8
Feedforward
3. Tiap unit masukan (xi, i=1,…..,n) menerima isyarat masukan xi dan
diteruskan ke unit-unit tersembunyi (hidden layer)
4. Tiap unit tersembunyi (zj , z=1,….,p) menjumlahkan bobot sinyal input.
(5)
Dengan menerpakan fungsi aktivasi, hitung:
(6)
5. Tiap unit keluaran (yk, k=1,…..,m) menjumlahkan isyarat masukan
berbobot
(7)
Dengan menerpakan fungsi aktivasi, hitung:
(8)
Backpropagation
6. Tiap unit keluaran (yk, k=1,…..,m) menerima pola pelatihan masukannya.
Hitung galat (error) informasinya :
(9)
Hitung koreksi bobot dan biasnya:
(10)
(11)
7. Tiap unit tersembunyi (zj , z=1,….,p) menjumlahkan delta masukannya
(dari unit-unit yang berada pada lapisan atasanya):
(12)
Hitung galat (error) informasinya :
(13)
Hitung koreksi bobot dan biasnya:
(14)
Perbaiki Bobot
8. Tiap unit keluaran (yk, k=1,..,m) memperbaharui bobot dan bias
( j=0,1,..p)
(15)

8
Tiap unit tersembunyi (zj, z=1,.,p) memperbaharui bobot dan biasnya
(i=0,1,..n)
(16)
9. Uji syarat berhenti
ANN dipengaruhi oleh pola koneksi antar neuron (model arsitektur),
metode untuk menentukan bobot koneksi (algoritme training), dan fungsi aktivasi.
Setiap neuron memiliki internal state yang disebut fungsi aktivasi yang
merupakan sebuah fungsi input dari data yang diterima oleh sebuah neuron
(Fausett 1993). Beberapa fungsi aktivasi diantaranya:
1. Fungsi sigmoid biner dengan range (0,1)
(17)
2. Fungsi sigmoid bipolar dengan range (-1,1)
(18)
3. Fungsi Identitas
(19)

K-fold Cross Validation
Cross Validation merupakan salah satu metode statistik untuk
mengevaluasi dan membandingkan learning algorithm dengan menggunakan
semua kemungkinan sampel menjadi data training dan data testing. Bentuk dasar
dari cross validation adalah K-fold cross validation. Dalam K-fold cross
validation data terlebih dahulu dibagi menjadi k segmen yang sama/hampir sama.
Setiap segmen data akan diulang sebanyak k untuk digunakan sebagai data
training dan data testing secara bergantian (Refaelzadeh et al. 2007). Adapun
ilustrasi K-fold cross validation dapat dilihat pada Gambar 3.

9

Gambar 3 Ilustrasi 3-fold cross validation (Refaelzadeh et al. 2007)
Principal Component Analysis (PCA)
PCA merupakan salah satu teknik yang digunakan untuk ekstraksi dan
reduksi fitur. PCA mentransformasikan sejumlah peubah yang saling berkorelasi
menjadi sekumpulan peubah yang tidak berkorelasi (Jackson 1991). Teknik ini
mereduksi dimensi himpunan peubah yang biasanya terdiri dari peubah yang
banyak dan saling berkorelasi menjadi peubah baru yang tidak berkorelasi. Teknik
ini mempertahankan sebanyak mungkin keragaman dalam himpunan data tersebut
serta menghilangkan peubah-peubah asal yang mempunyai sumbangan informasi
yang relatif kecil (Jollife 2002). Adapun tahapan yang dilakukan dalam PCA
antara lain (Jollife 2002):
1. Mencari nilai rata-rata (mean) dari data
(20)
x merupakan rata-rata dari sampel, xm merupakan nilai sampel ke m,
Sedangkan m merupakan jumlah dari data
2. Menghitung zero mean (setiap nilai pada data sampel dikurangi nilai ratarata tiap fitur yang terkait)
(21)
menyatakan nilai zero mean, xi menyatakan nilai sampel pada data ke m
dan x menyatakan nilai rata-rata sampel
3. Membangun matriks covarians dengan mengkalikan matriks zero mean
dengan transposenya
(22)
menyatakan nilai zero mean,
menyatakan nilai zero mean transpose,
m menyatakan jumlah sampel dan C menyatakan matrik covarians
4. Menghitung eigen value

10
[

]

(23)

C menyatakan matrik covarians, I menyatakan matrik identitas dan λ
menyatakan eigen value

5. Menghitung matriks eigen vektor
(24)
C menyatakan matrik covarians, I menyatakan matrik identitas, λ
menyatakan eigen value, dan U menyatakan eigen vektor

6. Mengurangi dimensi sebesar K dimensi yang didapatkan dari eigen value
yang terbesar pertama
(25)

Root Mean Square Error (RMSE)
RMSE merupakan salah satu metode yang sering digunakan untuk melihat
performa sebuah model. Salah satunya digunakan untuk suatu
ukuran kesalahan yang didasarkan pada selisih antara dua buah nilai yang
bersesuaian (Chai dan Draxler 2014). Adapun persamaan RMSE, yaitu:
√

(26)

Ni dan Mi menyatakan nilai observasi dan nilai estimasi sedangkan n
menyatakan jumlah data.

Metode untuk uji kadar nitrogen
Nitrogen merupakan elemen yang sangat penting pada tumbuhan. Hal ini
karena nitrogen merupakan kunci dalam memproduksi klorofil yang sangat
penting dalam proses fotosintesis. Di samping itu, nitrogen merupakan bagian dari
berbagai macam protein yang sangat penting dalam pertumbuhan tanaman
(Sinfield et al. 2010). Beberapa metode dikembangkan untuk estimasi kadar
nitrogen. Adapun beberapa metode tersebut dapat dilihat pada Gambar 4 (MunozHuerta et al. 2013)
Secara garis besar terdapat 3 metode untuk estimasi kadar nitrogen yaitu
tissue analysis, optical meter, dan electrical meter. Tissue analysis merupakan
metode analisis yang dilakukan secara kimia. Optical meter merupakan metode

11
estimasi kadar nitrogen dengan memanfaatkan gelombang elektromagnetik seperti
gelombang cahaya tampak dan NIR. Electrical meter merupakan metode analisis
dengan yang didasarkan pada ion suatu zat (Munoz-Huerta et al. 2013).

Gambar 4 Metode estimasi kadar Nitrogen (Munoz-Huerta et al. 2013)
Metode yang paling umum digunakan pada tissue analysis adalah dengan
menggunakan metode Kjeldahl. Metode ini dapat menentukan kadar nitrogen
pada berbagai obyek seperti makanan, minuman, daging, tanah, air, pupuk dan
tanaman. Metode ini pertama kali dikenalkan oleh Johan Kjeldahl, seorang ketua
departemen kimia dari Carlberg laboratorium di Copenhagen pada tahun 1983
(Labconco 1998). Terdapat 3 tahapan dalam metode ini yaitu (Labconco 1998):
1. Wet digestion : Sampel dicampur dengan larutan asam pekat dalam labu
Kjeldahl dan dipanaskan sehingga dihasilkan larutan Amonium Sulfat
((NH4)2SO4).
2. Distillation : Pada tahap ini, labu Kjeldahl terpasang ke kondensor air.
amonium sulfat ((NH4)2SO4) dipecah menjadi amonia dengan menambah

12
NaOH dan dipanaskan. Gas amonia akan dihasilkan dan diteruskan pada
kondensor air
3. Ammonium estimation : Karena konsentrasi amonia sebanding dengan
kandungan nitrogen dalam sampel, penentuan amonia yang baik adalah
penting. Metode yang paling umum digunakan adalah titrasi
Ilustrasi metode Kjeldahl dapat dilihat pada Gambar 5 (Munoz-Huerta et al.
2013). Metode Kjeldahl memiliki beberapa kelemahan diantaranya metode ini
hanya dapat mengukur kadar nitrogen dalam komponen organik (protein, asam
amino, asam nukleat dan lain-lain) sehingga tidak dapat mengukur nitrogen dalam
bentuk nitrat atau nitrit (Munoz-Huerta et al. 2013).

Gambar 5 Metode Kjeldahl (Munoz-Huerta et al. 2013).
Metode tissue analysis memiliki beberapa kelemahan diantaranya biaya dan
waktu yang cukup besar (Zebart 2009). Oleh karena itu dapat dilakukan metodemetode lain yang lebih efisien diantaranya klorofil meter yang didasarkan pada
hubungan nitrogen dengan nilai klorofil contohnya Soil Plant Analysis
Development (SPAD) dan bagan daun, Penerapan citra satelit untuk estimasi
kadar nitrogen, hingga estimasi kadar nitrogen berdasarkan kandungan ion yang
ada pada zat tersebut seperti kadar ion yang ada pada getah tanaman

13

3 METODE
Data dan Alat
Data
Data yang akan digunakan pada penelitian ini adalah data nitrogen yang
diperoleh dari uji lab dan data spectral reflectance pada panjang gelombang 700
nm – 1075 nm dari spektrometer. Objek data pada penelitian ini adalah tanaman
padi yang berlokasi di desa Cinangneng, Bogor dan lahan percobaan IPB,
Dramaga, Bogor.
Spesifikasi alat
Spektrometer yang digunakan pada penelitian ini merupakan spektrometer
dari Lembaga Penerbangan dan Antariksa Nasional (LAPAN). Spektrometer yang
digunakan adalah Handheld II yang diproduksi oleh sebuah perusahaan USA yang
bernama ASD inc. Adapun spesifikasi dari Handheld II antara lain:
 Wavelength Range: 325-1075 nm
 Wavelength Accuracy ±1 nm
 Noise Equivalence Radiance (NEdL): Standard: 5x10-9W/cm2/nm/sr
@ 700 nm, Pro: 5x10-10W/cm2/nm/sr @ 700 nm
 Integration Time: 8.5 ms minimum (selectable)

Gambar 6 Spektrometer (Handheld 2)

14

Tahapan Penelitian
Penelitian ini dilakukan dalam beberapa tahap. Adapun tahapan penelitian
ini dapat dilihat pada Gambar 7.
Pengambilan
Data

Regresi linier

Praproses
Data

Data
Training

Data
Training

Reduksi
Data (PCA)

Pemodelan
ANN

Pemodelan
Regresi Linier
Data
Testing

Model
Regresi Linier

ANN

Reduksi
Data (PCA)

Model
ANN

Data
Testing

Evaluasi
ANN

Evaluasi
Regresi
Linier
Gambar 7 Tahapan penelitian
Pengambilan Data
Pada penelitian ini dilakukan 2 tahapan pengambilan data yaitu
pengambilan data spectral reflectance menggunakan spektrometer dan
pengambilan data nitrogen dengan uji lab. Data yang digunakan pada penelitian
ini sebanyak 45 data yang diambil di 2 wilayah berbeda yaitu Desa Cinangneng
Bogor dan area percobaan IPB Dramaga, Bogor. Satu data merepresentasikan satu
area sawah. Dalam satu area dipilih 3 titik sampel secara acak untuk diukur nilai
spectral reflectance daun dan kadar nitrogennya.

Pengambilan data spectral reflectance
Pengambilan data spectral reflectance menggunakan spektrometer dibantu
oleh Lembaga Penerbangan dan Antariksa Nasional (LAPAN). Alat yang

15
digunakan adalah Handheld II Spectoradiometer. Proses pengukuran reflectance
dapat dilihat pada Gambar 8. Pengukuran diawali dengan kalibrasi alat
menggunakan white reference. Setiap titik sampel diambil 3 daun untuk diukur
nilai spectral reflectance nya dan diulang sebanyak 3 kali. Setelah pengukuran
selesai, sampel yang sudah diukur dimasukan ke dalam plastik dan simpan ke
dalam coolbox untuk menjaga proses metabolisme daun selama proses
pengambilan data.
Grafik nilai spectral reflectance
Sampel yang diulang sebanyak
3 kali pengambilan
Kalibrasi alat
menggunakan white
reference

Pengukuran reflectance 3 helai
daun per rumpun

Gambar 8 Ilustrasi pengambilan data
Pengambilan data nitrogen
Pengambilan data nitrogen dengan uji lab dibantu oleh laboratorium
Departemen Agronomi, IPB. Metode yang digunakan adalah Metode Kjeldhal
dikarenakan metode ini dapat mengukur kadar nitrogen organik sehingga sangat
cocok digunakan untuk mengukur kadar nitrogen tanaman padi. Sampel daun
dikeringkan dengan oven bersuhu 70 o C selama 24 jam. Setelah dikeringkan,
sampel dihaluskan dan ditimbang hingga mencapai 0,25 gram per sampel. Ada
tiga tahapan metode Kjeldahl : destruksi, distilasi, dan titrasi. Ilustrasi pengukuran
kadar N dapat dilihat pada Gambar 9.
Pada Gambar 9, proses destruksi dimulai dengan pemberian katalis pada
sampel untuk mempercepat reaksi. Setelah itu, sampel dicampur dalam larutan
H2S04 sebanyak 3 mL. Larutan dipanaskan hingga mencapai suhu 2500 C. Hasil
akhir proses destruksi adalah larutan amonium sulfat. Pada proses distilasi, larutan
amonium sulfat dipecah menjadi gas amonia dengan mencampurkan larutan
NaOH 40% dan H2O sebanyak 10 mL. Setelah itu larutan didestilasi hingga
membentuk larutan berwarna kehijauan. Larutan dititrasi dengan H2S04 hingga
berwarna merah muda. Setelah semua proses dilakukan, kadar N dapat diukur

16
2

1

Sampel yang
sudah ditimbang

1

Penambahan
larutan H2SO4

Penambahan
larutan NaOH

Penambahan
katalis
2

4

3

1

Pemanasan
larutan

Proses destruksi

2

Sebelum titrasi

Titrasi

3

Destilasi

Setelah titrasi

Proses destilasi

Proses titrasi

Gambar 9 Ilustrasi pengambilan data nitrogen
Praproses Data
Pada tahap praproses, dilakukan average composite dari 3 titik sample
pada setiap area sawah menjadi 1 data spectral reflectance rata-rata. Ilustrasi
proses average composite dapat dilihat pada Gambar 10. Setelah diperoleh 45 data
spectral reflectance hasil average composite. Data tersebut dibagi menjadi 2
kelompok yaitu 30 data training dan 15 data testing. Proses pemilihan data
training dan data testing dilakukan menggunakan K-fold cross validation. K-fold
cross validation digunakan untuk melihat peforma dari classifier. Pada penelitian
ini jumlah fold yang digunakan adalah 3 fold. Masing-masing fold terdiri dari 30
data training dan 15 data testing

Rata-rata 3 spectral
reflectance

Rata-rata 3 spectral
reflectance
Rata-rata dari rata-rata
spectral reflectance 3
rumpun
Rata-rata 3 spectral
reflectance

Gambar 10 Ilustrasi average composite
Tahap selanjutnya data akan diproses secara berbeda berdasarkan metode
pemodelan yang digunakan. Pemodelan nitrogen dilakukan dengan 2 metode yaitu
pemodelan menggunakan regresi linier dan pemodelan menggunakan ANN.

17
Reduksi Data
Sebelum dilakukan pemodelan menggunakan regresi linier, data terlebih
dahulu direduksi menggunakan Principal Component Analysis (PCA). Komputasi
akan sangat komplek pada regresi linier jika data tidak direduksi terlebih dahulu
karena variabel x yang digunakan adalah nilai spectral reflectance dari panjang
gelombang 700 nm – 1075 nm. Proses PCA dilakukan harapannya agar diperoleh
pemodelan dengan komputasi yang cepat dan sederhana.
Proses reduksi data menggunakan PCA dilakukan sebanyak 2 tahap di
setiap dataset. Proses, pertama dilakukan reduksi terhadap data training dan
proses kedua, dilakukan reduksi terhadap data testing
Pemodelan Nitrogen
Regresi Linier
Pada tahap ini, data training yang telah direduksi menggunakan PCA akan
diproses untuk mendapatkan fungsi hubungan antara kadar nitrogen dengan nilai
spectral reflectance NIR. Persamaan (4) digunakan untuk menentukan fungsi
hubungan antara nilai nitrogen dan NIR. Variabel Y dan X menyatakan kadar
nitrogen dan nilai NIR hasil PCA, sedangkan
,
, ,…,
merupakan
koefisien dari regresi linier, sedangkan n menyatakan jumlah fitur yang digunakan.
Artificial Neural Network (ANN)
Pada tahap ini dilakukan estimasi kadar nitrogen menggunakan ANN.
Model ANN terdiri dari input layer, hidden layer, dan output layer. Input layer
merepresentasikan nilai spectral reflectance dari tanaman padi, sedangkan output
layer menyatakan kadar nitrogen dari tanaman padi. Jumlah hidden layer akan
ditentukan dengan metode try and error. Ilustrasi arsitektur ANN yang digunakan
pada penelitian ini dapat dilihat pada Gambar 11
1
v

1
v

….
..

….
..

376
.

n

Input Layer
376 Neuron

Hidden Layer
Try and error
method

1

Output Layer
1 Neuron

Gambar 11 Arsitektur Model ANN
Semakin kecil tingkat error yang dihasilkan maka semakin tepat jumlah
hidden layer yang telah didefinisikan. Fungsi aktivasi yang digunakan adalah
fungsi sigmoid bipolar dengan Persamaan (18). Pada penelitian ini dilakukan 2

18
skema pemodelan ANN yaitu skema 1 pemodelan antara spectral reflectance NIR
(700nm – 1075nm) dengan nitrogen dan skema 2 pemodelan antara spectral
reflectance NIR dan VIS (400nm – 1075nm) dengan nitrogen.
Evaluasi
Evaluasi dilakukan dengan melakukan uji kesesuaian antara nilai nitrogen
hasil uji lab dengan nilai nitrogen dari model ANN. Adapun metode yang
digunakan dalam uji kesesuaian adalah Root Mean Square Error (RMSE)
menggunakan persamaan (26). Semakin besar RMSE, maka semakin tidak akurat
model yang dihasilkan. Untuk menentukan model yang terbaik, nilai RMSE akan
dirata-rata pada setiap fold. Evaluasi juga dilakukan dengan membandingkan nilai
RMSE dari pemodelan regresi linier dengan nilai RMSE dari pemodelan ANN
untuk memperoleh pemodelan yang lebih baik untuk estimasi kadar nitrogen.

19

4 HASIL DAN PEMBAHASAN
Karakteristik spectral reflectance daun
Pola spectral reflectance daun dari panjang gelombang 400 nm - 1075 nm
dapat dilihat pada Gambar 12. Jika dilihat dari grafik, nilai spectral reflectance
dapat dibagi menjadi 2 area yaitu gelombang visible (VIS) dari panjang
gelombang 400 nm -700 nm dan area near infrared (NIR) dari panjang
gelombang 700 nm -1075 nm. Nilai spectral reflectance terendah terdapat pada
panjang gelombang 400 nm - 500 nm (kanal biru) dan pada panjang gelombang
620nm - 680nm (kanal merah). Hal ini dikarenakan klorofil akan menyerap
gelombang biru dan merah. Semakin banyak kloforil yang terdapat pada suatu
tumbuhan, maka semakin banyak gelombang biru dan merah yang diserap
sehingga semakin kecil nilai spectral reflectance pada panjang gelombang
tersebut. Nilai spectral reflectance terlihat cukup tinggi pada panjang gelombang
500nm - 580nm (kanal hijau). Hal ini dikarenakan klorofil akan memantulkan
gelombang hijau. Semakin banyak kloforil dalam suatu tumbuhan maka akan
semakin banyak gelombang hijau yang dipantulkan sehingga menyebabkan nilai
spectral reflectance hijau semakin besar.
1.6
1.4

Nilai reflektan

1.2
1
0.8
0.6
0.4
0.2

400
426
452
478
504
530
556
582
608
634
660
686
712
738
764
790
816
842
868
894
920
946
972
998
1024
1050

0

Panjang Gelombang (nm)

Gambar 12 Karakteristik spectral reflectance daun
Nilai spectral reflectance sangat tinggi pada panjang gelombang 700nm –
1075nm (kanal NIR). Hal ini dikarenakan NIR tidak diperlukan oleh klorofil lagi
sehingga dominan akan dipantulkan. Akan tetapi, NIR sangat erat kaitannya
dengan struktur molekul pada tumbuhan. Semua bahan organik terdiri dari atom
karbon, oksigen, hidrogen, nitrogen, fosfor, sulfur, dengan sejumlah kecil elemen
lain. Atom-atom ini akan berkombinasi melalui ikatan kovalen dan elekrokovalen
membentuk molekul. Karena sifat ikatannya, gaya elektrostatik ada dalam atom

20
dan molekul tersebut sehingga atom dan molekul akan bergerak secara konstan.
Molekul akan bervibrasi pada gelombang NIR sehingga gelombang NIR akan
diabsorpsi (Lillesand dan Kiefer 1997). Semakin banyak molekul organik yang
ada dalam suatu objek semakin banyak NIR yang akan diserap sehingga nilai
spectral reflectance nya semakin kecil. Dalam penelitian ini molekul organik
dapat berupa kadar air, kadar nitrogen dan lain-lain.
Sebaran Data Nitrogen

Kadar Nitrogen (%)

Sebaran data nitrogen yang diperoleh dari proses pengambilan data hasil
uji lab dapat dilihat pada Gambar 13. Dari grafik dapat dilihat bahwa dominan
sebaran data kadar nitrogen tersebar antara 2.0% - 3.0%. Hal ini dikarenakan
variasi data yang sangat minim baik dari segi lokasi, umur, dan jenis tanaman.
Terutama sampel yang ada di area percobaan IPB yang dominan memiliki umur
dan jenis tanaman yang hampir sama.
4.5
4
3.5
3
2.5
2
1.5
1
0.5
0
1

6

11

16

21

26

31

36

41

46

sampel ke

Gambar 13 Sebaran data nitrogen
Sebelum dilakukan proses pemodelan nitrogen. Data dibagi menjadi 2
bagian yaitu data training dan data testing dengan menggunakan 3-fold cross
validation. Dalam proses ini, data terlebih dahulu dikelompokkan ke dalam 3
kategori berdasarkan rentang nilainya. Masing-masing kategori akan dibagi
menjadi menjadi data training dan data testing sesuai dengan Tabel 1. Proses ini
dilakukan karena data yang diperoleh sangat terbatas baik dari segi kualitas dan
kuantitas sehingga perlu dilakukan pengkategorian data untuk mencegah dominasi
data pada area tertentu dan selanjutnya dilakukan 3-fold cross validation untuk
mencegah underfitting .
Underfitting merupakan masalah terbesar dalam proses pemodelan.
Underfitting merupakan kondisi yang hanya menghasilkan pemodelan yang baik
pada data yang ditraining saja, sedangkan jika digunakan data lain hasil yang
diperoleh belum tentu menghasilkan pemodelan yang baik. Hal ini dapat terjadi
dikarenakan model yang terlalu besar, jumlah observasi data yang terlalu sedikit,
jumlah variabel input yang terlalu sedikit, dan kualitas data (Srivantava et al.
2014).

21

Tabel 1 Kategori nilai nitrogen
Kategori
1
2
3

Rentang
Nilai

1 - 2.5
2.5 - 3.0
3.0 - 4.25
TOTAL

Jumlah
sample

Jumlah data
training

Jumlah Data
Testing

18
18
9
45

12
12
6
30

6
6
3
15

Evaluasi data

1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0

sample 16
sample 18

400
443
486
529
572
615
658
701
744
787
830
873
916
959
1002
1045

spektral reflektan

Pada penelitian ini, ditemukan beberapa sampel yang memiliki nilai
nitrogen yang sama namun memiliki perbedaan nilai spectral reflectance yang
cukup signifikan. Gambar 14 menunjukkan nilai spectral reflectance dari sampel
16 dan 18 yang memiliki perbedaan nilai spectral reflectance yang cukup
signifikan, sedangkan nilai nitrogen hasil uji lab dari kedua sampel ini adalah
sama yaitu 2.82 %.

panjang gelombang (nm)

Gambar 14 Data spektral spectral reflectance sample 16 dan sample 18
Hal ini terjadi karena beberapa sebab diantaranya sudut dan jarak
pengambilan data reklektan yang tidak sama, perbedaan waktu pengambilan data
spectral reflectance dengan data nitrogen, hingga proses kalibrasi yang hanya
dilakukan setiap 10 menit.
Evaluasi Principal Component Analysis
Pada penelitian ini, PCA digunakan untuk reduksi ciri data spectral
reflectance dari 700 nm – 1075 nm (376 variabel) menjadi Principal Component
(PC) yang baru. Proses PCA dilakukan pada masing-masing fold. Hasil dari
proses PCA dapat dilihat pada Tabel 2.

22

Tabel 2 Hasil proses PCA
Jumlah Principal
Component (PC)

1

2

3

Perulangan

Fold 1
Fold 2
Fold 3
Fold 1
Fold 2
Fold 3
Fold 1
Fold 2
Fold 3

Persentase
informasi
yang
dipertahankan
93%
92%
91%
97%
96%
97%
99%
99%
99%

Jumlah PC yang digunakan pada penelitian ini sebanyak 3 PC. Hal ini
dikarenakan informasi yang dipertahankan cukup signifikan hanya sampai PC ke3. Berdasarkan Tabel 2, dapat disimpulkan bahwa kemiripan data pada penelitian
ini cukup tinggi. Hal ini ditandai dengan hanya menggunakan 3 PC sudah
mewakili 99% data spectral reflectance dari 700 nm – 1075 nm.
Pemodelan Regresi Linier
Pemodelan pertama yang digunakan pada penelitian ini adalah
menggunakan regresi linier. Dari pemodelan ini harapannya diperoleh sebuah
model prediksi kadar nitrogen menggunakan nilai spectral reflectance dengan
komputasi yang sangat sederhana sehingga diperoleh hasil prediksi yang cepat.
Pada penelitian ini dilakukan 3 skema pemodelan yang masing-masingnya
diulang sebanyak 3 kali (3 fold). Skema tersebut dibagi berdasarkan jumlah fitur
baru yang digunakan pada pemodelan regresi linier. Skema pemodelan dan hasil
evaluasinya dapat dilihat pada Tabel 3. Metode evaluasi yang digunakan pada
penelitian ini adalah metode RMSE. Semakin tinggi nilai RMSE yang dihasilkan
suatu model, maka semakin buruk pemodelan tersebut. Sebaliknya semakin kecil
nilai RMSE yang dihasilkan suatu model, maka semakin baik pemodelan tersebut.
Berdasarkan hasil pada Tabel 3. Nilai RMSE yang diperoleh dari ketiga
skema tersebut cukup besar sehingga dapat dikatakan bahwa pemodelan regresi
linier untuk estimasi kadar nitrogen pada penelitian ini tidak cukup baik.
Disamping itu, Nilai RMSE setiap fold pada skema yang sama memiliki selisih
yang cukup besar. Hal ini menandakan bahwa pemodelan regresi ini tidak stabil.
Hal ini dikarenakan data yang digunakan pada penelitian ini sangat sedikit baik
dari segi jumlah data maupun keberagaman data.

23
Tabel 3 Skema pemodelan dan hasil evaluasi
Skema

Jumlah Principal
Componen (PC)

Skema
1

1

Skema
2

2

Skema
3

3

Perulangan

RMSE
pemodelan

Fold 1
Fold 2
Fold 3
Fold 1
Fold 2
Fold 3
Fold 1
Fold 2
Fold 3

0.49
0.63
0.4
0.43
0.57
0.4
0.52
0.74
0.43

RMSE
ratarata
0.5

0.46

0.56

Gambar 15 menunjukkan perbandingan antara kadar nitrogen aktual
dengan hasil estimasi skema 2 pada fold 3. Adapun fungsi yang dihasilkan adalah

Variabel x1 dan x2 menyatakan nilai NIR dari hasil reduksi PCA, sedangkan
variabel y menyatakan kadar nitrogen. Dari Gambar 15, dapat dilihat bahwa hasil
estimasi nitrogen menggunakan regresi linier sangat jauh dari nilai aktualnya.
Jumlah data menjadi faktor utama yang menyebabkan pemodelan menggunakan
regresi linier tidak cukup bagus. Disamping itu, pemodelan menggunakan fungsi
linier dengan data yang sangat terbatas masih kurang cocok untuk memprediksi
kadar nitrogen berdasarkan nilai spectral reflectance
4

Kadar nitrogen (%)

3.5
3
2.5
2

aktual

1.5

prediksi

1
0.5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
sampel ke

Gambar 15 Perbandingan kadar nitrogen aktual dengan nilai estimasi regresi linier

24
Pemodelan ANN
Peforma dari sebuah model ANN ditentukan oleh beberapa variabel
diantaranya karakteristik data dan jumlah hidden layer. Jumlah hidden layer
ditentukan menggunakan metode try-error dari 5-20 hidden layer. Pada penelitian
ini dilakukan 2 skema pemodelan yaitu skema 1 menggunakan data spectral
reflectance pada rentang 700 nm-1075 nm (saluran NIR), sedangkan skema 2
menggunakan data spectral reflectance pada rentang 400 nm – 1075 nm ( saluran
sinar tampak dan saluran NIR).
Proses evaluasi dilakukan menggunakan metode RMSE. Semakin kecil nilai
RMSE maka semakin optimal model yang dihasilkan. Berdasarkan hasil
percobaan diperoleh jumlah hidden layer yang paling optimal pada skema 1
adalah 15, 18, dan 19, sedangkan jumlah hidden layer yang optimal pada skema 2
adalah 9, 11, dan 20. Tabel 4 dan Tabel 5 menunjukkan nilai RMSE pada 3
jumlah hidden layer tersebut.
Tabel 4 Nilai RMSE pada jumlah hidden layer optimal pada skema 1
Fold
1
2
3
rata-rata

Jumlah hidden layer
15
18
19
0.29
0.32
0.33
0.34
0.33
0.36
0.2
0.18
0.15
0.28
0.27
0.28

Tabel 5 Nilai RMSE pada jumlah hidden layer optimal pada skema 2
Fold
1
2
3
rata-rata

Jumlah hidden layer
9
11
20
0.4
0.37
0.39
0.33
0.40
0.37
0.24
0.20
0.23
0.32
0.32
0.33

Berdasarkan hasil yang ditunjukkan pada Tabel 4 dan Tabel 5. Nilai RMSE
pada skema 1 lebih baik dibandingkan nilai RMSE pada skema 2. Hal ini
menunjukkan bahwa lebih banyak noise yang terdapat pada saluran sinar tampak
(400nm -700nm) yang mengakibatkan nilai RMSE lebih tinggi jika menggunakan
data pada saluran sinar tampak dan NIR (400 nm-1075nm) dibandingkan
menggunakan data pada saluran NIR (700nm-1075nm) saja
Berdasarkan hasil yang diperoleh, model yang paling optimal dihasilkan
pada skema 1 yang hanya menggunakan saluran NIR saja. Jumlah hidden layer
yang optimal yaitu sebanyak 18 node dengan tingkat RSME rata-rata sebesar 0.27.
Gambar 16 menunjukkan perbandingan antara kadar nitrogen aktual dengan hasil
estimasi model ANN menggunakan hidden layer 18 dengan dataset fold 3

25

4

Kadar nitrogen (%)

3.5
3
2.5
2

Estimasi

1.5

Aktual

1
0.5
0
1

2

3

4

5

6

7

8

9 10 11 12 13

sampel ke

Gambar 16 Perbandingan kadar nitrogen aktual dengan nilai estimasi ANN
Jika dilihat pada Gambar 16. Metode ANN dapat digunakan sebagai
estimasi kadar nitrogen tanaman padi menggunakan nilai spectral reflectance NIR
dari panjang gelombang 700 nm-1075 nm. Akan tetapi, berdasarkan hasil yang
ditunjukkan Tabel 4. Terdapat selisih nilai RMSE yang cukup besar antara setiap
fold. Hal ini menandakan bahwa data yang digunakan masih sangat sedikit baik
dalam segi jumlah maupun keberagaman sampel.
Dari hasil penelitian ini, pemodelan menggunakan ANN menghasilkan
prediksi yang jauh lebih baik dibandingkan menggunakan pemodelan regresi
linier. Hal ini dikarenakan data yang digunakan pada penelitian ini lebih cocok
menggunakan pemodelan eksponensial dibandingkan linier. Akan tetapi, hasil