Prediksi Kadar Bahan Organik Tanah denga
Seminar Nasional Informatika
Pertanian 2011
1
Prediksi Kadar Bahan Organik Tanah dengan Pengolahan Citra dan Jaringan
Syaraf Tiruan
Menggunakan Telepon
Genggam
Hermantor
o
Jurusan Teknik Pertanian dan Biosistem Fakultas Teknologi
Pertanian
Institut Pertanian Stiper
Yogyakarta
Kampus Pusat Jl. Nangka 2 Maguwoharjo, Depok, Sleman,
Yogyakarta 55283
Email :
h er_mantr@yah oo.com
Abstra
k
Bahan organik tanah walaupun kadarnya sangat rendah dalam tanah, namun
keberadaannya akan sangat berpengaruh terhadap sifat fsika dan biologi tanah. Tanah
dengan kadar bahan organik tinggi pada umumnya akan memberikan kenampakan
warna yang lebih gelap dibanding tanah dengan kadar bahan organik lebih rendah.
Karakteristik warna tanah dengan kadar bahan organik tersebut
digunakan
sebagai
dasar
untuk
memprediksi
kadar
bahan
oganik
dalam
tanah menggunakan
pengolahan citra dan jaringan syaraf tiruan.
Citra satu jenis tanah dengan berbagai kadar bahan organik dianalisis untuk
mendapatkan parameter citra, yakni : red, green, blue (RGB), hue, saturation, intensity
(HSI), mean, entropi, energi, kontras, dan homogenitas. Melalui pengujian diperoleh
lima dari sebelas parameter citra tersebut signifikan terhadap kadar bahan organik
tanah yaitu : red, green, blue, hue dan saturation. Parameter tersebut kemudian
digunakan sebagai input jaringan syaraf tiruan (JST) penjalaran balik dengan target
kadar bahan
organik
tanah.
Prediksi
kadar bahan
organik tanah dengan
menggunakan metode tersebut pada jenis tanah regosol Maguwoharjo, Sleman
memberkan hasil yang memuaskan (Hermantoro, dkk 2010).
Metode dan prosedur prediksi kadar bahan organik tersebut dikembangkan
kebih lanjut
terintegrasi pada sebuah telepon genggam dengan menggunakan bahasa pemrograman
Java 2 Micro Edition (J2ME). Dengan menggunakan sebuah telepon genggam semua
prosedur mulai dari capture citra tanah, pengolahan citra, pemilihan weight JST, dan
proses prediksi kadar bahan organik dapat dilakukan lebih cepat dan simple.
Keandalan prediksi dinyatakan dengan koefsien determinasi sebesar 93,14 %.
Kata kunci : bahan organik tanah, citra, JST, telepon
genggam
PENDAHULU
AN
Tanah terbentuk dari pencampuran berbagai macam komponen penyusun yang
apabila dinyatakan dalam persen (%) volume komposisi tanah ideal adalah terdiri dari
mineral 45%, bahan organik 5%, udara 20-30%,
Walaupun
komposisi
bahan
dan air 20-30%
organik paling kecil dibanding
bahan
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
(Sutanto,
2005).
lainnya namun
Seminar Nasional Informatika
2
Pertanianorganik
2011
bahan
memainkan banyak peranan penting dalam tanah baik ciri fsik, kimia,
maupun biologi tanah.
Keberadaan bahan organik dalam tanah sangat dibutuhkan berkaitan dengan
kemampuan dalam memberikan produksi tanaman, seperti dinyatakan oleh beberapa ahli
(Iswandi Anas, 2007) : kemampuan
berhubungan
langsung
dengan
kadar
tanah
menghasilkan
bahan organik
produksi
(Goeswono
biomassa
Soepardi,1983).
Syekhfani (2000) menyatakan tanpa bahan organik semua kegiatan bio-kimia antara
lain peruraian hara pupuk akan terhenti, dan Iswandi Anas (2000) menyebutkan bahwa
bahan organik adalah nyawa tanah.
Keberadaan bahan organik dalam tanah sangat diharapkan, bahkan pada saat ini
terdapat
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
Seminar Nasional Informatika
Pertanian 2011
kecenderungan
3
peningkatan
penggunaan
bahan organik dalam produksi biomassa
oleh karena didorong oleh perubahan preferensi konsumen tentang produk pertanian
organik, pengembangan model pertanian khususnya pada sawah dengan model SRI
(sistem of rice intensification)
dan slogan dari Departemen Pertanian yaitu Go Organik
Farming 2010.
Implementasi dari program-program
tersebut memerlukan metode yang cepat
dan akurat dalam penentuan kadar bahan organik dalam tanah sehingga penambahan
bahan organik yang harus diberikan dapat dilakukan dengan tepat dan cepat.
Warna tanah merupakan sifat fsik tanah yang terdiri dari bermacam-macam
warna
seperti
putih,
merah,
cokelat,
abu-abu,
kuning,
hitam,
kebiruan,
dan
kekuningan. Pada umumnya warna tanah itu tidak murni tetapi campuran dua atau
tiga warna seperti campuran
coklat dan merah atau abu-abu,
coklat dan merah.
Pada satu jenis tanah dengan warna dasar tertentu terdapat kecenderungan warna
gelap menunjukkan kandungan bahan organik yang tinggi sedangkan warna yang lebih
terang mengindikasikan lebih miskin bahan organik.
Seperti dinyatakan oleh Plaster (1992) bahwa pengukuran kadar bahan organik
dalam tanah dapat dilakukan dengan membandingkan
warna tanah dengan warna
standar yang telah diketahui kadar bahan organiknya. Cara lain pengukuran kadar bahan
organik adalah melalui analisa di laboratorium dengan mengukur kadar karbon-organik
dalam contoh tanah.
Perkembangan teknologi pengolahan citra digital (digital image process) dan
jaringan syaraf tiruan (artificial neural network) memungkinkan untuk prediksi kadar
bahan
organik
tanah dilakukan berdasarkan parameter citra secara kuantitatif dengan
lebih akurat. Penggunaan telepon genggam akan sangat membantu dalam kecepatan dan
kesederhanaan
prediksi kadar bahan organik tanah
berdasarkan
parameter
citra
tersebut.
TUJUA
N
Penelitian
organik
ini bertujuan
tanah menggunakan
untuk
membangun
pengolahan
metode
citra digital
prediksi
terintegrasi
kadar
bahan
dengan
model
jaringan syaraf tiruan. Piranti yang digunakan untuk mengambil citra, mengolah citra
dan prediksi kadar bahan organik adalah sebuah telepon genggam.
METOD
E
Bahan dan alat : beberapa jenis tanah basis warna di DIY, bahan organik, camera
digital, komputer, timbangan digital, saringan tanah, dan telepon genggam dengan
SO Andorid, bahasa J2ME.
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
Seminar Nasional Informatika
Pertanian 2011
4
Model warna dalam pengolahan
citra
Model warna telah banyak dikembangkan
oleh para ahli diantaranya
adalah
model warna RGB dan model warna Hue, Saturation, dan Intensity (HSI). Pengolahan
warna menggunakan warna RGB mudah dan sederhana karena informasi warna dalam
komputer sudah dikemas dalam model
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
Seminar Nasional Informatika
Pertanian 2011
3
yang sama. Hal yang perlu dilakukan adalah melakukan pembacaan nilai-nilai red (R),
green (G), dan blue (B) pada suatu piksel, menampilkan
hasil
perhitungan
dan menafsirkan
warna
tadi sehingga mempunyai arti sesuai dengan yang diinginkan
(Ahmad, 2006).
Untuk mengeliminasi pengaruh penerangan yang berbeda-beda pada
pengambilan obyek
adalah dengan melakukan normalisasi, dengan cara sebagai
berikut :
R
r
(1)
R G
B
g
G
R G
B
b
B
R G
B
(2)
(3)
Model warna HSI yang merupakan model yang paling sesuai dengan manusia.
Nilai Hue menyatakan
Hue
digunakan
warna
sebenarnya,
seperti
merah,
violet,
dan
kuning.
untuk membedakan warna-warna dan menentukan kemerahan
(redness), kehijauan (greenness), dan lain sebagainya.
Saturation
Nilai
tingkat kemurnian warna cahaya, yaitu mengidentifikasikan
meyatakan
seberapa banyak warna
putih diberikan pada warna. Sebagai contoh, jika warna merah adalah 100% warna
jenuh maka pink adalah warna merah dengan tingkat kejenuhan rendah (karena ada
warna putih di dalamnya). Sedangkan nilai Intensity menyatakan banyaknya cahaya
yang diterima oleh mata tanpa mempedulikan warna. Kisaran nilainya antara gelap
(hitam) dan terang (putih).
Analisis Tekstur Pada Citra Digi tal
Tekstur adalah sifat-sifat atau karakteristik yang dimiliki oleh suatu daerah yang
cukup luas sehingga
tersebut.
secara
alami
sifat-sifat
tadi
dapat
berulang
dalam
wilayah
Dalam kata lain adalah keteraturan pola-pola tertentu yang terbentuk dari
susunan piksel-piksel citra digital (Munir dan Rinaldi. 2004).
Kegunaan analisis tekstur sangat banyak dalam tugas visual seperti pemeriksaan
permukaan, orientasi permukaan yang berhubungan dengan sifat kasar atau halus,
pengelompokan objek, dan penentuan
sifat-sifat
citra
yang
berkaitan
bentuk objek. Informasi
tekstur menyangkut
dengan lokasi, histogram satu dimensi tidak dapat
digunakan untuk analisis karakteristik tekstur. Metode statistik dalam analisis tekstur
digunakan
matrik
co-occurrence
(matrik
keterkaitan
2
dimensi), agar dapat
menangkap keterkaitan lokasi nilai-nilai intensitas yang mempunyai arti penting dalam
tekstur. Beberapa sifat statistik dalam analisis tekstur : Mean, menunjukkan rata-rata
intensitas citra
keteracakan
abu-abu
dari
(gray
scale);
Entropi
digunakan
untuk
mengukur
distribusi intensitas; Energi, untuk mengukur kosentrasi pasangan
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
Seminar Nasional Informatika
4
Pertanian 2011
intensitas
pada matrik co-occurrance; Kontras, digunakan untuk mengukur kekuatan
perbedaan intensitas dalam citra; Homogenitas, untuk mengukur kehomogenan variasi
intensitas dalam citra.
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
Seminar Nasional Informatika
Pertanian 2011
5
Jaringan
Syaraf
Tiruan
Jaringan syaraf tiruan atau Artificial Neural Network merupakan suatu struktur
komputasi yang dikembangkan berdasarkan
dalam
otak.
(biological
proses sistem jaringan
Jaringan syaraf tiruan merupakan penjabaran
neuron ) dalam bentuk fungsi matematika
syaraf
biology
fungsi otak manusia
yang
menjalankan
proses
perhitungan secara paralel (Ashish, 2002). Sementara itu Pham (1995) menyatakan
bahwa JST bersifat fleksibel terhadap masukan data dan menghasilkan respon yang
konsisten. Jaringan yang terdiri dari beberapa lapisan (multilayer) dapat menunjukkan
kapabilitasnya
yang
sempurna
untuk
Pembelajaran JST dapat menyelesaikan
memecahkan
berbagai
permasalahan.
perhitungan paralel untuk tugas-tugas yang
rumit, seperti prediksi dan pemodelan; klasifkasi dan pola pengenalan; pengklasteran;
dan optimisasi.
Menurut Toth et al.(2002) JST pada dasarnya tersusun dari tiga lapisan yaitu:
(input layer),
lapisan masukan
lapisan
(hidden layer),
tersembunyi
dan lapisan
(output layer). Pada masing-masing lapisan terdapat node yaitu suatu unit
keluaran
dengan node
pada lapisan
berikutnya, hubungan antar node diekspresikan oleh suatu bilangan
yang disebut
komputasi
yang paling sederhana dan dihubungkan
pembobot
(weight).
Setiap node pada lapisan
masukan
menjadi
masukan pada
lapisan berikutnya sampai akhirnya pada lapisan keluaran.
Dibike et al. (1999) menyatakan bahwa JST adalah struktur matematik yang
fleksibel dan mampu untuk mengidentifikasi
hubungan non-linear yang rumit antara
masukan dengan keluaran suatu set data. Fu (1994) menyatakan
dasar
panah
teori
grafs
(arrow).
Neural
Sebuah
Network digambarkan
node
menandakan
sebagai
node dan
satu
sebuah neuron,
bahwa
dan
tanda
konsep
tanda
panah
merupakan simbol dari arah proses antar neuron. Sifat dinamis dari Neural Network
dapat digambarkan secara matematis dan proses kerjanya dapat dilakukan dengan digital
komputer maupun analog komputer, tergantung dari jenis datanya.
Dinyatakan oleh Fu (1994) bahwa Neural Network mampu menyelesaikan
masalah secara
self-learning dan self-organization, mempunyai potensi menyederhanakan mekanisme
perhitungan pada neuron tunggal. Kelebihan sistem perhitungan Neural Network meliputi
:
1. Mampu menggeneralisasi, abstraksi, ekstraksi sifat-sifat statistik
dari data.
2.
Mampu menciptakan
organ ization.
3.
Mampu
processing).
menghitung
4.
Mampu
secara baik.
mereduksi
sistem kerja secara selfsecara paralel (parallel-distributed
tingkat
kesalahan
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
Seminar Nasional Informatika
Pertanian 2011
6
Model JST sudah diterapkan pada berbagai disiplin ilmu dan hasilnya memuaskan.
Dedecker
et al. (2002) menerapkan
menggunakan
JST untuk prediksi komunitas makro invertebrata
sungai
120 set data dengan 15 variabel lingkungan. Ashish (2002) menggunakan JST untuk
klasifkasi penggunaan lahan dari foto udara. Penggunaan JST secara luas di bidang
pemodelan agroekologi dilaporkan oleh Schultz, et al. (2000).
Perkembangan teknologi pengolahan citra digital dengan menggunakan komputer
dapat dihasilkan
kualitas citra sesuai dengan kebutuhan
dan diperoleh
parameter
citra bahan organik dalam tanah. Hubungan antara parameter citra dengan kadar
bahan organik tersebut secara
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
Seminar Nasional Informatika
Pertanian 2011
7
kuantitatif dianalisis menggunakan pendekatan jaringan syaraf tiruan untuk
memperoleh besarnya kadar bahan organik tanah.
Langkah-langkah penelitian prediksi kadar bahan organik tanah seperti
disajikan pada
Gambar 1.
Gambar 1. Diagram alir penelitian
HASIL PENELITIAN DAN
PEMBAHASAN Parameter citra
Proses pengolahan citra digital dilakukan untuk memperoleh parameter citra,
yakni : red (R), green (G), dan blue (B), Hue, Saturation, Intensity, Mean, Entropi, Energi,
Kontras, dan Homogenitas. Keluaran dari pengolahan citra seperti pada Tabel 1.
Tabel 1. Parameter citra hasil pengolahan citar digital
Kadar
BO
hasil
Red Green Blue Hue
analisis
lab (%)
0.398 0.392 0.349 0.259 41.31
9
0.656 0.384 0.348 0.268 42.56
1
0.914 0.387 0.346 0.267 40.24
8
1.112 0.392 0.344 0.264 38.42
3
Satur
a tion
0.221
0.197
0.199
0.208
Inten
sity
126.23
8
132.74
4
132.68
5
135.96
9
Mean
Energy
Cont
ras
Homoge
nity
Entropy
7.876 0.355
0.269
0.871
0.646
8.282 0.166
0.429
0.811
0.936
8.270 0.188
0.324
0.848
0.883
8.476 0.104
1.092
0.683
1.134
Parameter citra tersebut kemudian digunakan sebagai masukan (input layer)
pada model
JST dengan target keluaran (output layer) kadar bahan organik tanah pada
Model JST untuk Prediksi Kadar BO Tanah
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
Seminar Nasional Informatika
Pertanian 2011
6
Melalui langkah training dan test diperoleh mdel JST terbaik adalah 5-6-1 ( lapisan
input 5 note, lapisan tersembunyi 6 node, dan lapisan keluaran 1 note), dengan leaning
rate 0,9 dan momentum
0,8. Keandalan prediksi dinyatakan dengan koefisien determinasi 93,14 %. Arsitektur
JST seperti
pada Gambar 2.
Wji
Wkj
Red .........>
Green .......
>
Blue ........>
Hue ........>
Saturation..
>
Output layer
Input layer
Hidden
layer
Gambar 2. Arsitektur backpropagation JST untuk kadar BO tanah
Prediksi BO dengan Telepon Genggam
Pada penelitian
ini prosedur
prediksi kadar bahan organik dapat dilakukan
terhadap tanah yang sudah tersimpan dalam fle atau dapat juga dilakukan pada tanah
langsung diambil imagenya dengan camera telepon genggam. Diagram alir prosedur
seperti disajikan pada Gambar 3.
LOAD ANN-TANAH
PILIH WEIGHT
PANGGIL FILE
AMBIL FOTO
PROSES PREDIKSI
HASIL PREDIKSI BO
TANAH
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
Seminar Nasional Informatika
Pertanian 2011
Gambar 3. Diagram alir prosedur prediksi kadar bahan organik tanah
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
7
Seminar Nasional Informatika
Pertanian 2011
7
Proses pengambilan citra tanah, analisis pengolahan citra dan prediksi kadar bahan
organik dengan JST dilakukan melalui sebuah telepon genggam dengan sistem operasi
Android. Menu yang ditampilkan
image dari fle, photo
digunakan untuk
telepon genggam, weight
pengolahan
citra dan
pada view
screen
terdiri
pengambilan
fle
untuk
pengambilan
citra langsung
dari camera
untuk memanggil fle weight JST, proses
prediksi
dengan
JST,
dan Tutup
untuk analisis
untuk mengakhiri operasi.
Tampilan screen pada sebuah telepon genggam seperti disajikan pada Gambar
4.
a. Menu operasi pada screen
b. Hasil eksekusi proses prediksi
Gambar 4. Tampilan screen proses prediksi kadar bahan
organik tanah
KESIMPULAN
1. Prediksi kadar bahan organik dapat dilakukan berdasarkan citra melalui
pengolahan citra terintegrasi dengan model JST
2. Penggunaan sebuah telepon genggam akan mempermudah dan mempercepat
proses prediksi
kadar bahan organik tanah
DAFTAR PUSTAKA
Ahmad, usman. 2005. Pengolahan citra digital dan pemrogramannya. Graha ilmu.
Seminar Nasional Informatika
Pertanian
2011
Yogyakarta.
Budi Laksono Putro dan Dedi Rahman Wijaya, 2009. J2ME Mobile Application. Penerbit
Politeknik
Telkom Bandung.
8
Seminar Nasional Informatika
Pertanian 2011
9
Dibike, Y.B., and D.P.Solomatine. 1999. River Flow Forcasting Using Artificial Neural
Networks.
Http://www.ihe.nl/hi/sol /papers/EGS99-ann riverflow.pdf [3 Agustus 2003]:13p
Fu, L.M. 1994. Neural Network in Computer Intelligence. Mcgraw-Hill,Inc. New York. 459p
Iswandi Anas, 2007. Peran Limbah Bioetanol dalam Pembuatan Pupuk Mixed-G untuk
Peningkatan Produktivitas Gula di PG RNI. Makalah Konverensi Nasional 2007.
Pemanfaatan Hasil Samping Industri Biodiesel dan Etanol. Jakarta
Munir dan Rinaldi. 2004. Pengolahan citra digital. Informatika Bandung. Bandung.
Moshou, D., Vrindts, E., De Ketelaere, B., De Baerdemaeker, J., and Ramon, H., 2001. A
neural network based plant classifer, Comput. Electron. Agric. 31 (1), 5-16.
Paola, J. D. And Schowengerdt, R. A., 1995. A detailed comparison of neural
network and maximum likelihood classifers for urban land use classifcation, IEEE
Trans. Geosci.Remote Sensing 33 (4), 981-996.
Patterson, D. W. 1996. Artificial Neural Networks Theory and Application. Printice Hall.
New York. Pham, D.T. 1994. Neural Network for Chemical Engineers. Elsevier Press.
Amsterdam.
Plaster, E.j. 1992. Soil Science and Management. Second edition. Delmar Publisher
Inc. Albany,
New York.
Rudiyanto dan budi i. Setiawan. 2004. Backpropogation
artifcial neural
netwoks.
Lu pu sae@yahoo.com dan budindra@ipb.ac.id.
Sutanto, Rachman. 2005. Dasar-dasar ilmu tanah : konsep dan kenyataan. Kanisius.
Yogyakarta. Toth, E., Brath H. 2002. Flood Forcasting Using Artificial Neural
Networks in Black-Box and
Conseptual Rainfaal-Runoff Modelling. Http://www.iemss. org/
iemss2002/ proceedings/pdf/volu me%20ue/370_toth.pdf
UCAPAN TERIMAKASIH
Pada kesempatan ini disampaikan terima kasih kepada DP2M DIKTI Kementerian
Pendidikan
Nasional Republik Indonesia yang telah memberikan hibah dana penelitian Hibah
Bersaing tahun
2010-2011.
Pertanian 2011
1
Prediksi Kadar Bahan Organik Tanah dengan Pengolahan Citra dan Jaringan
Syaraf Tiruan
Menggunakan Telepon
Genggam
Hermantor
o
Jurusan Teknik Pertanian dan Biosistem Fakultas Teknologi
Pertanian
Institut Pertanian Stiper
Yogyakarta
Kampus Pusat Jl. Nangka 2 Maguwoharjo, Depok, Sleman,
Yogyakarta 55283
Email :
h er_mantr@yah oo.com
Abstra
k
Bahan organik tanah walaupun kadarnya sangat rendah dalam tanah, namun
keberadaannya akan sangat berpengaruh terhadap sifat fsika dan biologi tanah. Tanah
dengan kadar bahan organik tinggi pada umumnya akan memberikan kenampakan
warna yang lebih gelap dibanding tanah dengan kadar bahan organik lebih rendah.
Karakteristik warna tanah dengan kadar bahan organik tersebut
digunakan
sebagai
dasar
untuk
memprediksi
kadar
bahan
oganik
dalam
tanah menggunakan
pengolahan citra dan jaringan syaraf tiruan.
Citra satu jenis tanah dengan berbagai kadar bahan organik dianalisis untuk
mendapatkan parameter citra, yakni : red, green, blue (RGB), hue, saturation, intensity
(HSI), mean, entropi, energi, kontras, dan homogenitas. Melalui pengujian diperoleh
lima dari sebelas parameter citra tersebut signifikan terhadap kadar bahan organik
tanah yaitu : red, green, blue, hue dan saturation. Parameter tersebut kemudian
digunakan sebagai input jaringan syaraf tiruan (JST) penjalaran balik dengan target
kadar bahan
organik
tanah.
Prediksi
kadar bahan
organik tanah dengan
menggunakan metode tersebut pada jenis tanah regosol Maguwoharjo, Sleman
memberkan hasil yang memuaskan (Hermantoro, dkk 2010).
Metode dan prosedur prediksi kadar bahan organik tersebut dikembangkan
kebih lanjut
terintegrasi pada sebuah telepon genggam dengan menggunakan bahasa pemrograman
Java 2 Micro Edition (J2ME). Dengan menggunakan sebuah telepon genggam semua
prosedur mulai dari capture citra tanah, pengolahan citra, pemilihan weight JST, dan
proses prediksi kadar bahan organik dapat dilakukan lebih cepat dan simple.
Keandalan prediksi dinyatakan dengan koefsien determinasi sebesar 93,14 %.
Kata kunci : bahan organik tanah, citra, JST, telepon
genggam
PENDAHULU
AN
Tanah terbentuk dari pencampuran berbagai macam komponen penyusun yang
apabila dinyatakan dalam persen (%) volume komposisi tanah ideal adalah terdiri dari
mineral 45%, bahan organik 5%, udara 20-30%,
Walaupun
komposisi
bahan
dan air 20-30%
organik paling kecil dibanding
bahan
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
(Sutanto,
2005).
lainnya namun
Seminar Nasional Informatika
2
Pertanianorganik
2011
bahan
memainkan banyak peranan penting dalam tanah baik ciri fsik, kimia,
maupun biologi tanah.
Keberadaan bahan organik dalam tanah sangat dibutuhkan berkaitan dengan
kemampuan dalam memberikan produksi tanaman, seperti dinyatakan oleh beberapa ahli
(Iswandi Anas, 2007) : kemampuan
berhubungan
langsung
dengan
kadar
tanah
menghasilkan
bahan organik
produksi
(Goeswono
biomassa
Soepardi,1983).
Syekhfani (2000) menyatakan tanpa bahan organik semua kegiatan bio-kimia antara
lain peruraian hara pupuk akan terhenti, dan Iswandi Anas (2000) menyebutkan bahwa
bahan organik adalah nyawa tanah.
Keberadaan bahan organik dalam tanah sangat diharapkan, bahkan pada saat ini
terdapat
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
Seminar Nasional Informatika
Pertanian 2011
kecenderungan
3
peningkatan
penggunaan
bahan organik dalam produksi biomassa
oleh karena didorong oleh perubahan preferensi konsumen tentang produk pertanian
organik, pengembangan model pertanian khususnya pada sawah dengan model SRI
(sistem of rice intensification)
dan slogan dari Departemen Pertanian yaitu Go Organik
Farming 2010.
Implementasi dari program-program
tersebut memerlukan metode yang cepat
dan akurat dalam penentuan kadar bahan organik dalam tanah sehingga penambahan
bahan organik yang harus diberikan dapat dilakukan dengan tepat dan cepat.
Warna tanah merupakan sifat fsik tanah yang terdiri dari bermacam-macam
warna
seperti
putih,
merah,
cokelat,
abu-abu,
kuning,
hitam,
kebiruan,
dan
kekuningan. Pada umumnya warna tanah itu tidak murni tetapi campuran dua atau
tiga warna seperti campuran
coklat dan merah atau abu-abu,
coklat dan merah.
Pada satu jenis tanah dengan warna dasar tertentu terdapat kecenderungan warna
gelap menunjukkan kandungan bahan organik yang tinggi sedangkan warna yang lebih
terang mengindikasikan lebih miskin bahan organik.
Seperti dinyatakan oleh Plaster (1992) bahwa pengukuran kadar bahan organik
dalam tanah dapat dilakukan dengan membandingkan
warna tanah dengan warna
standar yang telah diketahui kadar bahan organiknya. Cara lain pengukuran kadar bahan
organik adalah melalui analisa di laboratorium dengan mengukur kadar karbon-organik
dalam contoh tanah.
Perkembangan teknologi pengolahan citra digital (digital image process) dan
jaringan syaraf tiruan (artificial neural network) memungkinkan untuk prediksi kadar
bahan
organik
tanah dilakukan berdasarkan parameter citra secara kuantitatif dengan
lebih akurat. Penggunaan telepon genggam akan sangat membantu dalam kecepatan dan
kesederhanaan
prediksi kadar bahan organik tanah
berdasarkan
parameter
citra
tersebut.
TUJUA
N
Penelitian
organik
ini bertujuan
tanah menggunakan
untuk
membangun
pengolahan
metode
citra digital
prediksi
terintegrasi
kadar
bahan
dengan
model
jaringan syaraf tiruan. Piranti yang digunakan untuk mengambil citra, mengolah citra
dan prediksi kadar bahan organik adalah sebuah telepon genggam.
METOD
E
Bahan dan alat : beberapa jenis tanah basis warna di DIY, bahan organik, camera
digital, komputer, timbangan digital, saringan tanah, dan telepon genggam dengan
SO Andorid, bahasa J2ME.
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
Seminar Nasional Informatika
Pertanian 2011
4
Model warna dalam pengolahan
citra
Model warna telah banyak dikembangkan
oleh para ahli diantaranya
adalah
model warna RGB dan model warna Hue, Saturation, dan Intensity (HSI). Pengolahan
warna menggunakan warna RGB mudah dan sederhana karena informasi warna dalam
komputer sudah dikemas dalam model
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
Seminar Nasional Informatika
Pertanian 2011
3
yang sama. Hal yang perlu dilakukan adalah melakukan pembacaan nilai-nilai red (R),
green (G), dan blue (B) pada suatu piksel, menampilkan
hasil
perhitungan
dan menafsirkan
warna
tadi sehingga mempunyai arti sesuai dengan yang diinginkan
(Ahmad, 2006).
Untuk mengeliminasi pengaruh penerangan yang berbeda-beda pada
pengambilan obyek
adalah dengan melakukan normalisasi, dengan cara sebagai
berikut :
R
r
(1)
R G
B
g
G
R G
B
b
B
R G
B
(2)
(3)
Model warna HSI yang merupakan model yang paling sesuai dengan manusia.
Nilai Hue menyatakan
Hue
digunakan
warna
sebenarnya,
seperti
merah,
violet,
dan
kuning.
untuk membedakan warna-warna dan menentukan kemerahan
(redness), kehijauan (greenness), dan lain sebagainya.
Saturation
Nilai
tingkat kemurnian warna cahaya, yaitu mengidentifikasikan
meyatakan
seberapa banyak warna
putih diberikan pada warna. Sebagai contoh, jika warna merah adalah 100% warna
jenuh maka pink adalah warna merah dengan tingkat kejenuhan rendah (karena ada
warna putih di dalamnya). Sedangkan nilai Intensity menyatakan banyaknya cahaya
yang diterima oleh mata tanpa mempedulikan warna. Kisaran nilainya antara gelap
(hitam) dan terang (putih).
Analisis Tekstur Pada Citra Digi tal
Tekstur adalah sifat-sifat atau karakteristik yang dimiliki oleh suatu daerah yang
cukup luas sehingga
tersebut.
secara
alami
sifat-sifat
tadi
dapat
berulang
dalam
wilayah
Dalam kata lain adalah keteraturan pola-pola tertentu yang terbentuk dari
susunan piksel-piksel citra digital (Munir dan Rinaldi. 2004).
Kegunaan analisis tekstur sangat banyak dalam tugas visual seperti pemeriksaan
permukaan, orientasi permukaan yang berhubungan dengan sifat kasar atau halus,
pengelompokan objek, dan penentuan
sifat-sifat
citra
yang
berkaitan
bentuk objek. Informasi
tekstur menyangkut
dengan lokasi, histogram satu dimensi tidak dapat
digunakan untuk analisis karakteristik tekstur. Metode statistik dalam analisis tekstur
digunakan
matrik
co-occurrence
(matrik
keterkaitan
2
dimensi), agar dapat
menangkap keterkaitan lokasi nilai-nilai intensitas yang mempunyai arti penting dalam
tekstur. Beberapa sifat statistik dalam analisis tekstur : Mean, menunjukkan rata-rata
intensitas citra
keteracakan
abu-abu
dari
(gray
scale);
Entropi
digunakan
untuk
mengukur
distribusi intensitas; Energi, untuk mengukur kosentrasi pasangan
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
Seminar Nasional Informatika
4
Pertanian 2011
intensitas
pada matrik co-occurrance; Kontras, digunakan untuk mengukur kekuatan
perbedaan intensitas dalam citra; Homogenitas, untuk mengukur kehomogenan variasi
intensitas dalam citra.
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
Seminar Nasional Informatika
Pertanian 2011
5
Jaringan
Syaraf
Tiruan
Jaringan syaraf tiruan atau Artificial Neural Network merupakan suatu struktur
komputasi yang dikembangkan berdasarkan
dalam
otak.
(biological
proses sistem jaringan
Jaringan syaraf tiruan merupakan penjabaran
neuron ) dalam bentuk fungsi matematika
syaraf
biology
fungsi otak manusia
yang
menjalankan
proses
perhitungan secara paralel (Ashish, 2002). Sementara itu Pham (1995) menyatakan
bahwa JST bersifat fleksibel terhadap masukan data dan menghasilkan respon yang
konsisten. Jaringan yang terdiri dari beberapa lapisan (multilayer) dapat menunjukkan
kapabilitasnya
yang
sempurna
untuk
Pembelajaran JST dapat menyelesaikan
memecahkan
berbagai
permasalahan.
perhitungan paralel untuk tugas-tugas yang
rumit, seperti prediksi dan pemodelan; klasifkasi dan pola pengenalan; pengklasteran;
dan optimisasi.
Menurut Toth et al.(2002) JST pada dasarnya tersusun dari tiga lapisan yaitu:
(input layer),
lapisan masukan
lapisan
(hidden layer),
tersembunyi
dan lapisan
(output layer). Pada masing-masing lapisan terdapat node yaitu suatu unit
keluaran
dengan node
pada lapisan
berikutnya, hubungan antar node diekspresikan oleh suatu bilangan
yang disebut
komputasi
yang paling sederhana dan dihubungkan
pembobot
(weight).
Setiap node pada lapisan
masukan
menjadi
masukan pada
lapisan berikutnya sampai akhirnya pada lapisan keluaran.
Dibike et al. (1999) menyatakan bahwa JST adalah struktur matematik yang
fleksibel dan mampu untuk mengidentifikasi
hubungan non-linear yang rumit antara
masukan dengan keluaran suatu set data. Fu (1994) menyatakan
dasar
panah
teori
grafs
(arrow).
Neural
Sebuah
Network digambarkan
node
menandakan
sebagai
node dan
satu
sebuah neuron,
bahwa
dan
tanda
konsep
tanda
panah
merupakan simbol dari arah proses antar neuron. Sifat dinamis dari Neural Network
dapat digambarkan secara matematis dan proses kerjanya dapat dilakukan dengan digital
komputer maupun analog komputer, tergantung dari jenis datanya.
Dinyatakan oleh Fu (1994) bahwa Neural Network mampu menyelesaikan
masalah secara
self-learning dan self-organization, mempunyai potensi menyederhanakan mekanisme
perhitungan pada neuron tunggal. Kelebihan sistem perhitungan Neural Network meliputi
:
1. Mampu menggeneralisasi, abstraksi, ekstraksi sifat-sifat statistik
dari data.
2.
Mampu menciptakan
organ ization.
3.
Mampu
processing).
menghitung
4.
Mampu
secara baik.
mereduksi
sistem kerja secara selfsecara paralel (parallel-distributed
tingkat
kesalahan
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
Seminar Nasional Informatika
Pertanian 2011
6
Model JST sudah diterapkan pada berbagai disiplin ilmu dan hasilnya memuaskan.
Dedecker
et al. (2002) menerapkan
menggunakan
JST untuk prediksi komunitas makro invertebrata
sungai
120 set data dengan 15 variabel lingkungan. Ashish (2002) menggunakan JST untuk
klasifkasi penggunaan lahan dari foto udara. Penggunaan JST secara luas di bidang
pemodelan agroekologi dilaporkan oleh Schultz, et al. (2000).
Perkembangan teknologi pengolahan citra digital dengan menggunakan komputer
dapat dihasilkan
kualitas citra sesuai dengan kebutuhan
dan diperoleh
parameter
citra bahan organik dalam tanah. Hubungan antara parameter citra dengan kadar
bahan organik tersebut secara
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
Seminar Nasional Informatika
Pertanian 2011
7
kuantitatif dianalisis menggunakan pendekatan jaringan syaraf tiruan untuk
memperoleh besarnya kadar bahan organik tanah.
Langkah-langkah penelitian prediksi kadar bahan organik tanah seperti
disajikan pada
Gambar 1.
Gambar 1. Diagram alir penelitian
HASIL PENELITIAN DAN
PEMBAHASAN Parameter citra
Proses pengolahan citra digital dilakukan untuk memperoleh parameter citra,
yakni : red (R), green (G), dan blue (B), Hue, Saturation, Intensity, Mean, Entropi, Energi,
Kontras, dan Homogenitas. Keluaran dari pengolahan citra seperti pada Tabel 1.
Tabel 1. Parameter citra hasil pengolahan citar digital
Kadar
BO
hasil
Red Green Blue Hue
analisis
lab (%)
0.398 0.392 0.349 0.259 41.31
9
0.656 0.384 0.348 0.268 42.56
1
0.914 0.387 0.346 0.267 40.24
8
1.112 0.392 0.344 0.264 38.42
3
Satur
a tion
0.221
0.197
0.199
0.208
Inten
sity
126.23
8
132.74
4
132.68
5
135.96
9
Mean
Energy
Cont
ras
Homoge
nity
Entropy
7.876 0.355
0.269
0.871
0.646
8.282 0.166
0.429
0.811
0.936
8.270 0.188
0.324
0.848
0.883
8.476 0.104
1.092
0.683
1.134
Parameter citra tersebut kemudian digunakan sebagai masukan (input layer)
pada model
JST dengan target keluaran (output layer) kadar bahan organik tanah pada
Model JST untuk Prediksi Kadar BO Tanah
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
Seminar Nasional Informatika
Pertanian 2011
6
Melalui langkah training dan test diperoleh mdel JST terbaik adalah 5-6-1 ( lapisan
input 5 note, lapisan tersembunyi 6 node, dan lapisan keluaran 1 note), dengan leaning
rate 0,9 dan momentum
0,8. Keandalan prediksi dinyatakan dengan koefisien determinasi 93,14 %. Arsitektur
JST seperti
pada Gambar 2.
Wji
Wkj
Red .........>
Green .......
>
Blue ........>
Hue ........>
Saturation..
>
Output layer
Input layer
Hidden
layer
Gambar 2. Arsitektur backpropagation JST untuk kadar BO tanah
Prediksi BO dengan Telepon Genggam
Pada penelitian
ini prosedur
prediksi kadar bahan organik dapat dilakukan
terhadap tanah yang sudah tersimpan dalam fle atau dapat juga dilakukan pada tanah
langsung diambil imagenya dengan camera telepon genggam. Diagram alir prosedur
seperti disajikan pada Gambar 3.
LOAD ANN-TANAH
PILIH WEIGHT
PANGGIL FILE
AMBIL FOTO
PROSES PREDIKSI
HASIL PREDIKSI BO
TANAH
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
Seminar Nasional Informatika
Pertanian 2011
Gambar 3. Diagram alir prosedur prediksi kadar bahan organik tanah
Akselerasi Pengembangan Informatika Pertanian untuk Pemberdayaan dan Perlindungan Petani
7
Seminar Nasional Informatika
Pertanian 2011
7
Proses pengambilan citra tanah, analisis pengolahan citra dan prediksi kadar bahan
organik dengan JST dilakukan melalui sebuah telepon genggam dengan sistem operasi
Android. Menu yang ditampilkan
image dari fle, photo
digunakan untuk
telepon genggam, weight
pengolahan
citra dan
pada view
screen
terdiri
pengambilan
fle
untuk
pengambilan
citra langsung
dari camera
untuk memanggil fle weight JST, proses
prediksi
dengan
JST,
dan Tutup
untuk analisis
untuk mengakhiri operasi.
Tampilan screen pada sebuah telepon genggam seperti disajikan pada Gambar
4.
a. Menu operasi pada screen
b. Hasil eksekusi proses prediksi
Gambar 4. Tampilan screen proses prediksi kadar bahan
organik tanah
KESIMPULAN
1. Prediksi kadar bahan organik dapat dilakukan berdasarkan citra melalui
pengolahan citra terintegrasi dengan model JST
2. Penggunaan sebuah telepon genggam akan mempermudah dan mempercepat
proses prediksi
kadar bahan organik tanah
DAFTAR PUSTAKA
Ahmad, usman. 2005. Pengolahan citra digital dan pemrogramannya. Graha ilmu.
Seminar Nasional Informatika
Pertanian
2011
Yogyakarta.
Budi Laksono Putro dan Dedi Rahman Wijaya, 2009. J2ME Mobile Application. Penerbit
Politeknik
Telkom Bandung.
8
Seminar Nasional Informatika
Pertanian 2011
9
Dibike, Y.B., and D.P.Solomatine. 1999. River Flow Forcasting Using Artificial Neural
Networks.
Http://www.ihe.nl/hi/sol /papers/EGS99-ann riverflow.pdf [3 Agustus 2003]:13p
Fu, L.M. 1994. Neural Network in Computer Intelligence. Mcgraw-Hill,Inc. New York. 459p
Iswandi Anas, 2007. Peran Limbah Bioetanol dalam Pembuatan Pupuk Mixed-G untuk
Peningkatan Produktivitas Gula di PG RNI. Makalah Konverensi Nasional 2007.
Pemanfaatan Hasil Samping Industri Biodiesel dan Etanol. Jakarta
Munir dan Rinaldi. 2004. Pengolahan citra digital. Informatika Bandung. Bandung.
Moshou, D., Vrindts, E., De Ketelaere, B., De Baerdemaeker, J., and Ramon, H., 2001. A
neural network based plant classifer, Comput. Electron. Agric. 31 (1), 5-16.
Paola, J. D. And Schowengerdt, R. A., 1995. A detailed comparison of neural
network and maximum likelihood classifers for urban land use classifcation, IEEE
Trans. Geosci.Remote Sensing 33 (4), 981-996.
Patterson, D. W. 1996. Artificial Neural Networks Theory and Application. Printice Hall.
New York. Pham, D.T. 1994. Neural Network for Chemical Engineers. Elsevier Press.
Amsterdam.
Plaster, E.j. 1992. Soil Science and Management. Second edition. Delmar Publisher
Inc. Albany,
New York.
Rudiyanto dan budi i. Setiawan. 2004. Backpropogation
artifcial neural
netwoks.
Lu pu sae@yahoo.com dan budindra@ipb.ac.id.
Sutanto, Rachman. 2005. Dasar-dasar ilmu tanah : konsep dan kenyataan. Kanisius.
Yogyakarta. Toth, E., Brath H. 2002. Flood Forcasting Using Artificial Neural
Networks in Black-Box and
Conseptual Rainfaal-Runoff Modelling. Http://www.iemss. org/
iemss2002/ proceedings/pdf/volu me%20ue/370_toth.pdf
UCAPAN TERIMAKASIH
Pada kesempatan ini disampaikan terima kasih kepada DP2M DIKTI Kementerian
Pendidikan
Nasional Republik Indonesia yang telah memberikan hibah dana penelitian Hibah
Bersaing tahun
2010-2011.