PENDUGAAN HASIL TANAMAN BAYAM (Amaranthus tricolor L.) SECARA HIDROPONIK DENGAN JARINGAN SYARAF TIRUAN (ANN) Spinach’s Yield Prediction Grown in a Hydroponics System Using Artificial Neural Network

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

PENDUGAAN HASIL TANAMAN BAYAM ( Amaranthus tricolor L.) SECARA

HIDROPONIK DENGAN JARINGAN SYARAF TIRUAN (ANN)

  

Spinach’s Yield Prediction Grown in a Hydroponics System Using Artificial Neural

Network

Oleh:

  1

  

2

  1 E. Sumarni , Suroso , A. Margiwiyatno

  1 Jurusan Teknologi Pertanian, Fakultas Pertanian, Unsoed.

  2 Departemen Teknik Pertanian, Fakultas Teknologi Pertanian, IPB.

  ABSTRAK Artificial Neural Network (ANN) dapat digunakan sebagai pendugaan output dari suatu input yang tidak

diketahui hubungannya. Tujuan dari penelitian ini adalah training data dengan jaringan ANN untuk

pendugaan hasil tanaman bayam secara hidroponik berdasarkan data parameter tanaman bayam (tinggi

tanaman, jumlah cabang, dan bobot basah total). Data yang diperoleh dari pengukuran dibagi menjadi 2

kelompok yaitu 7 set data digunakan untuk training dan 5 set data digunakan untuk validasi. Validasi

mempertimbangkan nilai Standar Error of Prediction (SEP), Coefisien of Variation (CV), dan perbedaan

antara hasil pengukuran dengan penduga (d). Iterasi sebanyak 30000 kali digunakan dalam training. Hasil

validasi model jaringan syaraf tiruan berupa nilai SEP, CV dan nilai d (bias) yang rendah bagi parameter

tanaman bayam yang digunakan. Model ANN ini dapat digunakan untuk pendugaan hasil tanaman bayam

dengan hidroponik.

  Kata kunci : ANN, bayam, EC, hidroponik, iterasi ABSTRACT

  Artificial Neural Network (ANN) could be used as a tool for predicting output from input which it

relationship with the output is unknown. This research was aimed at training of the network model by using

parameter data of spinach growth (height, branch, leaf, and wet weight) grown in a hydroponics system.

Results of training were then used for predicting the spinach yield. Measurement results were divided into

two groups; 7 set of data was used for training purpose and 5 set data for validation process. Validation of

the prediction results was made by considering low value of Standard Error of Prediction (SEP), Coefficient

of Variation (CV), and difference between actual yield and predicting yield (d). For training purpose, 30000

iterations were applied. Results of validation indicated that the iterations produced low value of the SEP, the

CV, and the d for each used for predicting the yield of spinach grown in hydroponics system.

  Keywords: ANN, spinach, EC, hydroponics, iteration PENDAHULUAN

  Salah satu tujuan produksi di dalam

  greenhouse

  adalah diperoleh produk yang Budidaya secara hidoponik telah bermutu, sehat, dan dapat meningkatkan dilakukan untuk pemeliharaan tanaman pendapatan petani. Hal ini dapat dicapai yang terkontrol di dalam greenhouse dengan mengkombinasikan tingkat pro- (Devitt dan Mooriss, 1987; Nelson, 2003). duksi dan kualitas yang tinggi melalui

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

  peningkatan kualitas pengendalian ling- naman tanpa menggunakan tanah sebagai media tanamnya (Soeseno, 1998).

  Salah satu faktor penting dalam bu- didaya tanaman adalah kualitas media tanam (Biernbawn, 1992; Styer and Koranski, 1997; Fonteno et al, 1996). Sifat fisik media tanam dalam greenhouse dipengaruhi oleh bulk density (Bunt, 1988;; Hanan et al., 1981), ukuran partikel (Puustjarvi dan Robertson, 1975), dan volume media (Fonteno, 1988). Nilai EC (Electric Conductivity) yang dianjurkan untuk tanaman bayam adalah 1,4 sampai 1,8 mS/cm. Tanaman tomat nilai EC-nya 2.0 sampai 5.0; tanaman cabai 1.8 sampai 2.2; melon 2.0 sampai 2.5 ms/cm (Bunt, 1988; Devitt dan Morris, 1987; Dole and Wilkins, 1999; Hofstra dan Wukasch, 1987; Nelson, 1996; Whipker et al, 2000). Nilai pH untuk tanaman bayam berkisar 6.0 sampai 7.0 (Cooper, 1979). Konduktivitas listrik tanaman (EC) mempengaruhi metabolisme tanaman; kecepatan fotosintesis, aktivitas enzim, dan potensi penyerapan ion-ion larutan oleh akar sehingga mempengaruhi absorbsi (Haryadi, 1994).

  Penggunaan irigasi drip lebih efisien karena mampu menjaga kelembaban pada permukaan media tanam dan memaksimalkan hasil (Al-Jamal et al., 2001) pada tanaman bunga kol (Brassica

  oleracea

  L.) (Thompson et al, 2000), bayam, lettuce (Lactuca sativa L.) (Thompson dan Doerge, 1995) dan watermelon (Citrullus lanatus thumb) (Pier dan Doerge, 1995). Irigasi drip mampu mengurangi kehilangan air dan nutrisi dari media (Clinton et al, 2004).

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

  Tujuan dari penelitian ini adalah mengembangkan model untuk menduga hasil tanaman bayam secara hidroponik dengan menggunakan jaringan syaraf tiruan (ANN). Model disusun berdasarkan data pertumbuhan dan hasil tanaman bayam.

METODA PENELITIAN

  Penelitian dilakukan di rumah plastik Laboratorium Genetika Fakultas Pertanian Unsoed Karangwangkal Purwokerto.

  Waktu penelitian bulan Juli sampai Nopember 2005.

  A. Pengambilan Data Lapang

  Percobaan penanaman bayam dilakukan di rumah plastik dengan sistem hidroponik. Varietas bayam yang dicobakan Hijau, Merah, Alabama dan Lokal. Nilai EC yang diberikan 1 mS/cm (EC

  1 ), 1.5 mS/cm (EC 2 ) dan 2 (EC 3 )

  mS/cm. Sistem irigasi menggunakan

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

  layer

  Algoritma backpropagation terdiri atas beberapa langkah, yaitu inisialisasi pembobot (weight), perhitungan nilai aktivasi, perbaikan nilai pembobot (weight) dan pengulangan (iterasi) (Fu, 1994). Iterasi yang dicoba 10000 (pendugaan ANN I), 20000 (pendugaan ANN II) dan 30000 (pendugaan ANN III) untuk penduga nilai parameter hasil bayam secara hidroponik.

  Gambar 2. Model ANN untuk Menduga Hasil Bayam Secara Hidroponik

  ) pada proses generalisasi terhadap contoh data input-output baru. Model ANN untuk pendugaan hasil tanaman bayam hidroponik dapat dilihat pada Gambar 2.

  Square Error

  Data yang didapatkan dari pengukuran dibagi menjadi dua kelompok, yaitu satu set data proses training dan satu set data untuk proses validasi jaringan. Kinerja jaringan ANN dapat dinilai berdasarkan nilai RMS error (Root Mean

  , dan output layer. Data perlakuan EC dan varietas digunakan dalam proses training dan validasi ANN. Dari proses berupa tinggi tanaman, jumlah cabang, jumlah daun dan bobot basah total.

  , memakai bahasa pemrograman Visual Basic 6.0. Model ANN yang digunakan terdiri atas tiga layer yaitu input layer, hidden

  modifikasi irigasi drip. Penyaluran air

  algoritma backpropagation

  Parameter pertumbuhan tanaman dan hasil empat varietas bayam (tinggi tanaman, jumlah cabang, jumlah daun dan bobot total tanaman) dikontrol EC untuk mencari hubungan yang jelas antara faktor-faktor tersebut dengan ANN. Program ANN untuk menduga hasil pertumbuhan tanaman bayam dari perlakuan EC dan varietas dengan

  B. Penyusunan Model Jaringan Syaraf Tiruan untuk Pendugaan Hasil Tanaman Bayam Secara Hidroponik.

  Gambar 1. Budidaya bayam secara hidroponik dengan irigasi drip sistem para

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

  para

  1. Inisialisasi pembobot (weight) Pembobot dipilih secara acak, kemudian setiap sinyal input diberikan ke dalam noda pada input layer, lalu sistem

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

  k = galat output ke k

  Nilai perbaikan pembobot dapat dibuat dalam persamaan berikut: W jk (baru) = W jk (lama) + W jk ..........(8)

    .......................................(7)

  X V 

  sesuai dengan persamaan: _{i j ij}

  input layer

  Z j = fungsi sigmoid Perubahan pembobot dari hidden layer ke

  W jk = perubahan nilai pembobot W ij  = laju pembelajaran 

  ij

    .................................(6) dimana

  Z W 

  persamaan: _{j k jk}

  layer

  . Perubahan pembobot dari hidden

  rule

  V

  (baru) = Vij (lama) + V

  k

  ij (baru)=

  4. Pengulangan (iterasi) Keseluruhan proses di atas dilakukan pada setiap contoh dan dicoba

  .........(11) dengan  adalah konstanta momentum.

  jk (lama)

  X i + V

  j

  

  ........(10) V

  ij

  jk (lama)

  W

  j +

  Z

  ij (baru)=

  0-0.9. Laju pembelajaran penentu kecepatan pelatihan sampai sistem tercapai pada keadaan optimal, jika nilainya besar akan membuat jaringan melompati nilai minimum lokalnya dan akan berosilasi sehingga tidak mencapai konvergensi. Perubahan nilai pembobot setelah dilakukan penambahan konstanta momentum sesuai dengan persamaan berikut: W

  .............(9) Nilai laju pembelajaran dipilih antara

  = output dari hasil perhitungan pada jaringan Pada setiap lapisan dilakukan perubahan pembobot dengan aturan delta

  T k = nilai target yang diberikan dalam training ANN Y

  akan mengirim sinyal ke noda pada

  input

  Z f 

  1 _{ij z ij}

  1

  exp

    _{) (}

  pada setiap noda ke dalam fungsi aktivasi (fungsi sigmoid) berikut:

  ….................................(1) Apabila setiap noda pada lapisan ini telah menerima nilai net input, langkah selanjutnya adalah memasukan nilai net

   

  V X Z ₁

   ⁿ _{i ij i ij}

   

  (X i ) dengan pembobotnya (V ij ), sebagaimana dalam persamaan berikut:

  input

  2. Perhitungan nilai aktivasi Setiap noda pada hidden layer dihitung nilai net inputnya dengan cara penjumlahan seluruh hasil perkalian antara noda

  hidden layer

  

  ........................(2) dengan : konstanta fungsi sigmoid ) ( _{ij j}

  1 …....................(5) dengan

  3. Perbaikan nilai pembobot Nilai output dari setiap noda pada

  2

  Y T E ²

    ⁱⁿ _{k k k}

    

  hasil perhitungan pada jaringan dibandingkan dengan nilai target yang diberikan dengan persamaan jumlah kuadrat galat, seperti dalam persamaan:

  output layer

  …...................(4)

  Z f Z  ......................................(3)

  Y 

  1 _{jk ij W Z k}

  1

  exp

   ) (

  

   

  10000, 20000 serta 30000 iterasi. Pada iterasi 10000 merupakan model ANN

  Data pengukuran dari tiga ulangan dirata-ratakan. Selanjutnya data tersebut dibagi menjadi dua, yaitu 7 set data untuk proses training dan 5 set data untuk proses validasi. Hasil training dengan iterasi sebanyak 10000, 20000, dan 30000 diperoleh RMSE berturut-turut sebesar 3.19x10

• 03
• 03
• 2

• 03

  , 2.45x10

  , dan 2.21x10

  serta nilai pembobot. Pada tanaman cabai merah, dengan ANN diperoleh nilai RMSE sebesar 1.33093x10

  (Subrata, et

  al

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

  ., 2001). Nilai pembobot yang dihasilkan jaringan pada saat nilai error tersebut digunakan untuk pendugaan tinggi tanaman, jumlah cabang, jumlah daun dan bobot basah total tanaman bayam secara hidroponik.

    n Tk Yk RMSE / ² .............(12) dimana:

    

  baru, nilai RMSE sesuai dengan persamaan berikut (Fu, 1994):

  input-output

  pendugaan I, 20000 adalah model ANN pendugaan III. Iterasi tersebut meliputi pemberian contoh pasangan input dan output, perhitungan nilai aktivasi dan perubahan nilai pembobot (weight). Kinerja jaringan dapat dinilai berdasarkan RMSE (Root Mean Square Error) pada proses generalisasi terhadap contoh data

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

  HASIL DAN PEMBAHASAN

C. Validasi Model

  n y y d ^{n i p a}

   ⁿ _i ^{p a}

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

  2. Jumlah Cabang

  . Validasi model dilakukan dengan parameter standard error of prediction (SEP), bias (d) dan coefficient of variation (CV). Validasi model tinggi tanaman dengan ANN I, II, dan III menunjukkan bahwa model pendugaan ANN III yang terbaik. Mengingat dari validasi model tinggi tanaman ini didapat nilai dibawah 4.0 dan nilai bias mendekati nol (Marten dan Naes, 1996). Hal ini menunjukkan ANN III paling optimal untuk pendugaan tinggi tanaman bayam secara hidroponik.

  training

  Hasil training dan validasi pendugaan tinggi tanaman bayam dengan ANN I (iterasi 10000), ANN II (iterasi 20000) dan ANN III (iterasi 30000) disajikan pada Tabel 1. Validasi dilakukan terhadap data yang tidak digunakan dalam

  1. Tinggi Tanaman

  Model yang sudah dikembangkan kemudian divalidasi dengan data yang berbeda dengan data training. Kriteria yang digunakan dalam validasi adalah

  standar error

  (SEP), bias (d) dan koefisien variasi (CV) (Marten dan Naes, 1996). Kriteria model dapat dihitung dengan persamaan berikut:

   

   

  n y y SEP ₁ ²

    

  1 ) (

  y = data percobaan ŷ a = rata-rata data percobaan

  = hasil pendugaan ANN _p

  y

  Keterangan: _a

   .........................(15)

  

  x y SEP CV _a

  .....................(13)

  ) ( ..........................(14)

    ¹

  % 100

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

  22.07

  23.19 SEP 0.42722 0.16845 0.27600 d 0.67999 0.14314 0.03840

  23.20

  23.72

  24.00

  27.27

  27.34

  26.34

  27.20

  21.86

  21.54

  4. Bobot Basah Total

  22.00

  23.99

  23.95

  23.51

  23.90

  17.34

  17.16

  16.48

  17.20

  Pengukuran Pendugaan ANN I Pendugaan ANN II Pendugaan ANN III

  CV (%) 1.86884 0.73686 1.20729 Jumlah daun

  Tabel 4 adalah hasil training dan validasi pendugaan bobot basah total tanaman bayam dengan model ANN I, II dan III. Validasi dilakukan terhadap data yang tidak digunakan dalam training. Berdasarkan nilai SEP, d, dan CV nampaknya model ANN III yang sesuai. Dari validasi model ini, bobot basah total tanaman bayam didapat nilai d mendekati nol dan CV yang rendah (dibawah 5%). Hal ini menunjukkan kondisi iterasi ini yang paling optimal untuk pendugaan tinggi tanaman bobot basah total bayam secara hidroponik. Nilai yang demikian tergolong yang sesuai untuk pendugaan

  Tabel 3 menunjukkan bahwa validasi model jumlah daun tanaman bayam dengan ANN II dan III mempunyai nilai SEP, d dan CV yang sesuai. Nilai pendugaan jumlah daun bayam ini mendekati nilai hasil pengukuran yaitu ANN III, walaupun CV lebih tinggi dari ANN II, tetapi nilai tersebut masih dibawah 5%. Hal ini menunjukkan bahwa daun bayam secara hidroponik. Tabel 3. Nilai pengukuran jumlah daun tanaman bayam, pendugaan,

  36.63

  66.68 SEP 12.89883 1.23333 0.55511 d 1.90927 0.56586 0.17848 CV (%) 26.44287 2.52835 1.13799 Bobot basah total (g)

  66.89

  68.35

  66.50

  59.76

  58.67

  55.03

  60.10

  37.36

  33.27

  Tabel 4. Nilai pengukuran bobot basah total (g) tanaman bayam, pendu-gaan, SEP, d dan CV hasil ANN

  37.00

  64.47

  64.31

  63.42

  65.80

  14.91

  15.12

  16.20

  14.50

  Pengukuran Pendugaan ANN I Pendugaan ANN II Pendugaan ANN III

  SEP, d dan CV hasil ANN

  0.32695 0.30730 Jumlah cabang

  Tabel 1. Nilai pengukuran tinggi tanam-an CV hasil ANN

  12.87

  28.22 SEP 5.09744 0.85436 0.24781 d 0.89679 0.16172 0.02254 CV (%) 24.3896 4.08783 1.18590

  28.49

  28.49

  28.00

  26.16

  25.35

  22.94

  27.00

  13.04

  11.75

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

  13.00

  28.01

  27.98

  27.79

  28.00

  8.98

  9.16

  9.94

  8.50

  Pengukuran Pendugaan ANN I Pendugaan ANN II Pendugaan ANN III

  Tinggi tanaman (cm)

  model ANN III sesuai untuk pendugaan karakter jummlah cabang tanaman bayam secara hidroponik.

  0.22716 0.06000 0.01101 CV (%) 5.86223

  2.67

  2.08 SEP 0.15711 0.00876 0.00824 d

  2.08

  2.14

  2.10

  3.01

  2.98

  2.90

  3.10

  2.59

  2.71

  Tabel 2. Nilai pengukuran jumlah cabang tanaman bayam, pendugaan, SEP, d dan CV hasil ANN

  2.60

  2.22

  2.22

  2.19

  2.30

  3.31

  3.22

  2.55

  3.30

  Pengukuran Pendugaan ANN I Pendugaan ANN II Pendugaan ANN III

3. Jumlah Daun

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

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

  . NCSU plug research and information center, N.C. State Univ.

  Search of the Perfect Mix. The Systems Approach to Growing Plugs: Water Substrate, and Nutrition

  Bailey. 1996. Plug Substrates; In

  Upper Saddle River, N.J. Prentice Hall. Fonteno, W.C. 1988. Know your media, the air, water, and container connection. Grower Talks 51(11): 110-111. Fonteno, W.C., P.V. Nelson, and D. A.

  Floriculture Principles and Species .

  Dole, J., and H. Wilkins. 1999.

  Hort. Sci . (112): 951 – 955.

  Morphological response of flowering annuals to salinity. J. Amer. Soc.

  London: Grower Books. Devitt, D.A., and R.L. Morris. 1987.

  Cooper, A.J. 1979. The ABC of NFT.

  D.S. 2004. Plant population and nitrogen fertilization for subsurface drip-irigation onion. Hort Sci.: 39(7):1722-1727.

  Wageningen Pers., Wageningen. Clinton, C.S., Erik, B.G.F., and Lamont,

  Growth, Greenhouse Climate Control.

  Unwin Hymnan Ltd., London. Calla H., and Bakker, J.C. 1995. Crop

  nd Ed.

  . 2

  Container-Grown Plants

  Bunt, A.C. 1988. Media and Mixes for

  Technology 2(1):127-132.

  Biernbaum, J.A., 1992. Root zone container-grown crops to control water and fertilizer use. Hort.

  Sammis. 2001. Comparison of sprinkler, trickle and furrow irrigation efficiencies for union production. Agr. Water Mgt. (46): 256-266.

  DAFTAR PUSTAKA Al-Jamal, M.S., S. Ball, and T.W.

  Pendidikan Tinggi (DIKTI) Departemen Pendidikan Nasional atas bantuan dana untuk melaksanakan penelitian ini.

  Peneliti menyampaikan terima kasih kepada DP

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

  KESIMPULAN

UCAPAN TERIMA KASIH

3 M Direktorat Jenderal

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

  . 19(2): 99-108. Styer, R.C. and D. Koranski. 1997. Plug and Transplant Production.

  23-38. In: D.W. Robinson and J.G.D. Lamb (Eds).

  Peat in Horticulture.

  Academic Press, London. Soeseno, S. 1998. Bercocok Tanam Secara Hidroponik.

  Gramedia. Jakarta. Sofi’i, I., I.W. Astika, dan Suroso. 2005.

  Penentuan jenis cacat biji kopi dengan pengolahan citra dan Artificial Neural Network (ANN).

  Jurnal Keteknikan Pertanian

  A Grower’s Guide. Ball Publishing, Batavia, III.

  Nitrogen and water interaction in trickle-irrigated watermelon. Soil Sci. Soc. Amer. J. (59): 145 – 150.

  Subrata, I.D.M., Suroso, dan Dwinanto.

  2001. Penerapan teknologi image processing dan Artificial Neural Network untuk menduga ketersediaan air dan nutrisi pada pertumbuhan cabai merah. Jurnal Keteknikan Pertanian.

  15(2): 80-88. Tamrin, K.B., Seminar, H. Suhardiyanto, dan S. Hardjoamidjodjo. 2005.

  Model jaringan syaraf tiruan untuk pertumbuhan tanaman ketimun mini (Cucumis sativus L. var Marla) pada vase vegetatif. Jurnal Keteknikan

  Pertanian . 19(1): 1-10.

  Thompson, T.L. and T.A. Doerge. 1995.

  Nitrogen and water rates for subsurface trickle-irrigated romain lettuce. Hort. Sci.: 30: 1233-1237. Thompson, T.L., T.A.Doerge, and R.E.

  Puustjarvi V. and R.A. Robertson. 1975.

  Pier, J.W. and T.A. Doerge. 1995.

  Fu, G. 1994. Falsafah Dasar: Sistem

  Greenhouse Grower . Sept: 14-17.

  Pengendalian Proses Media Komputindo. Jakarta.

  Hanan, J.J., C. Olympios, and C.Pittas.

  1981. Bulk density, porosity, percolation and salinity control in shallow, freely draining, potting soils. J. Amer. Soc.Hort. Sci. (106): 742-746. Haryadi, S.S. 1994. Pengantar Agronomi.

  PT. Gramedia. Jakarta. Jones, J.W. 1995. Crop growth, development, and production modeling.

  Proceedings on Automated Agriculture for the 21 st

  Century

  . 16-17 December Chicago Illinois: 447-457. Hofstra, G., and R. Wukasch. 1987. Are you pickling your pansies?

  Martens, H., and T.Naes. 1996.

  . Department of Horticultural Science, North Carolina State University. Pearson Education Inc., Upper Saddle River, New Jersey.

  Multivariate

  Calibration. Biddes ltd, Guidaford and King’s Lynm. Britanian. Nelson, P.V. 1996. Macronutrient fertilizer programs, pp. 141 – 170.

  In

  : D.W. Reed. Water, Media, and

  Nutrient for Greenhouse Crops .

  Batavia, IL: Ball Publ. Nelson, P.V. 2003. Greenhouse Operation

  and Management

  Godin. 2000. Nitrogen and water interactions in subsurface drip irrigated cauliflower: II. Agronomic, economic, and environmental

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

  outcomes. Soil Sci. Soc. Amer. J. . N.C. Commercial Flower Rd., Suite 102, Raleigh, NC 27609. Whipker, B. E., W. C. Fonteno, T. J.

  Available at Website: Cavins, and D. A. Bailey. 2000. http://www.floricultureinfo.com.

  Pour thru Nutritional Monitoring