Identifikasi Pertumbuhan Tanaman Kedelai (Glycine max L) dengan Pengaruh Pemberian Komposisi Pupuk Menggunakan Metoda Artificial Neural Network

https://doi.org/10.22146/agritech.9699

Atris Suyantohadi(1*), Mochamad Hariadi(2), Mauridhi Hery Purnomo(3)

(1) Jurusan Teknologi Industri Pertanian, Fakultas Teknologi Pertanian, Universitas Gadjah Mada, Jl. Flora, Bulaksumur, Yogyakarta 55281
(2) Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh November, Keputih Sukolilo, Surabaya
(3) Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh November, Keputih Sukolilo, Surabaya
(*) Corresponding Author

Abstract


Artificial neural network modeling has been applied to identify soybean plant growth with fertilizer composition as a goal on this research. The architecture of artificial neural network modeling for the identification of soybean plant growth consists of three layer include on input layer with 36 cells of neuron, 7 hidden layer with 600, 500 cells of neurons to in the last hidden layer with 100 cells of neurons, and the output layer with 108 cells of neurons. Training function has been used on architecture model with 0.5 learning rate and 0.9 constant of momentum. Model has been able to provide a good level of identification with correlation coefficient 0.9996 in the analysis of testing result. Based on the results of the implementation, identification of plant growth rate on soybean consist of periodic plant growth on high tress, stem diameter, number of leaves and branches, plant growth analysis and result of plant growth component based on a combination of treatment into fertilizer plant.

ABSTRAK

Model artificial neural network (jaringan saraf tiruan) diterapkan untuk identifikasi pertumbuhan varietas kedelai dengan pengaruh pemberian komposisi pupuk yang diberikan selama pertumbuhan sebagai tujuan penelitian ini di­ lakukan. Susunan arsitektur model jaringan saraf tiruan untuk identifikasi tingkat pertumbuhan tanaman kedelai yang dihasilkan terdiri atas tiga lapisan, yaitu lapisan masukan dengan jumlah sel neuron 36, 7 lapisan tersembunyi dengan sel neuron masing­masing 600 sel neuron, 500 sel neuron hingga pada lapisan tersembunyi terakhir dengan 100 sel neuron dan lapisan keluaran dengan jumlah sel neuron 108. Fungsi pelatihan diterapkan dengan tingkat laju belajar sebesar 0,5 dan konstanta momentum sebesar 0,9. Model telah mampu memberikan tingkat deteksi yang baik dengan koefisien korelasi 0,9996 pada analisa pengujian.  Berdasarkan hasil implementasi program yang dijalankan, pada output identifikasi tingkat pertumbuhan tanaman kedelai yang terdiri atas pertumbuhan periodik tanaman atas tinggi tanaman, diameter batang, jumlah daun dan jumlah cabang, analisa pertumbuhan dan kompononen hasil tanaman akan dapat diinformasikan berdasarkan perlakuan parameter kombinasi pemberian pupuk kedalam tanaman.


Keywords


Plant growth; soybean; artificial neural network; modeling; simulation

Full Text:

PDF



DOI: https://doi.org/10.22146/agritech.9699

Article Metrics

Abstract views : 4929 | views : 2248

Refbacks

  • There are currently no refbacks.




Copyright (c) 2016 Jurnal Agritech

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Agritech has been Indexed by:


Agritech (print ISSN 0216-0455; online ISSN 2527-3825) is published by Faculty of Agricultural Technology, Universitas Gadjah Mada in colaboration with Indonesian Association of Food Technologies.


website statisticsView My Stats