Diterbitkan oleh Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Abstract
Budidaya padi sawah dengan sistem irigasi tergenang merupakan sumber emisi gas metana (CH4)
yang menyebabkan peningkatan pemanasan global. Pada umumnya, pengukuran
gas metana dilakukan secara tidak kontinu dengan melakukan sampling dan analisis di lab menggunakan gas chromatography
yang cukup mahal. Makalah ini menyajikan model jaringan syaraf tiruan
(JST) untuk memprediksi gas metana yang diemisikan dari padi sawah
berdasarkan data parameter lingkungan biofisik yang mudah diukur seperti
kelembaban tanah, suhu tanah, dan daya hantar listrik (DHL) tanah.
Untuk melakukan validasi model, percobaan dilakukan di dua tempat
berbeda yaitu di Kanagawa dan Bogor. Perlakuan difokuskan pada pemberian
air yang berbeda dengan menggunakan prinsip budidaya system of rice intensification (SRI). Model JST yang dikembangkan menggunakan algoritma back propagation dengan layer masukan terdiri atas 3 node:
kelembaban tanah, suhu tanah, dan DHL tanah, sedangkan gas metana
dijadikan sebagai keluaran. Dari hasil pembelajaran model JST didapatkan
korelasi antara gas metana hasil pengukuran dan model cukup tinggi
dengan nilai R2 sebesar 0.93.
Kata kunci: emisi gas rumah kaca, gas metana, jaringan syaraf tiruan, lingkungan biofisik, padi sawah.
Abstract
Conventional paddy field with continuous flooding irrigation is a major source of methane emission which contributes to global warming. Commonly, it is measured manually using closed chamber that is placed over some paddies rice. Then, the gas sample is taken from the chamber periodically and the gas sampling is analyzed using a gas chromatograph in the lab. The method is time consuming and complicated with more expensive equipments. The current study proposes artificial neural networks (ANN) model to predict methane emission from paddy field based on environmental biophysics parameters that are easily measured such as soil moisture, soil temperature, and soil electrical conductivity (EC). To verify the model, two experiments were conducted in two different locations: Kanagawa and Bogor. Each treatment focuses on different water irrigation regime adopted system of rice intensification (SRI) cultivation. ANN model was developed using back propagation algorithms. There were three nodes of input consisted of soil moisture, soil temperature, and soil (EC). Meanwhile, methane emission was used as output. The result showed that estimated methane emission was close to measured emission with R2 of 0.93.
Keywords: artificial neural networks, greenhouse gas emissions, paddy fields, soil moisture, soil temperature, soil electrical conductivity.
PENDAHULUAN
Pemanasan global telah menjadi isu utama saat ini karena telah mempengaruhi perubahan iklim. Pemanasan global terjadi karena emisi dari gas-gas rumah kaca dalam jumlah yang cukup besar. Emisi gas-gas rumah kaca tersebut terjadi sebagai akibat dari aktivitas manusia di berbagai bidang termasuk bidang pertanian seperti budidaya padi sawah dengan irigasi tergenang. Budidaya tersebut menyumbangkan emisi gas rumah kaca yang cukup besar khususnya gas metana (CH4) yang merupakan salah satu gas rumah kaca yang memiliki potensi 23 kali lebih besar dari gas CO2 (Snyder et al. 2007). Global Methane Initiative memprediksi pada tahun 2010 budidaya padi sawah menyumbangkan emisi gas metana sebanyak 10% dari seluruh aktifitas manusia. Gas metana terbentuk dari dekomposisi bahan organik pada kondisi anaerobik seperti terjadinya genangan pada lahan sawah. Pada kondisi tersebut, mikroorganisme berupa bakteri metanogenik sangat aktif yang mendorong terbentuknya gas metana. Oleh sebab itu, salah satu cara mengurangi emisi gas metana dari padi sawah adalah dengan melakukan irigasi berselang melalui budidaya padi sawah alternatif dengan system of rice intensification (SRI). Terbukti cara tersebut mampu mengurangi emisi gas metana sebesar 32% (Rajakishore et al. 2013). Pada umumnya pengukuran gas metana dilakukan secara tidak kontinu dengan melakukan sampling dan analisis di lab menggunakan gas chromatography yang cukup mahal. Sampling gas diambil pada waktu tertentu (umumnya siang hari) dan kemudian diakumulasikan nilai hariannya. Cara ini cukup memakan waktu dan membutuhkan biaya yang tidak sedikit untuk analisis gas metananya. Selain itu, kondisi lingkungan biofisik sawah yang dinamis mengakibatkan emisi gas metana juga akan dinamis, sehingga pengambilan sampling gas di siang hari tentu tidak dapat mewakili kondisi malam hari. Hal ini mengindikasikan terdapat potensi kesalahan perhitungan akumulasi gas metana harian disebabkan pengambilan sampling gas yang tidak kontinu tersebut. Untuk itu, makalah ini menyajikan alternatif metode untuk memprediksi emisi gas metana berdasarkan kondisi lingkungan biofisik yang mudah diukur dengan sensor tertentu. Emisi gas metana sangat dipengaruhi oleh kondisi lingkungan biofisik di dalam tanah seperti kelembaban tanah, suhu tanah, daya hantar listrik (DHL) tanah, pH tanah, dan redoks potensial tanah. Akan tetapi hubungan antara emisi gas metana dan parameter biofisik tersebut sangat kompleks dan sulit dimodelkan dalam persamaan matematika. Oleh sebab itu, model jaringan syaraf tiruan (JST) digunakan untuk memodelkan hubungan antara emisi gas metana dan parameter biofisik didalam tanah tersebut. Model JST lebih cocok digunakan untuk memodelkan sistem yang komplek seperti pada bidang pertanian daripada model matematika (Hashimoto 1997). Model JST memiliki kemampuan untuk mengenali dan mempelajari hubungan input dan output dari sistem tanpa memperhatikan kondisi fisiknya secara eksplisit (Basheer dan Harmeer 2000). Pada bidang pertanian khususnya bidang aplikasi irigasi, model JST telah digunakan untuk rencana strategi dan klasifikasi irigasi (Raju et al. 2006) dan memprediksi tingkat pembasahan dari subpermukaan untuk irigasi tetes (Hinnell et al. 2009). Setiawan et al. (2013) telah mengembangkan model JST untuk memprediksi gas metana dan dinitrogen oksida (N2O) berdasarkan parameter lingkungan biofisik yang terdiri dari kelembaban tanah, suhu tanah, dan pH tanah. Hasilnya menunjukkan bahwa model JST dapat memprediksi emisi gas metana dan dinitrogen oksida dengan nilai koefisien determinasi (R2) berturut-turut sebesar 0.72 dan 0.69. Hal ini menunjukkan model JST dapat digunakan untuk memprediksi gas metana dan nitrous oksida dengan baik. Akan tetapi, untuk parameter pH tanah juga tidak mudah diukur secara kontinu karena sensor yang digunakan berbeda dan terpisah dengan sensor kelembaban tanah dan suhu tanah. Oleh sebab itu, makalah ini menyajikan model JST untuk memprediksi gas metana berdasarkan parameter lingkungan biofisik tanah yang mudah diukur yaitu kelembaban tanah, suhu tanah, dan DHL tanah.
Baca Full Text :
Kata kunci: emisi gas rumah kaca, gas metana, jaringan syaraf tiruan, lingkungan biofisik, padi sawah.
Abstract
Conventional paddy field with continuous flooding irrigation is a major source of methane emission which contributes to global warming. Commonly, it is measured manually using closed chamber that is placed over some paddies rice. Then, the gas sample is taken from the chamber periodically and the gas sampling is analyzed using a gas chromatograph in the lab. The method is time consuming and complicated with more expensive equipments. The current study proposes artificial neural networks (ANN) model to predict methane emission from paddy field based on environmental biophysics parameters that are easily measured such as soil moisture, soil temperature, and soil electrical conductivity (EC). To verify the model, two experiments were conducted in two different locations: Kanagawa and Bogor. Each treatment focuses on different water irrigation regime adopted system of rice intensification (SRI) cultivation. ANN model was developed using back propagation algorithms. There were three nodes of input consisted of soil moisture, soil temperature, and soil (EC). Meanwhile, methane emission was used as output. The result showed that estimated methane emission was close to measured emission with R2 of 0.93.
Keywords: artificial neural networks, greenhouse gas emissions, paddy fields, soil moisture, soil temperature, soil electrical conductivity.
PENDAHULUAN
Pemanasan global telah menjadi isu utama saat ini karena telah mempengaruhi perubahan iklim. Pemanasan global terjadi karena emisi dari gas-gas rumah kaca dalam jumlah yang cukup besar. Emisi gas-gas rumah kaca tersebut terjadi sebagai akibat dari aktivitas manusia di berbagai bidang termasuk bidang pertanian seperti budidaya padi sawah dengan irigasi tergenang. Budidaya tersebut menyumbangkan emisi gas rumah kaca yang cukup besar khususnya gas metana (CH4) yang merupakan salah satu gas rumah kaca yang memiliki potensi 23 kali lebih besar dari gas CO2 (Snyder et al. 2007). Global Methane Initiative memprediksi pada tahun 2010 budidaya padi sawah menyumbangkan emisi gas metana sebanyak 10% dari seluruh aktifitas manusia. Gas metana terbentuk dari dekomposisi bahan organik pada kondisi anaerobik seperti terjadinya genangan pada lahan sawah. Pada kondisi tersebut, mikroorganisme berupa bakteri metanogenik sangat aktif yang mendorong terbentuknya gas metana. Oleh sebab itu, salah satu cara mengurangi emisi gas metana dari padi sawah adalah dengan melakukan irigasi berselang melalui budidaya padi sawah alternatif dengan system of rice intensification (SRI). Terbukti cara tersebut mampu mengurangi emisi gas metana sebesar 32% (Rajakishore et al. 2013). Pada umumnya pengukuran gas metana dilakukan secara tidak kontinu dengan melakukan sampling dan analisis di lab menggunakan gas chromatography yang cukup mahal. Sampling gas diambil pada waktu tertentu (umumnya siang hari) dan kemudian diakumulasikan nilai hariannya. Cara ini cukup memakan waktu dan membutuhkan biaya yang tidak sedikit untuk analisis gas metananya. Selain itu, kondisi lingkungan biofisik sawah yang dinamis mengakibatkan emisi gas metana juga akan dinamis, sehingga pengambilan sampling gas di siang hari tentu tidak dapat mewakili kondisi malam hari. Hal ini mengindikasikan terdapat potensi kesalahan perhitungan akumulasi gas metana harian disebabkan pengambilan sampling gas yang tidak kontinu tersebut. Untuk itu, makalah ini menyajikan alternatif metode untuk memprediksi emisi gas metana berdasarkan kondisi lingkungan biofisik yang mudah diukur dengan sensor tertentu. Emisi gas metana sangat dipengaruhi oleh kondisi lingkungan biofisik di dalam tanah seperti kelembaban tanah, suhu tanah, daya hantar listrik (DHL) tanah, pH tanah, dan redoks potensial tanah. Akan tetapi hubungan antara emisi gas metana dan parameter biofisik tersebut sangat kompleks dan sulit dimodelkan dalam persamaan matematika. Oleh sebab itu, model jaringan syaraf tiruan (JST) digunakan untuk memodelkan hubungan antara emisi gas metana dan parameter biofisik didalam tanah tersebut. Model JST lebih cocok digunakan untuk memodelkan sistem yang komplek seperti pada bidang pertanian daripada model matematika (Hashimoto 1997). Model JST memiliki kemampuan untuk mengenali dan mempelajari hubungan input dan output dari sistem tanpa memperhatikan kondisi fisiknya secara eksplisit (Basheer dan Harmeer 2000). Pada bidang pertanian khususnya bidang aplikasi irigasi, model JST telah digunakan untuk rencana strategi dan klasifikasi irigasi (Raju et al. 2006) dan memprediksi tingkat pembasahan dari subpermukaan untuk irigasi tetes (Hinnell et al. 2009). Setiawan et al. (2013) telah mengembangkan model JST untuk memprediksi gas metana dan dinitrogen oksida (N2O) berdasarkan parameter lingkungan biofisik yang terdiri dari kelembaban tanah, suhu tanah, dan pH tanah. Hasilnya menunjukkan bahwa model JST dapat memprediksi emisi gas metana dan dinitrogen oksida dengan nilai koefisien determinasi (R2) berturut-turut sebesar 0.72 dan 0.69. Hal ini menunjukkan model JST dapat digunakan untuk memprediksi gas metana dan nitrous oksida dengan baik. Akan tetapi, untuk parameter pH tanah juga tidak mudah diukur secara kontinu karena sensor yang digunakan berbeda dan terpisah dengan sensor kelembaban tanah dan suhu tanah. Oleh sebab itu, makalah ini menyajikan model JST untuk memprediksi gas metana berdasarkan parameter lingkungan biofisik tanah yang mudah diukur yaitu kelembaban tanah, suhu tanah, dan DHL tanah.
Baca Full Text :
0 komentar:
Posting Komentar