Sistem Rapid Prediction Unsur Hara Tanah Sawah Padi secara in-situ dengan Analisis Spectroscopy berbasis Deep Learning

Abstract

Nitrogen (N), Fosfor (P), dan Kalium (K) merupakan unsur hara makro yang dibutuhkan untuk menunjang pertumbuhan tanaman padi. Pemberian unsur hara makro diperlukan dalam jumlah yang tepat, karena kelebihan ataupun kekurangan nutrisi dapat berakibat buruk pada pertumbuhan tanaman. Kecepatan pendeteksian juga menjadi penting untuk segera menentukan penanganan yang tepat. Penelitian ini bertujuan untuk menghasilkan model prediksi kadar unsur hara makro N, P dan K pada tanah sawah untuk prediksi cepat menggunakan data spektral gelombang elektromagnetik near infrared (NIR) pada panjang gelombang 1350–2550 nm. Algoritme yang digunakan yaitu machine learning random forest, gradient boosting, artificial neural network, dan partial least square serta algoritme deep learning convolutional neural network untuk 1-Dimensi (CNN-1D) dan 2-Dimensi (CNN-2D). Pada penelitian ini juga dibandingkan performa dari ketiga jenis model tersebut. Data spektral NIR dari sampel tanah basah tanpa perlakuan pengeringan apapun menjadi input pada proses training model. Dataset terdiri dari 38 sampel tanah yang diambil dari beberapa lokasi. Teknik pra-proses yang diterapkan adalah principle component analysis (PCA), synthetic minority oversampling technique for regression with gaussian noise (SMOGN), konversi spektrogram, serta penambahan parameter kadar air pada input training model. Tingginya kadar air pada tanah sawah menjadi tantangan pada proses pembangunan model prediksi unsur hara karena NIR sangat sensitif terhadap air. Model terbaik untuk Nitrogen (N) adalah random forest dengan input data 10PC dan penambahan kadar air sebagai input training dengan R² 0,704; RMSE 0,032; MAPE 10,04 %; NSE 0,736; dan Akurasi 89,96 % untuk rentang pengukuran N 0,04-0,40 %. Model terbaik untuk Fosfor (P) yaitu random forest dengan 0 principle component dan penambahan kadar air sebagai input training dengan nilai R² 0,627; RMSE 18,44; MAPE 7,70 %; NSE 0,654; dan Akurasi 92,30 % untuk rentang pengukuran P 77,52–304,13 mg P2O5/100g. Model terbaik untuk Kalium (K) adalah CNN-1D dengan input training data 10PC dan penambahan parameter kadar air sebagai input training dengan R² 0,579; RMSE 8,018; MAPE 19,90 %; NSE 0,580; dan Akurasi 80,10 % untuk rentang pengukuran K 15,41–56,49 mg K2O/100g. Model terbaik untuk kadar air adalah partial least square dengan input training data 10PC dan teknik oversampling SMOGN dengan R² 0,659; RMSE 3,766; MAPE 7,35 %; NSE 0,661; dan Akurasi 92,65 % untuk rentang pengukuran KA 12,11-56,86 %. Model terbaik N yaitu model machine learning memiliki performa yang sedikit saja lebih baik dari CNN-1D. Pada jumlah data training yang lebih besar, CNN-1D diperkirakan dapat menghasilkan performa yang lebih baik dari model machine learning tersebut. Model terbaik P yaitu model machine learning memiliki performa lebih baik pada data testing dari CNN-1D P. CNN-1D P lebih baik pada data train, untuk itu diperkirakan CNN-1D P dapat memiliki performa yang lebih dari model machine learning untuk jumlah data yang lebih besar. Model terbaik K yaitu CNN-1D yang memiliki performa lebih baik dari model machine learning dan CNN-2D. Model terbaik KA yaitu model machine learning. Pada jumlah data train yang lebih besar, CNN-1D KA diperkirakan dapat menghasilkan performa yang lebih baik dari model machine learning tersebut.