Penentuan Status Kalsium dan Boron pada Tanaman Sawit Berbasis Citra Sentinel-2A dan Algoritma Sistem Cerdas

Abstract

Kalsium (Ca) dan Boron (B) merupakan hara makro dan mikro yang berperan penting dalam mempertahankan produktivitas sawit yang optimum, sedangkan metode untuk menentukan status hara pada tanaman sawit masih menggunakan metode destruktif yang memiliki kelemahan terutama dalam ketepatan waktu, keterwakilan wilayah dan memerlukan biaya yang relatif tinggi untuk pengujian di laboratorium. Oleh karena itu, penggunaan citra satelit Sentinel-2 dan algoritma sistem cerdas merupakan salah satu solusi untuk menentukan status Ca dan B pada tanaman sawit secara cepat, tepat, hemat dan terlihat. Sumber data pada penelitian ini berupa data sampel daun sawit (LSU) dan data citra satelit Sentinel-2A level 2A. Metode pemrosesan citra Sentinel-2 meliputi resampling resolusi citra untuk menyamakan resolusi spasial setiap band menjadi 10 x 10 meter, masking area dengan poligon batas kebun, dan ekstrasi nilai citra dengan point sampling tools. Parameter citra satelit yang digunakan adalah band multispektral dan indeks vegetasi. Parameter tersebut menjadi variabel bebas dari pemodelan. Hara Kalsium dan Boron dari hasil pengujian laboratorium merupakan variabel terikat dalam pemodelan. Data dibagi menjadi dua kelompok data, yakni data latih dan data tes, masing-masing sebanyak 90% dan 10% dari populasi sampel. Hasil penelitian menunjukkan model cerdas berbasis algoritma SVR menunjukkan kinerja hasil prediksi yang lebih baik dari model berbasis ANN, yang ditunjukkan oleh nilai correctness model berbasis SVR terhadap data tes sebesar 84.28% untuk Kalsium dan 86.47% untuk Boron. Nilai correctness model berbasis SVR terhadap data latih Kalsium sebesar 84.14% dan terhadap data latih Boron sebesar 85.69%.

Calcium (Ca) and Boron (B) are macro and micro nutrients for sustaining the optimum productivity of oil palm. However, current techniques for assessing the nutritional status of oil palm rely on destructive methods that have weakness, particularly with regard to timeliness, spatial variance representation, and high cost of laboratory testing. Consequently, one solution to swiftly, precisely, and affordably ascertain the Ca and B status in oil palm trees are through the utilization of Sentinel-2 images and intelligent system algorithms. Sentinel-2A level 2 images and palm leaf sample (LSU) are the data sources used in this research. The Sentinel- 2A image processing technique consists of resampling the image to bring the resolution of each band to 10 x 10 meters, masking the image with plantation boundaries, and utilizing a point sampling tool to extract the image values. The developed machine learning-based model employes the vegetation index and multispectral bands as independent variables, while Calcium and Boron data from laboratory tests are used as dependent variables. The sample data is divided into two groups, namely training and test data, with a composition of 90% and 10%. The research results demonstrate that the intelligent model based on the SVR algorithm has superior prediction performance than the ANN-based model, as evidenced by the SVR-based model's accuracy value on test data of 84.28% for Calcium and 86.47% for Boron. The SVR-based model's accuracy value for Calcium training data is 84.14%, while for Boron training data it is 85.69%.