Model Machine Learning untuk Deteksi Tingkat Serangan Penyakit Fusarium Tanaman Bawang Merah Menggunakan Citra Drone Multispektral

Abstract

Bawang merah merupakan komoditas pertanian dengan nilai ekonomi tinggi dan termasuk komoditas unggulan di Indonesia. Seiring pertumbuhan penduduk, tingkat konsumsi bawang merah diproyeksikan terus meningkat sebesar 1,47% per tahun sehingga diperlukan peningkatan produksi dari lahan. Namun, kegagalan budidaya bawang merah sering disebabkan oleh serangan penyakit salah satunya layu fusarium yang dapat menurunkan hasil panen hingga lebih dari 50% total luas lahan. Salah satu teknologi yang dapat digunakan untuk pemantauan penyakit pada tanaman yaitu drone yang dilengkapi dengan kamera. Deteksi penyakit tanaman dapat dilakukan berdasarkan perubahan anatomi pada tanaman secara visual maupun nilai reflektansi cahaya yang dipantulkan oleh tanaman. Penelitian ini merupakan lanjutan dari penelitian sebelumnya dengan penggunaan kamera RGB dan multispektral untuk deteksi penyakit pada skala kelompok (grid). Kamera multispektral digunakan untuk menganalisis nilai reflektansi cahaya dari tanaman. Tujuan penelitian ini yaitu merancang model machine learning untuk deteksi tingkat serangan penyakit bawang merah skala kelompok menggunakan citra drone multispektral, mengevaluasi kinerja model machine learning, dan menerapkan model machine learning untuk pembuatan peta deteksi tingkat serangan penyakit tanaman bawang merah. Penelitian ini dilaksanakan pada bulan Maret 2024 – November 2024 dengan lokasi pengambilan data citra tanaman bawang merah dilaksanakan di Dusun Bentak, Kabupaten Grobogan, Jawa Tengah. Proses identifikasi penyakit dilakukan di Laboratorium Klinik Tanaman, Departemen Proteksi Tanaman, Institut Pertanian Bogor. Proses pengolahan data dan perancangan model dilaksanakan di Laboratorium Teknik Bioinformatika dan Laboratorium Siswadhi Soepardjo, Departemen Teknik Mesin dan Biosistem, Institut Pertanian Bogor. Alat dan bahan yang digunakan meliputi perangkat pengambilan data lapang, perangkat identifikasi penyakit, dan perangkat perancangan model. Tahapan penelitian terdiri dari survei lahan bawang merah, pengambilan data lapang, identifikasi penyakit menggunakan metode postulat Koch, pengolahan data lapang, perancangan model machine learning, evaluasi model, dan implementasi model. Proses pengambilan data citra drone dilakukan pada waktu pagi, siang, dan sore hari dengan ketinggian 20, 30, 40, dan 50 m. Penelitian ini menggunakan tiga algoritma machine learning yaitu Support Vector Regression (SVR), K-Nearest Neighbour (KNN), dan Artificial Neural Network (ANN) dengan dua parameter evaluasi kinerja model yang digunakan yaitu nilai koefisien determinasi (R2) dan Mean Absolute Error (MAE). Hasil penelitian menunjukkan bahwa tanaman bawang merah pada lahan penelitian terserang penyakit layu fusarium yang disebabkan oleh cendawan Fusarium oxysporum. Berdasarkan hasil pengolahan dan analisis data citra multispektral, diketahui bahwa waktu pengambilan data pagi hari dengan ketinggian drone 20 m memberikan hasil terbaik untuk dataset perancangan model. Hasil analisis citra multispektral menunjukkan bahwa tanaman bawang merah yang terserang penyakit mereflektansikan spektrum cahaya Green (G), Red Edge (RE), dan Near Infrared (NIR) lebih rendah, tetapi mereflektansikan spektrum Red (R) lebih tinggi dibandingkan tanaman sehat. Metode filterisasi objek dengan software QGIS berhasil memisahkan antara objek tanaman bawang merah dengan tanah. Hasil perancangan model menggunakan empat parameter input data multispektral (G, R, RE, NIR) didapatkan model ANN dengan struktur 4-6-2-1 sebagai model terbaik untuk deteksi penyakit pada tanaman bawang merah. Hasil pengujian model ANN menunjukkan hasil yang baik dengan nilai R2 sebesar 0,9194 dan MAE sebesar 0,0618. Hasil pemodelan menggunakan model SVR didapatkan hasil terbaik kedua diikuti dengan model KNN dengan nilai R2 sebesar 0,8872 dan 0,7949 serta nilai MAE sebesar 0,0704 dan 0,0920. Hasil pengujian model dengan beberapa kombinasi input band multispektral menunjukkan hasil terbaik pada empat input band multispektral (G, R, RE, NIR), diikuti kombinasi dua band multispektral (R, RE). Model ANN yang dikembangkan telah berhasil digunakan untuk deteksi serangan penyakit pada lahan bawang merah secara keseluruhan. Hasil deteksi digunakan untuk pembuatan peta tingkat serangan penyakit tanaman bawang merah yang diklasifikasikan menjadi empat kelas. Berdasarkan analisis peta hasil deteksi model, diketahui bahwa lahan penelitian mayoritas terserang penyakit layu fusarium dengan kategori rendah (11,07%); sedang (31,35%); parah (43,24%); dan sangat parah (14,34%). Hal ini menunjukkan perlunya penanganan segera seperti penyemprotan fungisida pada lahan bawang merah untuk meminimalisasi penurunan hasil panen.

Shallots are agricultural commodities with high economic value that are considered key commodities in Indonesia. Along with population growth, shallot consumption is projected to increase by 1.47% per year, necessitating an increase in land production. However, shallot cultivation often fails because of disease attacks, one of which is Fusarium wilt, which can reduce crop yields by more than 50% of the total land area. One technology that can be used to monitor plant diseases is a drone equipped with a camera. Plant disease detection can be performed based on visual anatomical changes in plants and the reflectance value of the light reflected by the plant. This research is a continuation of previous research using RGB and multispectral cameras to detect diseases on a group (grid) scale. A multispectral camera was used to analyze the light reflectance values of the plants. The objective of this research was to design a machine learning model for detecting disease severity in shallots at the group scale using multispectral drone imagery, evaluate the performance of the machine learning model, and apply the machine learning model to create disease severity detection maps for shallot plants. This study was conducted from March to November 2024, with image data collection from shallot plants in Bentak Village, Grobogan Regency, Central Java. Disease identification was performed at the Plant Clinic Laboratory, Department of Plant Protection, Bogor Agricultural University. Data processing and model design were conducted at the Bioinformatics Engineering Laboratory and the Siswadhi Soepardjo Laboratory, Department of Mechanical and Biosystems Engineering, Bogor Agricultural University. The tools and materials used were field data acquisition, disease identification, and model design devices. The research stages included surveying shallot fields, field data acquisition, disease identification using Koch's postulates, field data processing, machine learning model design, model evaluation, and model implementation. Drone image data were collected in the morning, noon, and afternoon at altitudes of 20 m, 30 m, 40 m, and 50 m. This study employed three machine-learning algorithms: Support Vector Regression (SVR), K-Nearest Neighbor (KNN), and Artificial Neural Network (ANN), with two model performance evaluation parameters: the coefficient of determination (R2) and Mean Absolute Error (MAE) values. The results indicated that the shallot plants in the study area were affected by Fusarium wilt caused by the fungus Fusarium oxysporum. Based on the processing and analysis of multispectral image data, it was found that the morning image capture and drone altitude of 20 m provided the best results for the model design dataset. Analysis of the multispectral images showed that shallot plants affected by the disease reflected lower spectra of green (G), Red Edge (RE), and near-infrared (NIR) light, but higher red (R) spectra, compared to healthy plants. The object-filtering method using the QGIS software successfully separated shallot plant objects from the soil. The model design results using four multispectral data input parameters (G, R, RE, and NIR) identified the ANN model with the 4-6-2-1 structure as the best model for detecting diseases in shallot plants. The ANN model testing showed good results, with an R2 value of 0.9194 and MAE of 0.0618. The SVR model produced the second-best results, followed by the KNN model with R2 values of 0.8872 and 0.7949 and MAE values of 0.0704 and 0.0920, respectively. Model testing with several combinations of multispectral bands showed the best results for the four multispectral input bands (G, R, RE, and NIR), followed by the two-band combination (R and RE). The developed ANN model successfully detected disease attacks across the entire shallot field. The results were used to create disease severity maps for shallot plants, which were classified into four categories. Analysis of the detection map revealed that the study area was predominantly affected by Fusarium wilt disease, with low (11.07%), moderate (31.35%), severe (43.24%), and very severe (14.34%) categories. This indicates the need for immediate measures, such as spraying fungicides on shallot fields, to minimize yield reduction.