Model Deteksi Nutrisi Mikro pada Lahan Gambut untuk Daun dan Tanah Kebun Kelapa Sawit Menggunakan Integrasi Sentinel-1A dan Sentinel-2A

Abstract

Indonesia adalah salah satu penghasil kelapa sawit terbesar di dunia yang berada di iklim tropis. Pengelolaan perkebunan kelapa sawit secara presisi untuk pemupukan merupakan faktor utama untuk mendukung kualitas hasil panen kelapa sawit. Mendeteksi kandungan nutrisi mikro kelapa sawit seperti Fe, Zn, Cu, Mn, B baik pada daun dan tanah adalah faktor yang esensial meskipun dibutuhkan oleh tanaman dalam jumlah sedikit tetapi mempunyai peranan penting mendukung pola perkembangan tanaman sehingga kadar nutrisi mikro tanaman bisa terpenuhi. Teknologi remote sensing merupakan salah satu teknologi untuk mendeteksi citra panorama yang ada di bumi terutama untuk vegetasi tanpa menyentuh objek vegetasi sehingga tidak merusak vegetasi yang ada di bumi. Penelitian ini menggunakan integrasi citra Sentinel-2A (multispektral) dan citra Sentinel-1A (pankromatik) dengan waktu pengambilan citra sesuai rentang waktu pengambilan sampel di lapangan. Sehingga dengan integrasi multispektral dan pankomatrik yang mempunyai resolusi spasial yang tinggi akan mempertajam data spasial area interest penelitian. Integrasi citra Sentinel-2A dan Sentinel-1A ini menggunakan metode penggabungan Sentinel-1A dan Sentinel-2A. Penggunaan metode integrasi ini dilakukan untuk mendapatkan salah satu citra integrasi yang terbaik untuk diolah keakuratan datanya menggunakan machine learning dengan algoritma Random Fores. Model dievaluasi keakuratan kebenarannya menggunakan Mean Absolute Percentage Error (MAPE) dan Root Mean Squared Error (RMSE). Penelitian ini telah berhasil menganalisis atribut-atribut apa saja yang berpengaruh dalam integrasi Sentinel-1A dan Sentinel-2A untuk memprediksi status nutrisi mikro B, Zn, Fe, Mn, dan Cu. Fitur terbaik yang terpilih ada 12 dengan menggunakan SelectKBest. Atribut yang terpilih berdasarkan skor tertinggi yang berpengaruh dan menjadi model komputasi untuk mendapatkan model estimasi terbaik. Fitur-fitur terpilih mempunyai peranan penting dalam evaluasi model untuk data validation dan evaluasi data testing. Model deteksi nutrisi mikro dievaluasi untuk mendapatkan kekuatan prediksi dengan melihat persentase MAPE terendah. Hasil evaluasi model deteksi nutrisi mikro yang memiliki peranan signifikan pada data validation menggunakan integrasi Sentinel-1A dan Sentinel-2A untuk nutrisi mikro Mn pada tanah dengan correctness sebesar 75% dibandingkan dengan menggunakan citra Sentinel-1A nutrisi mikro Mn pada tanah correctness sebesar 40,08%. Menggunakan Sentinel-2A evaluasi model data validation nutrisi mikro Mn pada tanah dengan correctness sebesar 51,59%. Hasil evaluasi model deteksi nutrisi mikro pada Fe daun dan tanah menggunakan integrasi maupun Sentinel-1A atau Sentinel-2A mempunyai rentang data validation correctness yang stabil diantara correctness terendah yaitu 84,85% pada tanah menggunakan Sentinel-2A sampai yang tertinggi dengan correctness 88,92% pada daun menggunakan Sentinel-2A. Sedangkan menggunakan integrasi Sentinel-1A dan Sentinel-2A hasil evaluasi prediksi data validation nutrisi Fe pada daun nilai correctness 87,16% dan tanah 86,08 dengan demikian prediksi nutrisi Fe memiliki kekuatan prediksi baik. Hasil evaluasi data validation menggunakan integrasi untuk nutrisi B dan Mn pada daun didapatkan nilai correctness masing-masing 80,39%, dan 83,25% mempnyai kekuatan prediksi baik. Sedangkan Cu, dan Zn pada daun menggunakan integrasi masing-masing 78,76%, dan 77,08% berada pada kekuatan prediksi layak. Hasil untuk prediksi nutrisi B, Cu, Mn, dan Zn pada tanah menggunakan integrasi masing-masing correctness didapatkan 69%, 67,92%, 75%, dan 66,69% berada pada kekuatan prediksi layak.