| dc.description.abstract | Pemanfaatan penginderaan jauh yang dikombinasikan dengan pendekatan machine learning dan deep learning menjadi solusi penting dalam estimasi biomassa vegetasi dan daya dukung pakan ternak, mengingat keterbatasan metode pengukuran biomassa secara langsung yang bersifat merusak, mahal, dan tidak efisien untuk wilayah yang luas. Penelitian ini bertujuan mengembangkan model estimasi daya dukung pakan hijauan ternak ruminansia yang akurat dan adaptif terhadap dinamika temporal melalui pemodelan deret waktu potensi hijauan berbasis data penginderaan jauh multivariat. Tahapan penelitian meliputi klasifikasi tutupan lahan hijauan menggunakan algoritma Random Forest, analisis hubungan indeks vegetasi (NDVI, EVI, SAVI, MSAVI, dan NDMI) dengan potensi hijauan pakan, serta pengembangan model prediksi deret waktu potensi hijauan pakan menggunakan pendekatan deep learning berbasis recurrent neural networks, yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), yang dibandingkan dengan model deret waktu konvensional Prophet.
Penelitian ini berhasil mengembangkan model klasifikasi citra satelit berbasis Random Forest dengan tingkat akurasi sebesar 93% dalam mengidentifikasi tutupan lahan vegetasi pakan ternak sebagai dasar analisis lanjutan. Evaluasi kinerja pada data pengujian menunjukkan bahwa model GRU memberikan hasil prediksi yang paling stabil dan akurat, khususnya pada kelas Pertanian/Sawah, dengan nilai RMSE terendah sebesar 13.327,99, MAE sebesar 9.359,79, MAPE sebesar 53,82%, serta koefisien determinasi (R²) sebesar 0,89, setara dengan model LSTM dan lebih baik dibandingkan model Prophet. Berdasarkan estimasi produksi hijauan dari data penginderaan jauh, diperoleh rataan produksi sebesar 430.228,58 ton/ha/tahun atau setara dengan 1.178,71 ton/ha/hari, yang menunjukkan bahwa potensi daya dukung hijauan di Kabupaten Lumajang mampu mendukung sekitar 47.148 ekor sapi dan 294.677 ekor kambing atau domba. Temuan ini menegaskan tingginya potensi hijauan pakan dalam mendukung pengembangan peternakan ruminansia secara berkelanjutan.
Kebaruan penelitian ini terletak pada pembuatan model estimasi daya dukung pakan ternak ruminansia berbasis data penginderaan jauh yang bersifat multivariat, temporal, dan heterogen, melalui komparasi sistematis antara model LSTM, GRU, dan Prophet. Temuan penelitian menegaskan bahwa pendekatan deep learning, khususnya GRU, lebih efektif, stabil, dan efisien secara komputasional dalam menangkap dinamika temporal potensi hijauan pakan, sehingga berkontribusi pada pengembangan pemodelan sistem lingkungan dan pertanian presisi berbasis data spasial-temporal untuk mendukung pengelolaan sumber daya hijauan pakan ternak secara berkelanjutan. | |
