Prediksi Parameter Fenotipik Tanaman tebu Berbasis Citra Drone Multispketral dan Machine Learning

Abstract

Pengukuran parameter fenotipik merupakan hal penting terkait evaluasi produktivitas tanaman tebu. Pengukuran manual yang ada dinilai kurang efisien sehingga diperlukan metode alternatif yang lebih baik. Penelitian ini bertujuan mengeksplorasi potensi pemanfaatan citra drone multispektral dan machine learning untuk mengestimasi parameter fenotipik tanaman tebu yang efisien, akurat, murah, dan mendukung praktik pertanian berkelanjutan. Data spektrum yang ditangkap oleh drone yaitu Green, Red, Red-Edge dan NIR dijadikan input untuk menduga parameter fenotipik yang meliputi nilai brix, jumlah tegakan, diameter batang, dan tinggi tanaman. Penelitian dilaksanakan mulai Agustus 2023 hingga Maret 2024. Penelitian berlokasi di lahan perkebunan tebu PT PG Rajawali II Sindang Laut Desa Sampih Palutungan, Kecamatan Susukanlebak, Kabupaten Cirebon, Jawa Barat. Proses pengolahan dataset dan pengembangan model dilaksanakan pada Laboratorium Divisi Teknik Bio-Informatika, Kampus IPB Dramaga. Peralatan yang digunakan untuk pengambilan data dilapangan yaitu : Smartphone yang dilengkapi software Qfield untuk pengambilan data dilapangan, refractometer untuk menghitung nilai brix, jangka sorong/caliper untuk mengukur diameter tanaman tebu , meteran 5 m untuk mengukur tinggi tanaman tebu dan drone Parrot Bluegrass dilengkapi kamera multispektral. Laptop HP 240 G8 Notebook PC yang telah terpasang bahasa pemrograman Python. Selanjutnya, perangkat lunak (software) yang digunakan untuk akuisisi citra menggunakan drone yaitu FreeFlight Pro dan Pix4Dcapture dan Agisoft metashape sedangkan perangkat lunak untuk mendukung pengolahan dataset lapangan yaitu QGis 3.28 Firenze dan Google Colaboratory untuk pengolahan data untuk model machine learning yang digunakan. Berdasarkan hasil pengembangan model machine learning, model algoritma ANN paling efektif dalam memprediksi Nilai Brix dengan R2 0.74 dan RMSE 0.06 serta jumlah tegakan dengan R2 0.68 dan RMSE 2.13. Semua model belum dapat memprediksi diameter batang dan tinggi tanaman dengan baik. Model terbaik untuk memprediksi tinggi tananaman diperoleh dengan algoritma RF dengan R2 0.53. dan RMSE 14.09. Algoritma SVR model terbaik untuk memprediksi diameter tanaman dengan R2 0.39. dan RMSE 0.49. Hal ini mengindikasikan bahwa efektivitas suatu algoritma bergantung pada parameter spesifik yang diprediksi dan tidak ada algoritma yang dominan untuk seluruh parameter fenotipik. Berdasarkan paremeter fenotipik hasil prediksi analisis volume nira sebesar 13,13 m3 , produktivitas gula 7,73 ton/ha, produktivitas tebu 99,76 ton/ha dan rendemen 7,75 %.