Model Hybrid Deep Learning Untuk Estimasi Nilai Referensi Evapotranspirasi (ETo) Pada Sistem Irigasi Cerdas

Abstract

Nilai referensi evapotranspirasi (ETo) merupakan parameter kunci dalam sistem pengelolaan irigasi pertanian yang efisien dan tepat guna. ETo menggambarkan besarnya kebutuhan air yang hilang ke atmosfer melalui proses gabungan antara evaporasi dari permukaan tanah dan transpirasi oleh tanaman. Informasi ini sangat krusial dalam menentukan waktu dan jumlah air yang ideal untuk disalurkan ke lahan pertanian. Ketepatan dalam penjadwalan irigasi berdasarkan ETo berperan penting dalam menyesuaikan pasokan air dengan kebutuhan fisiologis tanaman serta kondisi lahan aktual sehingga dapat menghindari pemborosan air akibat over-irrigation maupun kekurangan air akibat under-irrigation. Efisiensi ini menjadi semakin penting dalam menghadapi keterbatasan sumber daya air dan tuntutan peningkatan produktivitas pertanian yang berkelanjutan. Pada penelitian ini peneliti mengusulkan pendekatan penyelesaian sistem irigasi menggunakan model arsitektur terbaru untuk menentukan waktu irigasi yang tepat dan optimal, beberapa penelitian sebelumnya telah dilakukan oleh beberapa peneliti yang telah dikaji melalui literatur review dapat diketahuai bahwa penelitian dengan model komputasi yang digunakan untuk sistem irigasi cerdas mulai dari sistem otomasi berbasis pengatur waktu sederhana (timer-based control) sampai model sistem irigasi dengan pemanfaatan model komputasi canggih berbasis kecerdasan buatan telah dilakukan. Salah satu pendekatan yang cukup populer adalah penggunaan Deep Learning, yang menawarkan fleksibilitas dalam pengambilan keputusan yang dinamis berdasarkan data. Salah satunya adalah Long Short-Term Memory (LSTM) yang menurut hasil literatur sekitar 22% dari studi yang dikaji memanfaatkan pendekatan deep learning dalam konteks irigasi cerdas. Namun, sebagian besar penelitian tersebut tidak menjelaskan arsitektur model yang digunakan secara eksplisit. Dari total tersebut hanya sekitar 7% penelitian yang secara jelas menerapkan arsitektur LSTM yang dirancang untuk menangani data sekuensial seperti parameter cuaca harian. Sementara itu, sekitar 18% lainnya mengembangkan model hybrid yang menggabungkan deep learning dengan metode optimasi atau teknik ensemble learning. Sisanya, sekitar 3%, hanya menerapkan model komputasi secara umum tanpa fokus khusus pada aplikasi distribusi air irigasi. Selain pendekatan berbasis model prediktif, pengembangan sistem irigasi cerdas juga banyak melibatkan teknologi Internet of Things (IoT) sebagai tulang punggung infrastruktur sensor dan aktuator. Berbagai sistem telah dikembangkan menggunakan antarmuka digital berbasis Android atau platform web, yang memungkinkan pemantauan suhu, kelembaban tanah, dan parameter lingkungan lainnya secara real-time. Namun, sebagian besar dari sistem tersebut masih tergolong sistem otomasi yang hanya menjalankan perintah berdasarkan input sensor langsung dan belum masuk dalam kategori sistem cerdas yang mampu beradaptasi, belajar, serta memprediksi kebutuhan air berdasarkan kondisi lingkungan yang dinamis. Penelitian ini mengusulkan sebuah arsitektur model komputasi berbasis deep learning, yaitu Hybrid Convolutional Long Short-Term Memory (H-ConvLSTM), yang dirancang untuk meningkatkan akurasi dan adaptivitas dalam estimasi nilai refensi evapotranspirasi. Model ini memadukan keunggulan Convolutional Neural Network (CNN) dalam mengekstraksi fitur spasial dan LSTM dalam menangani data temporal sekuensial, seperti tren suhu dan kelembaban harian. Inovasi dan keunggulan utama pada arsitektur yang di usulkan ini terletak pada penggunaan Decision Tree Pooling (DT-Pool) yang digunakan untuk menggantikan metode pooling konvensional seperti max pooling atau average pooling. Secara konseptual, permasalahan utama pada pooling konvensional adalah hilangnya informasi penting akibat proses reduksi nilai yang hanya mempertimbangkan satu kriteria, misalnya nilai maksimum atau rata-rata. Pendekatan tersebut memang efektif untuk penyederhanaan dimensi data, tetapi tidak mampu menyesuaikan diri terhadap variasi pola input yang kompleks dan non-linier. Untuk mengatasi masalah ini, digunakan Decision Tree Pooling yang memanfaatkan mekanisme decision boundary dan information gain dalam menentukan nilai representatif dari setiap proses konvolusi. Proses pooling ini dilakukan secara adaptif dengan menentukan nilai ambang (threshold) yang optimal berdasarkan distribusi nilai piksel atau fitur pada setiap jendela konvolusi. Proses ini melibatkan perhitungan entropy dan pemilihan atribut dengan gain tertinggi sebagai dasar keputusan, sehingga fitur yang dianggap paling relevan terhadap konteks spasial maupun temporal tetap dipertahankan. Kebaruan penelitian ini memiliki dua aspek utama yakni pertama diusulkan arsitektur deep learning baru H-ConvLSTM yang digunakan untuk prediksi nilai referensi evapotranspirasi (ETo) dengan melakukan modifikasi pada tahap pooling menggunakan Decision Tree Pooling (DT-Pool). Pendekatan ini memungkinkan proses ekstraksi fitur yang lebih adaptif dalam mempertahankan informasi penting dibandingkan metode pooling konvensional seperti max pooling dan average pooling. Kedua penelitian ini berhasil mengurangi ketergantungan terhadap radiasi matahari sebagai parameter utama yang digunakan untuk prediksi nilai referensi ETo dan hanya memanfaatkan temperatur udara dan kelembaban relatif sebagai parameter untuk melakukan prediksi sehingga lebih aplikatif pada kondisi dengan keterbatasan sensor. Hasil pengujian menunjukkan bahwa model H-ConvLSTM dengan Decision Tree Pooling menghasilkan nilai error terendah sebesar 0,1187 dan koefisien determinasi R² mencapai 0,8942 mengungguli model CNN dan LSTM konvensional. Temuan ini menegaskan efektivitas pendekatan yang diusulkan dalam menghasilkan model yang presisi, adaptif dan berpotensi diterapkan pada sistem irigasi cerdas diberbagai wilayah khususnya wilayah tropis.

The reference evapotranspiration value (ETo) is a key parameter in an efficient and effective agricultural irrigation management system. ETo represents the amount of water lost to the atmosphere through the combined processes of soil surface evaporation and plant transpiration. This information is crucial for determining the ideal timing and volume of water to be delivered to agricultural land. The accuracy of irrigation scheduling based on ETo plays an essential role in aligning water supply with the physiological needs of crops and the actual conditions of the field, thereby preventing water waste due to over-irrigation and avoiding crop stress caused by under-irrigation. Such efficiency becomes increasingly important in the context of limited water resources and the growing demand for sustainable agricultural productivity. In this study, the researchers propose a novel architectural model approach for optimizing and determining the precise timing of irrigation within smart irrigation systems. A review of prior studies reveals that various computational models have been explored for irrigation management ranging from simple automation systems based on timer-controlled mechanisms (timer-based control) to more advanced computational frameworks leveraging artificial intelligence. One of the most prominent approaches among these is Deep Learning, which offers dynamic and data-driven decision-making capabilities. Among the existing architectures, the Long Short-Term Memory (LSTM) model stands out as one of the most frequently applied methods, with approximately 22% of the reviewed studies utilizing deep learning techniques in the context of smart irrigation. However, the majority of these studies do not explicitly describe the network architecture used. Of the total, only about 7% explicitly employ the LSTM architecture specifically designed to process sequential data such as daily weather parameters. Meanwhile, around 18% of the studies develop hybrid models that integrate deep learning with optimization algorithms or ensemble learning techniques, while the remaining 3% apply computational models in a more general sense, without specific focus on water distribution control in irrigation systems. Beyond predictive modeling approaches, the development of smart irrigation systems has also heavily incorporated Internet of Things (IoT) technology as the backbone for sensor and actuator infrastructure. Various implementations have been developed using Android-based digital interfaces or web platforms that enable real-time monitoring of temperature, soil moisture, and other environmental parameters. However, most of these systems still fall within the category of automation systems that merely execute commands based on direct sensor input and have not yet evolved into intelligent systems capable of adapting, learning, and predicting water requirements dynamically according to changing environmental conditions. This study proposes a computational model architecture based on deep learning, namely the Hybrid Convolutional Long Short-Term Memory (H-ConvLSTM), which is designed to enhance both accuracy and adaptability in estimating reference evapotranspiration (ETo) values. The model integrates the strengths of the Convolutional Neural Network (CNN) for spatial feature extraction and the Long Short-Term Memory (LSTM) network for handling sequential temporal data, such as daily temperature and humidity trends. The primary innovation and advantage of the proposed architecture lie in the incorporation of Decision Tree Pooling (DT-Pooling), which replaces conventional pooling methods such as max pooling or average pooling, enabling more adaptive and information-preserving feature selection within the convolutional process. Conceptually, the main issue with conventional pooling lies in the loss of important information due to the reduction process that relies on a single criterion, such as selecting only the maximum or average value. While this approach is effective for dimensionality reduction, it lacks adaptability to complex and non-linear input patterns. To address this limitation, Decision Tree Pooling (DT-Pooling) is introduced, utilizing decision boundary and information gain mechanisms to determine the most representative value from each convolutional operation. This pooling process is conducted adaptively by establishing an optimal threshold based on the distribution of pixel or feature values within each convolutional window. The procedure involves entropy calculation and the selection of attributes with the highest information gain as the decision basis, ensuring that features most relevant to both spatial and temporal contexts are preserved throughout the learning process. The novelty of this study comprises two main aspects. First, a new deep learning architecture, namely H-ConvLSTM, is proposed for predicting reference evapotranspiration (ETo) by introducing a modification at the pooling stage using Decision Tree Pooling (DT-Pool). This approach enables a more adaptive feature extraction process that preserves important information more effectively than conventional pooling methods such as max pooling and average pooling. Second, this study successfully reduces the dependence on solar radiation as the primary parameter for predicting reference evapotranspiration by utilizing only air temperature and relative humidity as input variables. This makes the proposed approach more applicable in environments with limited sensor availability. Experimental results demonstrate that the H-ConvLSTM model with Decision Tree Pooling achieves the lowest prediction error of 0.1187 and a coefficient of determination (R²) of 0.8942, outperforming conventional CNN and LSTM models. These findings confirm the effectiveness of the proposed approach in producing a precise and adaptive model with strong potential for implementation in smart irrigation systems, particularly in tropical regions.