Pemodelan Hybrid Residual LSTM-GRU untuk Prediksi Produktivitas Kelapa Sawit Berbasis Pertanian Presisi

Abstract

Pertanian presisi adalah strategi manajemen yang memperhitungkan variabilitas temporal dan spasial untuk meningkatkan keberlanjutan produksi pertanian. Pertanian presisi sangat dibutuhkan untuk memprediksi produktivitas, monitoring, evaluasi, dan pengambilan keputusan pada spesifik lokasi kesesuaian lahan perkebunan. Setiap blok per kebun memiliki pola produktivitas, kondisi hara, dan respons terhadap faktor lingkungan yang berbeda, sehingga diperlukan model prediksi yang mampu menangkap hubungan temporal, multivariabel, dan spesifik lokasi. Pada penelitian ini arsitektur dari algoritma yang dikembangkan mampu menyesuaikan dengan keragaman (variabilitas) setiap blok pada perkebunan kelapa sawit di KPPS Jonggol IPB dan sebagian perkebunan di PT X. Variabel yang digunakan sebagai variabel input meliputi curah hujan, umur tanaman, dan input baru yang belum pernah dilakukan pada penelitian sebelumnya yaitu status hara makro Nitrogen (N), Fosfor (P), Kalium (K). Pengujian beberapa model algoritma yaitu Random Forest Regression, Extreme Gradient Boosting Extreme Gradient Boosting, Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU) pada studi awal menunjukkan bahwa model berbasis deep learning khususnya LSTM dan GRU lebih sesuai untuk data deret waktu produktivitas kelapa sawit dibandingkan model machine learning. Selanjutnya penelitian ini dikembangkan dengan menggunakan model hybrid LSTM-GRU yang mengombinasikan LSTM dan GRU. Hasil penelitian ini menunjukkan bahwa model hybrid LSTM-GRU menghasilkan kinerja lebih baik dibandingkan LSTM dan GRU tunggal. Pada KPPS Jonggol IPB, model hybrid LSTM-GRU menghasilkan rata-rata MAPE sebesar 31,88% dan RMSE sebesar 0,470 lebih baik dibandingkan LSTM dengan MAPE 60,23% dan GRU dengan MAPE 53,44%. Hasil ini menunjukkan bahwa kombinasi LSTM dan GRU mampu meningkatkan kemampuan model dalam merepresentasikan pola produktivitas kelapa sawit yang bersifat temporal dan multivariabel. Model hybrid LSTM-GRU ditambahkan residual agar dapat menangkap pola kerakteristik keragaman berdasarkan spesifik lokasi yang lebih baik. Residual digunakan untuk mempelajari sisa kesalahan prediksi yang belum mampu ditangkap oleh model utama. Secara deskriptif, penambahan residual mampu menurunkan nilai MAPE dari 31,88% menjadi 29,49% atau peningkatan correctness dari 68,12% menjadi 70,51% sedangkan RMSE menurun dari 0,470 menjadi 0,445 walaupun secara uji Wilcoxon yang dilakukan pada KPPS Jonggol blok 1 s.d blok 5 belum signifikan. Pada PT X rata-rata MAPE menurun dari 36,71% menjadi 33,52% serta peningkatan correctness dari 63,29% menjadi 66,48% sedangkan RMSE menurun dari 0,790 menjadi 0,744. Efektivitas residual dipengaruhi oleh karakteristik data, pola temporal, efek jeda, dan variasi residual pada masing-masing blok. Selain aspek akurasi, penelitian ini juga menganalisis waktu komputasi. Analisis interpretabilitas dilakukan menggunakan feature importance untuk mengetahui variabel yang paling berpengaruh terhadap hasil prediksi pada setiap blok. Hasil analisis tingkat kepentingan fitur (feature importance) menunjukkan bahwa variabel dominan berbeda antar blok. Feature importance kemudian dikombinasikan dengan analisis jeda berbasis koefisien korelasi. Analisis jeda digunakan untuk mengetahui periode waktu sebelumnya yang memiliki hubungan paling kuat dengan produktivitas. Pada Jonggol Blok 1, hasil analisis menunjukkan bahwa beberapa variabel memiliki hubungan paling kuat pada jeda 24 bulan. Hal ini menunjukkan bahwa pengaruh curah hujan dan status hara terhadap produktivitas tidak selalu muncul pada bulan yang sama, tetapi dapat terjadi karena adanya jeda. Secara keseluruhan, penelitian ini telah berhasil membangun model hybrid residual LSTM-GRU yang arsitektur dan parameternya sangat bergantung pada keragaman (variability) dan karakteristik kesesuaian lahan dengan menggunakan data status hara makro nitrogen (N), fosfor (P), kalium (K), curah hujan, dan umur tanaman kelapa sawit disertai dengan analisis jeda dan pengaruh variabel terhadap hasil prediksi produktivitas kelapa sawit.

Precision agriculture is a management strategy that considers temporal and spatial variability to improve agricultural production sustainability. Precision agriculture is essential for predicting productivity, monitoring, evaluating, and making decisions on plantation land suitability. Each block per plantation has different productivity patterns, nutrient conditions, and responses to environmental factors; thus, a predictive model capable of capturing temporal, multivariable, and location-specific relationships is required. In this study, the architecture of the developed algorithm is able to adapt to the diversity (variability) of each block in oil palm plantations in the Jonggol IPB KPPS and some plantations in PT X. The variables used as input variables include rainfall, plant age, and new inputs that have never been used in previous studies, namely the status of macronutrients Nitrogen (N), Phosphorus (P), Potassium (K). In the initial study, the testing of several algorithm models, namely, random forest regression, extreme gradient boosting, extreme gradient boosting, long short-term memory (LSTM), and gated recurrent unit (GRU), showed that deep learning-based models, especially LSTM and GRU, are more suitable for time series data of oil palm productivity than machine learning models. This research was further developed using a hybrid LSTM-GRU model that combines LSTM and GRU. The results of this study indicate that the hybrid LSTM-GRU model outperforms LSTM and GRU alone. In the Jonggol IPB KPPS, the hybrid LSTM-GRU model produced an average MAPE of 31.88% and an RMSE of 0.470, which were better than those of LSTM with a MAPE of 60.23% and GRU with a MAPE of 53.44%. These results indicate that the combination of LSTM and GRU can improve the model’s ability to represent temporal and multivariable OP productivity patterns. Furthermore, residuals were added to the hybrid LSTM-GRU model to better capture the diversity characteristic patterns based on specific locations. Residuals were used to study the remaining prediction errors that were not captured by the main model. Descriptively, the addition of residuals reduced the MAPE values from 31.88% to 29.49% or increased correctness from 68.12% to 70.51%, while RMSE decreased from 0.470 to 0.445, although the Wilcoxon test conducted on KPPS Jonggol blocks 1 to 5 was not significant. At PT X, the average MAPE decreased from 36.71% to 33.52% and the correctness increased from 63.29% to 66.48%, whereas the RMSE decreased from 0.790 to 0.744. The effectiveness of residuals is influenced by data characteristics, temporal patterns, lag effects, and residual variations in each block. In addition to the accuracy aspect, computation time was analyzed. Interpretability analysis was conducted using feature importance to determine the variables in each block that most influenced the prediction results. The feature importance analysis results showed that the dominant variables differed between blocks. Feature importance was then combined with a correlation coefficient-based lag analysis. Lag analysis is used to determine the previous period with the strongest relationship with productivity. In Jonggol Block 1, the results of the analysis show that several variables have the strongest relationship at a 24-month lag. This indicates that the effects of rainfall and nutrient status on productivity do not always appear in the same month but can occur due to lags. Overall, the main contribution of this study is to build a residual LSTM-GRU hybrid model whose architecture and parameters are highly dependent on the variability and characteristics of the land suitability using macronutrient status data of nitrogen (N), phosphorus (P), potassium (K), rainfall, and oil palm plant age accompanied by a lag analysis and the influence of variables on the predicted results of oil palm productivity.