Pengembangan Sistem Pendugaan Nitrogen Tanah di Lahan Perkebunan Kelapa Sawit dengan Pendekatan Analisis Citra Sentinel-1

Abstract

Kelapa sawit adalah salah satu komoditas perkebunan yang mempunyai peran penting dalam perekonomian Indonesia. Indonesia adalah negara produsen dan eksportir kelapa sawit terbesar di dunia. Kebutuhan yang tinggi terhadap minyak kelapa sawit pada masa depan harus didukung dengan produktivitas tinggi. Pemupukan adalah salah satu upaya intensifikasi dalam meningkatkan produktivitas kelapa sawit. Tujuan dari manajemen pemupukan adalah untuk menyediakan hara yang cukup serta proporsi seimbang untuk memastikan kesehatan dan pertumbuhan kelapa sawit dengan baik serta hasil yang optimal. Kandungan hara yang utama pada kelapa sawit yang membantu pertumbuhan dan perkembangan kelapa sawit adalah nitrogen. Sampel tanah dan koordinat lokasi di ambil dari lahan perkebunan kelapa sawit kemudian sesuaikan dengan citra satelit Sentinel-1. Citra Sentinel-1 yang didapat kemudian diproses terlebih dahulu untuk mengurangi faktor-faktor yang memperburuk proses setelahnya. Metode pemrosesan citra Sentinel-1 adalah applying orbit file, calibration, speckle filtering, dan range doppler terrain correction dengan tambahan berkas Digital Elevation Nasional (DEMNAS). Nilai digital number yang didapat dari pantulan citra Sentinel-1 kemudian dijadikan variabel independen dan hasil nutrisi sampel laboratorium dijadikan variabel dependen. Praproses dilakukan untuk mempermudah proses permodelan, praproses yang dilakukan yaitu menyeleksi data pencilan hasil laboratorium yang menyebabkan data yang awalnya 347 menjadi 307 dan proses standarisasi data. Data tersebut dibagi menjadi dua kelompok data latih sebanyak 90% data dan data tes sebanyak 10% data. K-Fold Cross Validation dilakukan pada saat evaluasi model dengan K sebesar 5. Data tersebut dilatih dan dibangun model dengan menggunakan random forest regressor (RFR) dan multi linear regression (MLR). Seluruh model yang dibangun dilihat kualitas modelnya menggunakan MAPE dan ditentukan mana model terbaik dengan memilih MAPE terendah. Permodelan RFR dilakukan dengan metode data transformation, feature importances dan hyperparameter tuning.. Model RFR ini memiliki MAPE sebesar 19,53% Permodelan kedua dilakukan dengan menggunakan algoritme multi linear regression dan dites asumsi terlebih dahulu yang terdiri atas tes linieritas, distribusi normal, multikolinieritas, dan homoskedastisitas dan seluruh asumsi tersebut telah terpenuhi. Model MLR menghasilkan sebesar MAPE sebesar 22,41%. RFR dipilih menjadi model terbaik berdasarkan MAPE terendah dan berdasarkan interpretasi, model RFR memiliki akurasi yang baik untuk menentukan kandungan hara nitrogen tanah.