Sistem Cerdas Penentuan Status Hara dan Rekomendasi Pemupukan Kelapa Sawit Menggunakan Citra Sentinel-1 untuk Mendukung Pertanian Presisi

Abstract

Salah satu tugas pengelola perkebunan dalam mengoperasikan dan mengelola lahan kelapa sawit adalah mengukur kandungan nutrisi daun secara tepat waktu dan berkala. Manajemen perkebunan kelapa sawit di Indonesia menerapkan dosis pemupukan menggunakan luasan blok berkisar antara 25 hingga 30 hektar. Dosis pemupukan diberikan berdasarkan hasil analisis sampling daun sawit dalam satu blok, untuk kemudian pemberian pupuk dilakukan dengan dosis yang sama pada setiap bloknya tanpa memperhatikan keragaman status hara kelapa sawit, sehingga pemberian pupuk dapat terjadi berlebih yang akan menyebabkan menurunnya kualitas lingkungan, atau sebaliknya pemupukan dengan dosis yang lebih rendah dari kebutuhan tanaman tidak dapat memberikan pengaruh yang optimal bagi pertumbuhan dan produksi tanaman baik kuantitas maupun kualitas. Selain itu, proses analisis laboratorium sampel daun mahal dan menimbulkan penundaan waktu yang signifikan untuk antrian, sehingga data hasil analisis laboratorium menjadi tidak relevan karena hasil analisis telah kadaluarsa dengan situasi terkini saat pemupukan akan diberikan. Pertanian Presisi adalah suatu strategi manajemen produksi pertanian berbasis sistem informasi yang menganalisis data temporal, spasial dan individual untuk mendukung pengambilan keputusan sesuai dengan perkiraan variabilitas dan fakta keragaman (heterogenitas) lahan atau lokasi. Tujuan dari pertanian presisi adalah meningkatkan efisiensi, produktivitas, profitabilitas produksi pertanian dan sekaligus mengurangi dampak lingkungan. Penelitian ini menerapkan pertanian presisi menggunakan teknologi radar satelit Sentinel-1 untuk analisis penentuan rekomendasi dosis pemupukan kelapa sawit yang menjanjikan proses akuisisi dan analisis data akan lebih cepat dari metode konvensional analisis laboratorium, sehingga sistem dapat melakukan penghematan biaya lapangan untuk pengambilan sampel dan analisis hara nutrisi karena data citra satelit Sentinel-1 dapat diunduh berkala secara gratis, dan penghematan jumlah tenaga kerja serta mengurangi resiko keselamatan tenaga kerja, yang pada akhirnya dapat memberikan peningkatan manajemen produksi sawit yang transparan dan akuntabel. Pemantauan status hara tanaman kelapa sawit dapat dilakukan dengan menggunakan data akuisisi citra dari teknologi penginderaan jauh. Keunggulan sensor radar satelit dibandingkan sensor optik satelit adalah kemampuan untuk pengambilan citra dengan kondisi cuaca buruk dan mampu menembus halangan awan. Berdasarkan dari data dual polarisasi vertikal dan horizontal, dan sudut datang hamburan balik radar satelit Sentinel-1, penelitian ini menerapkan computer vision dan machine learning untuk membuat model untuk estimasi status hara makro sawit, untuk kemudian mengembangkan model rekomendasi pemupukan kelapa sawit. Melalui serangkaian proses data mining dari citra satelit C-SAR Sentinel-1 menggunakan perangkat SNAP ToolBox dan QuantumGis, dan tahapan data transformation, data integration, data cleaning, feature selection, hyperparameter tuning, data training, dan cross validation, serta pemodelan menggunakan machine learning Random Forest Regression, telah berhasil membangun model estimasi status nutrisi makro dari kelapa sawit. Kinerja model estimasi nutrisi makro untuk unsur Nitrogen (N), Phosphor (P), Kalium (K) dan Magnesium (Mg) yang diuji pada data validasi (unseen data) menghasilkan nilai correctness masing-masing berturut-turut adalah 90,43%, 91,96%, 80,48% dan 60,02% untuk kategori lahan mineral, dan untuk kategori lahan gambut didapat hasil nilai correctness adalah 90,20%, 87,19%, 75,40% dan 62,81%. Model estimasi status hara makro telah dapat memvisualisasikan variabilitas kandungan N, P, K dan Mg dalam bentuk peta spasial sebaran nutrisi di areal perkebunan sawit tanah mineral dan gambut. Sehingga dosis rekomendasi pemupukan dapat diberikan secara presisi sesuai dengan keragaman kandungan status hara makro pada setiap blok, dan pemberian rekomendasi pemupukan dapat dilakukan kapanpun jika dibutuhkan tanpa adanya kendala halangan cuaca dalam pengambilan citra. Sistem cerdas penentuan status hara dan rekomendasi pemupukan yang dikembangkan pada penelitian ini merupakan inovasi teknologi untuk solusi bidang pertanian. Kebaharuan penelitian ini telah berhasil mengembangkan model rekomendasi pemupukan kelapa sawit menggunakan pendekatan interpolasi Lagrange dengan berbasis data citra radar Sentinel-1, dan proses pemodelan menggunakan metode dan algoritma komputasi dari machine learning yang memberikan kontribusi nyata dalam peningkatan kinerja rekomendasi pemupukan. Sehingga pengelolaan perkebunan kelapa sawit menjadi efektif, efisien, adil dan berkelanjutan, yang pada akhirnya mendukung pembangunan ekonomi nasional melalui penerapan pertanian presisi di industri pertanian 4.0.

One of the tasks of the plantation manager in operating and managing oil palm land is to measure the nutrient content of leaves in a timely and periodic manner. The management of oil palm plantations in Indonesia applies fertilizer doses using block areas ranging from 25 to 30 hectares. The amount of fertilization is given based on the sampling analysis of palm fronds in one block. Fertilization is carried out with the same dose in each block without regard to the diversity of the nutrient status of the oil palm plants so that excessive fertilization can occur, which will cause a decrease in environmental quality, or conversely, fertilization with a lower dose than the plant needs cannot have an optimal effect on growth and crop production, both in quantity and quality. In addition, the process of laboratory analysis of leaf samples is expensive. This causes a significant delay in queuing time so that the laboratory analysis results are no longer relevant because the results have expired when fertilization is to be applied. Precision Agriculture is an information system-based agricultural production management strategy that analyzes temporal, spatial, and individual data to support decision-making by estimates of variability and heterogeneity facts of land or locations. Precision agriculture aims to increase the efficiency, productivity, and profitability of agricultural production while reducing the environmental impact. This research applies precision farming using Sentinel-1 satellite radar technology to analyze recommended doses of oil palm fertilization which promises that the data acquisition and analysis process will be faster than conventional laboratory analysis methods so that the system can save field costs for sampling and nutrient analysis. Because Sentinel-1 satellite imagery data can be downloaded periodically for free, it keeps the number of workers. It reduces worker safety risks, which can increase transparent and accountable management of palm oil production. The nutrient status of oil palm plants can be monitored using image acquisition data from remote sensing technology. Compared to optical satellite sensors, the advantage of satellite radar sensors is the ability to take images in bad weather conditions and penetrate cloud barriers. Based on VV and VH double polarization data and the angle of incidence of the Sentinel-1 satellite radar, this study applies computer vision and machine learning to create a model for estimating oil palm's macronutrient status and then develop a recommendation model for oil palm fertilization. Through the stages of the data mining process from Sentinel-1 satellite imagery using the SNAP Toolbox and QuantumGis tools, as well as the steps of data cleaning, feature selection, hyperparameter settings, data training, and crossvalidation with modeling using Random Forest Regression machine learning. Has succeeded in building a model for estimating the macronutrient status of oil palm. The performance of the macronutrient estimation model for the elements Nitrogen (N), Phosphorus (P), Potassium (K), and Magnesium (Mg) tested on the validationdata showed that the correctness values, respectively, were 90.43%, 91.96 %, and 80.48% and 60.02% for the mineral land category. For the peatland category, the correctness values of the model were 90.20%, 87.19%, 75.40%, and 62.81%. Models for estimating macronutrient status have been able to visualize the variability of N, P, K, and Mg content in spatial maps of nutrient distribution in oil palm plantation areas on mineral and peat soils. So that the dosage of fertilization recommendations can be given precisely according to the diversity of macronutrient status content in each block, and fertilization recommendations can be made at any time if needed without any weather obstacles in taking images. The intelligent system for determining nutritional status and fertilizing recommendations developed in this study is a technological innovation for agricultural solutions. The novelty of this research has succeeded in creating a recommendation model for oil palm fertilization using the Lagrange interpolation approach based on Sentinel-1 radar image data. The modeling process uses computational methods and algorithms of machine learning that make a real contribution to improving the performance of fertilization recommendations so that the management of oil palm plantations will become effective, efficient, and sustainable, which in turn will support national economic development through the application of precision agriculture in the agricultural industry 4.0.