Sistem Cerdas untuk Estimasi Waktu Panen dan Produktivitas Sorgum Pakan Ternak

Abstract

Dalam pembiakan hewan ternak sapi, rumput adalah pakan utama. Upaya meningkatkan kualitas pakan tersebut dengan cara menambahkan makanan suplemen gizi, tentunya konsekuensi peningkatan biaya produksi terkait harga konsentrat. Maka salah satu alternatifnya dengan cara mengkombinasikan pakan utama dengan hijauan dengan kandungan sumber protein tinggi dan dengan biaya ekonomis seperti sorgum. Permasalahannya adalah untuk sorgum yang berkualitas baik memiliki siklus waktu tertentu saat kandungan biomasa, nutrisi dan kelayakan cerna dalam kondisi baik, sehingga dibutuhkan keputusan waktu panen yang tepat dan dukungan estimasi jumlah produksi serta kandungan kualitasnya. Tujuan dari penelitian ini adalah membuat model untuk mengestimasi waktu panen sorgum, model untuk mengestimasi jumlah produksi dan kandungan Acid Detergent Fiber (ADF) serta membuat prototipe sistem cerdas. Tahapan metode penelitian meliputi analisis pemahaman masalah, pengambilan data citra Sentinel-2, citra dari digital kamera, data observasi dan hasil laboratorium, tahapan praproses, tahap pemodelan, tahap evaluasi dan validasi untuk mendapatkan hasil akurasi yang baik, serta implementasi pengembangan prototipe sistem cerdas. Hasil penelitian untuk mengestimasi waktu panen sorgum dengan data citra Sentinel 2A menggunakan model algoritme Convolutional Neural Network (CNN) dengan arsitektur simple CNN layer (32, 64, 128) dan dropout 0,5 memiliki tingkat akurasi tertinggi yakni 0,9883 dibandingkan arsitektur lainnya. Estimasi produksi biomasa menggunakan algoritme Support Vector Regression (SVR) dengan kernel polynomial memiliki R-Squared tertinggi dibandingkan linear dan RBF yakni 0,7841 dan error terendah nilai MAE 0,0681. Sedangkan penelitian untuk estimasi kandungan ADF menggunakan algoritme model CNN dengan arsitektur Simple CNN dengan akurasi tertinggi 0,9750 dan error MAE terendah 1,4345 dibandingkan dengan arsitektur lainnya. Prototipe sistem cerdas ini menggunakan masing-masing model terpilih untuk estimasi waktu panen, estimasi produksi biomasa dan estimasi kandungan ADF. Pengembangan prototipe sistem cerdas ini menggunakan metodelogi iterative melalui tahapan requirement atau kebutuhan, tahap design and development termasuk membuatkan disain dengan use case diagram sistem cerdas, perancangan user interface untuk splash screen, menu utama screen estimasi panen, screen estimasi biomasa, screen estimasi kandungan ADF dan juga screen yang mencakup estimasi panen, bioasa dan estimasi kandungan ADF. Selanjutnya melalui tahapan testing dan tahapan implementasi termasuk dibuatkan deployment diagram. Kebaruan yang dalam penelitian ini adalah metode baru untuk estimasi waktu panen, estimasi produksi dan estimasi kandungan ADF, dengan menggabungkan ketiga model tersebut agar memberikan dampak solusi efisiensi biaya pakan ternak.

In cattle breeding, grass is the main feed. Efforts to improve feed quality by adding nutritional supplements will increase production costs related to concentrate prices. So, one alternative is to combine the main feed with forage with a high protein source content and at an economical cost, such as sorghum. The problem is that good quality sorghum has a specific time cycle when the biomass content, nutrients, and digestibility are in good condition, so appropriate harvest time decisions are needed, as well as support for production quantity and quality estimates. This research aims to create a model to estimate sorghum harvest time, a model to estimate production biomass and Acid Detergent Fiber (ADF) content, and an intelligent system prototype. The stages of the research method include problem-understanding analysis, collecting Sentinel-2 image data, pictures from digital cameras, observation data, and laboratory results, preprocessing stages, modeling stages, evaluation, and validation stages to obtain good accuracy results, as well as the implementation of development intelligent system prototype. The study results in a sorghum harvest time model using Sentinel-2 image data and the Convolutional Neural Network (CNN) algorithm model with a simple CNN layer architecture (32, 64,128) and dropout 0.5. It has the highest level of accuracy, namely 0.9883, compared to other architectures. Biomass production estimation using the Support Vector Regression (SVR) algorithm with a polynomial kernel has the highest R-squared compared to linear and RBF, 0.7841, and the lowest error MAE value is 0.0681. Meanwhile, research for quality estimation uses the CNN model algorithm with the Simple CNN architecture with the highest accuracy of 0.9750 and the lowest MAE error of 1.4345 compared to other architectures. The Smart System Prototype used each selected model to estimate harvest time, biomass production, and ADF content. Developing this smart system prototype applied an iterative methodology through the requirements or needs stage, the design and development stage, including making a design with a smart system use case diagram, user interface design for the splash screen, main menu harvest estimation screen, biomass estimation screen, ADF content estimation screen and also a screen that includes estimated harvest, biomass, and estimated ADF content. Next, the study performed and the implementation stages, including creating a deployment diagram. The novelty of this research is a new method for estimating harvest time, production, and ADF content by combining these three models to provide an efficient solution for animal feed costs. Keywords: machine learni