Koordinasi Multi-drone Untuk Precision Farming Menggunakan Algoritma K-Means Clustering & Intelligent Optimization Method

Abstract

Metode manajemen pertanian yang dilakukan saat ini dapat menyebabkan pencemaran lingkungan melalui penggunaan pestisida yang berlebihan. Pemberian pestisida pada tanaman dapat didasarkan pada tingkat kesehatan suatu tanaman sehingga dosisnya akan tepat. Hal tersebut dapat diatasi dengan menggunakan teknologi drone, dimana drone dapat difungsikan untuk memetakan kesehatan tanaman dan menyemprotkan pestisida. Pada lahan yang luas penggunaan satu unit drone penyemprot akan memerlukan waktu dan tenaga yang besar, oleh karena itu perlu digunakan beberapa unit drone yang terkoordinasi. Salah satu algoritma yang digunakan untuk merancang rute drone adalah ACO, namun terdapat beberapa parameter ACO yang harus ditetapkan secara manual (satu persatu) dimana nilainya belum menjamin akan menghasilkan hasil akhir yang optimal. Dari beberapa hal diatas, perlu dirancang suatu strategi yang tujuannya agar dapat merancang rute terbang beberapa unit drone pemyemprot berdasarkan tingkat kesehatan tanaman. Rute terbang tersebut dirancang dengan menggunakan algoritma ACO yang dioptimasi dengan algoritma GA dan 3Opt. Manfaat dari penelitian ini adalah dihasilkannya metode untuk dapat membuat database titik-titik dengan parameter tingkat kesehatan tanaman dan strategi untuk membuat rute terbang beberapa unit drone penyemprot. Drone mapping melakukan penerbangan untuk mengambil citra lahan yang akan disemprot. Data citra diolah dengan menggunakan pendekatan NDVI untuk menghasilkan data tingkat kesehatan tanaman yang divalidasi dengan data lapangan. Citra tersebut digunakan untuk membuat titik-titik target terbang drone penyemprot dengan memperhatikan ketinggian terbang dan kekuatan semprot nozzle. Titik-titik tersebut digunakan sebagai dataset untuk merancang rute terbang beberapa drone penyemprot. Dataset apabila terlalu luas maka digunakan K-Means clustering untuk membagi menjadi beberapa area. ACO digunakan untuk mengalokasikan drone ke titik-titik, GA berfungsi untuk mengoptimasi beberapa parameter ACO dan 3Opt berperan melakukan optimasi hasil secara lokal. Dari pengolahan dihasilkan data tingkat kesehatan tanaman dengan akurasi 96%. Data titik-titik target drone dibuat dengan dimensi 2 x 2 meter sesuai dengan kriteria yang telah ditentukan. Digunakan sebanyak 63 titik sebagai dataset pengujian strategi perancangan rute. Dengan menggunakan GA, rute yang lebih optimal akan dihasilkan seiring dengan bertambahnya generasi. GA juga berhasil melakukan optimasi beberapa parameter ACO secara otomatis, tidak perlu dicari satu persatu secara manual. Penggunaan 3Opt mampu memberikan efisiensi rute yang dihasilkan sebesar 4% dibandingkan hanya menggunakan ACO dan GA. Terdapat dua variabel yaitu panjang rute dan waktu komputasi, dimana panjang rute merupakan prioritas utama dikarenakan lebih nyata dampaknya ketika dilakukan misi penyemprotan secara langsung pada lahan pertanian.

Current agricultural management methods can cause environmental pollution through excessive use of pesticides. Applying pesticides to plants can be based on the health level of a plant so that the dose will be correct. This can be overcome by using drone technology, where drones can be used to map plant health and spray pesticides. On large areas of land, using one drone spraying unit will require a lot of time and energy, therefore it is necessary to use several coordinated drone units. One of the algorithms used to design drone routes is ACO, however, several ACO parameters must be set manually (one by one) whose values do not guarantee that they will produce optimal final results. Based on the things above, it is necessary to design a strategy whose aim is to be able to design flight routes for several spraying drone units based on the level of plant health. The flight route was designed using the ACO algorithm which was optimized with the GA and 3Opt algorithms. The benefit of this research is that it produces a method for creating a database of points with plant health level parameters and a strategy for creating flight routes for several spraying drone units. Mapping drones fly to take images of the land to be sprayed. Image data is processed using the NDVI approach to produce plant health-level data that is validated with field data. This image is used to create flying target points for spraying drones by paying attention to the flying height and nozzle spray power. These points are used as a dataset to design flying routes for several spraying drones. If the dataset is too large, K-Means clustering is used to divide it into several areas. ACO is used to allocate drones to points, GA functions to optimize several ACO parameters and 3Opt plays a role in optimizing results locally. From the processing, plant health level data is produced with an accuracy of 96%. Data on drone target points is made with dimensions of 2 x 2 meters according to predetermined criteria. A total of 63 points were used as a dataset for testing route design strategies. By using GA, more optimal routes will be generated as generations increase. GA also succeeded in optimizing several ACO parameters automatically, no need to search for them one by one manually. Using 3Opt can provide a route efficiency of 4% compared to using only ACO and GA. There are two variables, namely route length and computing time, where route length is the main priority because the impact is more obvious when spraying missions are carried out directly on agricultural land.