Hari ini kami melanjutkan perjalanan inovasi Teknologi kami dengan menggunakan model Machine Learning untuk meningkatkan hasil panen
Latar Belakang
Sepanjang keberadaan pertanian, salah satu masalah utama yang menarik bagi petani adalah isu peningkatan hasil panen. Apa cara terbaik untuk meningkatkan hasil panen per hektar? Apa saja faktor yang paling mempengaruhi hasil panen? Akhir-akhir ini, mengingat pertumbuhan populasi dunia yang terus meningkat, isu ini menjadi semakin relevan. Namun, dengan munculnya tantangan baru bagi para petani, muncul pula cara-cara dan teknologi baru yang dipanggil untuk menjawab semua tantangan tersebut. Artikel ini akan membahas mengenai apa yang dapat dilakukan oleh para petani untuk meningkatkan hasil panen di lahan mereka dan teknologi baru yang dapat membantu dalam hal ini.
Minyak kelapa sawit merupakan salah satu komoditas terbesar yang diproduksi dan dibutuhkan di dunia. Sebanyak 73 juta metrik ton diproduksi pada tahun 2020-2021 untuk memenuhi kebutuhan industri makanan, kosmetik, dan bahan bakar. Sebagian besar buah yang dihasilkan berasal dari Indonesia dan Malaysia karena tanaman ini cocok tumbuh di daerah tropis. Memiliki lahan yang sangat luas untuk penanaman kelapa sawit di Kalimantan Timur, PT REA Kaltim perlu menangani perkebunan mereka dengan hati-hati. REA Kaltim memiliki lebih dari 75.000 hektar lahan yang dialokasikan untuk penanaman kelapa sawit, dimana lebih dari 35.000 hektar merupakan tanaman kelapa sawit yang telah menghasilkan lebih dari 900.000 ton tandan buah segar setiap tahunnya selama empat tahun terakhir.
Mengapa Kita Membutuhkan Prediksi Hasil Panen?
Meskipun REA Kaltim berhasil meningkatkan produksi kelapa sawit secara signifikan pada tahun 2018, namun hasil panen mereka telah menurun selama tiga tahun terakhir. Biasanya dinyatakan dalam Ton per Ha, hasil panen dianggap sebagai ukuran kinerja yang paling penting, karena merupakan hasil dari semua upaya dan sumber daya yang diinvestasikan oleh para petani dalam pengembangan tanaman di ladang mereka.
Untuk membantu manajer perkebunan dalam menentukan penyebab utama dari hasil panen yang buruk berdasarkan faktor-faktor yang relevan, perkiraan hasil panen kelapa sawit sangat penting. Untuk memastikan bahwa perkebunan yang ada saat ini memberikan hasil panen yang optimal tanpa menambah penggunaan lahan, prediksi hasil panen kelapa sawit, dan mengoptimalkan hasil panen per unit penggunaan lahan sangatlah penting. Menghasilkan estimasi hasil panen yang efektif, cepat, dan akurat dalam kondisi perkebunan dan panen yang tidak terduga terus menjadi tantangan besar.
Machine Learning di bidang Pertanian
Berbagai penelitian dan proyek telah dilakukan untuk menggunakan data science dan teknologi analitik baru di sektor pertanian, salah satunya adalah Machine Learning. Pembelajaran mesin adalah bagian dari AI di mana mesin diprogram untuk memproses dan memanfaatkan data. Selain pengumpulan data yang efisien, machine learning bertujuan untuk memanfaatkan jumlah data yang terus bertambah yang dikumpulkan dengan memodifikasi dan menganalisisnya tanpa masukan dari manusia. Pembelajaran mesin adalah jenis analisis matematis yang memiliki fokus yang berbeda dari pendekatan analitis pada mata pelajaran terapan. Di bidang pertanian, pembelajaran mesin digunakan dalam pengelolaan tanah dan air, pengendalian penyakit dan hewan peliharaan, kontrol kualitas tanaman, dan hasil panen. Salah satu aspek terpenting dalam pertanian presisi adalah prediksi hasil panen, yang sangat penting untuk memetakan dan meramalkan hasil panen, mencocokkan pasokan dan permintaan tanaman, dan mengelola tanaman untuk memaksimalkan produktivitas.
Machine Learning untuk Memprediksi Hasil Panen
Selama satu dekade terakhir, prediksi hasil panen menggunakan machine learning telah dipelajari dengan berbagai macam algoritma, mulai dari sereal hingga biji minyak, dengan suhu, nutrisi, dan fisiologi tanaman sebagai parameter. Kung dkk. (2016) telah mempelajari prediksi hasil panen tomat menggunakan machine learning dengan metode Ensemble Neural Network (ENN). Parameter yang mereka gunakan adalah faktor meteorologi (misalnya kelembaban relatif, curah hujan, dan suhu udara), faktor lingkungan (misalnya luas tanam, luas panen, jumlah panen, dan jumlah panen per satuan volume), dan faktor ekonomi (misalnya biaya produksi dan harga jual di pasar) dari tahun 1997-2014 di Taiwan. Dari penelitian ini, mereka menemukan 3 model dengan tingkat kesalahan di bawah 2% dan dua model dengan akurasi di atas 90%. Penelitian lainnya adalah memprediksi hasil panen gandum di lahan seluas 22 hektar di Bedfordshire, Inggris, yang dilakukan oleh Patanzi dkk. (2015) dengan menggunakan Supervised Kohonen Networks (SKN) dengan tingkat akurasi 91% dan kemudian mengurangi biaya tenaga kerja dan waktu untuk pengambilan sampel dan analisis tanah. Kita dapat berasumsi dari dua penelitian ini bahwa pembelajaran mesin memberi manfaat bagi industri pertanian.
Proyek Kami
Data Scientist Kitameraki membangun gugus tugas dengan ahli agronomi REA dan pemangku kepentingan berpengetahuan lainnya untuk membangun model pembelajaran mesin yang dapat memprediksi hasil panen perkebunan kelapa sawit.
Hasil panen tanaman bergantung pada berbagai variabel, termasuk iklim, fisiologi tanaman, pengelolaan tanah, penggunaan air, dll. Langkah pertama dari proyek ini adalah mengidentifikasi variabel-variabel yang memiliki dampak terbesar pada hasil panen kelapa sawit. Kami mengevaluasi hujan, bahan tanam, kematangan, dan atribut lainnya terhadap hasil panen kelapa sawit, serta menambahkan usia sebagai atribut tambahan karena memainkan peran yang signifikan terhadap hasil panen. Kami memilih Random Forest sebagai model untuk penelitian ini karena parameter yang kami gunakan bersifat non-parametrik dimana data yang kami gunakan tidak bergantung pada distribusi. Selain itu, random forest memiliki manfaat utama yaitu dapat digunakan untuk masalah klasifikasi dan regresi, yang merupakan bagian dari sistem machine learning modern.
Hasil dan Tantangan
Percobaan pertama kami menggunakan hujan, bahan tanam, dan kematangan sebagai atribut tidak menunjukkan hasil yang memuaskan. Model yang kami gunakan tidak menunjukkan regresi yang baik, nilai R-square yang dihasilkan model masih di bawah 0.5 dan atribut atau parameter yang kami gunakan untuk memprediksi hasil panen mengalami multikolinieritas atau ketika variabel independen dalam model saling berkorelasi, hal ini menunjukkan bahwa model masih belum dapat diandalkan. Meskipun kami belum menemukan model yang sesuai, penelitian ini mengalami peningkatan setelah kami memodifikasi atribut menjadi umur, curah hujan, dan rotasi panen. Meskipun nilai R-square untuk panen vs hasil panen sudah lebih dari 0.9, kami masih terus berupaya mengembangkan model yang lebih baik untuk klien kami agar prediksi di masa depan menjadi lebih tepat. 
Kami menduga bahwa data yang kami gunakan memiliki kekurangan. Karena berbagai penelitian telah menunjukkan adanya perbedaan antara potensi dan produksi aktual kelapa sawit. Mengingat banyak elemen yang harus dipertimbangkan saat memprediksi hasil panen, seperti manajemen perkebunan. Sebagai contoh, hujan yang tidak terduga dapat memperpanjang interval panen, yang akan memperlambat proses panen. Selain itu, teknik pemanenan yang berbeda dan apakah pemanen melakukan pemulihan tanaman berdampak pada hasil panen di perkebunan klien kami yang luas di seluruh Kalimantan Timur. Karena alasan-alasan ini, kami perlu mengembangkan dan mengeksplorasi lebih banyak model yang dapat memprediksi hasil panen secara akurat, dan meningkatkan metode penelitian kami.
Dari proyek yang sedang kami kerjakan, kami mengetahui bahwa memprediksi sangat penting untuk produktivitas dan efisiensi suatu proses, dan kami dapat menggunakan kecerdasan buatan untuk mencapainya. Pembelajaran mesin untuk proyeksi digunakan di banyak industri, oleh karena itu kami dapat membantu Anda dalam meningkatkan dan meneliti peramalan untuk bisnis Anda sendiri. Jangan ragu untuk menghubungi Kitameraki untuk mendapatkan layanan kami; kami akan menjadi mitra Anda dalam teknologi dan transformasi digital!
Comentarios