Penulis: Muhdan Syarovy, Iput Pradiko, Rana Farrasati, Winarna, S Rasyid, C Mardiana, Rizki D. P. Pane, Nuzul H. Darlan, Sumaryanto, Suroso Rahutomo, Fahmi Hidayat, Eka Listia
Publikasi asli: IOP Conference Series: Earth and Environmental Science, 2024 · DOI: 10.1088/1755-1315/1308/1/012054
Bayangkan Anda memiliki alat kecil bernama chlorophyll meter yang bisa mengukur kadar klorofil daun hanya dengan menjepitkannya di permukaan daun. Alat seperti SPAD-502 sudah lama menjadi andalan para peneliti dan praktisi perkebunan untuk memperkirakan status nutrisi tanaman secara cepat dan non-destruktif. Namun tahukah Anda bahwa data mentah dari alat ini ternyata belum siap pakai begitu saja? Di sinilah peran pre-processing atau pra-pemrosesan data menggunakan machine learning menjadi sangat krusial — terutama ketika kita ingin model prediksi yang kita bangun benar-benar akurat dan bisa diandalkan di lapangan.
Penelitian yang dilakukan oleh tim dari Indonesian Oil Palm Research Institute (IOPRI) bersama Universitas Hasanuddin ini secara spesifik menyelidiki bagaimana teknik pre-processing yang berbeda dapat memengaruhi akurasi model dalam mengestimasi klorofil daun kelapa sawit dari data portable chlorophyll meter. Data dikumpulkan dari tiga lokasi perkebunan kelapa sawit di Sumatera dan Kalimantan, mencakup berbagai kelompok umur tanaman dan kondisi lahan. Sebanyak lima metode pre-processing diuji: Savitzky-Golay filter (SG), standard normal variate (SNV), multiplicative scatter correction (MSC), first derivative (FD), dan second derivative (SD).
Hasilnya cukup menarik. Kombinasi metode MSC-FD memberikan performa terbaik dengan nilai R² sebesar 0,834 dan RMSE sebesar 1,396 — artinya model mampu menjelaskan lebih dari 83 persen variasi kadar klorofil daun hanya dari pantulan cahaya yang diukur oleh chlorophyll meter. Sebagai perbandingan, jika data mentah digunakan langsung tanpa pre-processing, nilai R² hanya mencapai 0,782. Peningkatan akurasi ini mungkin terdengar kecil di atas kertas, namun dalam praktiknya perbedaan tersebut bisa berarti keputusan pemupukan yang lebih tepat sasaran, penghematan biaya pupuk yang signifikan, dan pada akhirnya produktivitas tanaman yang lebih baik.
Apa artinya ini bagi pekebun kelapa sawit? Dengan teknik pre-processing yang tepat, alat pengukur klorofil yang relatif murah dan mudah digunakan bisa menjadi decision support tool yang andal untuk mengelola nutrisi tanaman secara presisi. Tidak perlu lagi mengirim sampel daun ke laboratorium dan menunggu berhari-hari untuk mengetahui status hara tanaman. Cukup jepit, baca, dan biarkan model machine learning bekerja di balik layar — keputusan pemupukan bisa diambil dalam hitungan menit.
Tentu masih ada ruang untuk perbaikan. Penelitian ini menggunakan data dari tiga lokasi dengan jumlah sampel 108 daun, dan model terbaik masih menyisakan sekitar 16 persen variasi yang belum bisa dijelaskan. Penambahan variabel lingkungan seperti suhu, kelembaban, dan intensitas cahaya saat pengukuran kemungkinan bisa meningkatkan akurasi lebih jauh lagi. Namun sebagai langkah awal, studi ini membuka jalan bagi pengembangan sistem monitoring nutrisi tanaman kelapa sawit berbasis machine learning yang praktis, cepat, dan terjangkau.
Referensi:
Syarovy, M., et al. (2024). Pre-processing techniques using a machine learning approach to improve model accuracy in estimating oil palm leaf chlorophyll from portable chlorophyll meter measurement. IOP Conference Series: Earth and Environmental Science, 1308(1), 012054. DOI: 10.1088/1755-1315/1308/1/012054
Leave a Reply