Kopi TIMES

Pendekatan Machine Learning dalam Pertanian Presisi

Selasa, 22 Oktober 2024 - 17:34 | 13.59k
Fadli Hafizulhaq, Dosen di Departemen Teknik Pertanian dan Biosistem, Fakultas Teknologi Pertanian, Universitas Andalas
Fadli Hafizulhaq, Dosen di Departemen Teknik Pertanian dan Biosistem, Fakultas Teknologi Pertanian, Universitas Andalas

TIMESINDONESIA, PADANG – Selama berpuluh-puluh tahun, sektor pertanian masih menjadi sektor pemberi lapangan kerja terbanyak bagi masyarakat Indonesia. Hal tersebut tidak terlepas dari luasnya lahan pertanian yang tersedia (termasuk di dalamnya perkebunan dan perikanan). Akan tetapi, waktu puluhan tahun itu nyatanya tidak cukup untuk membuat petani Indonesia menjadi sejahtera.

Salah satu faktor penyebab dari kondisi miris tersebut tidak lain adalah pertanian Indonesia yang belum efektif dan efisien. Salah satu buktinya adalah harga akhir produk pertanian negeri ini masih kalah murah dari produk negara tetangga. Hal tersebut menjadi alasan yang rasional untuk membuat pemangku kebijakan membuka keran impor beras dan komoditas lain dari luar.

Advertisement

Kondisi yang sama barangkali tidak hanya terjadi di negeri ini, akan tetapi juga di berbagai belahan dunia lain di mana para petani masih mengandalkan cara konvensional. Seiring perkembangan zaman, efektivitas lahan pertanian dapat ditingkatkan dengan penggunaan teknologi seperti machine learning dalam cakupan ilmu pertanian presisi.

Machine Learning dan Pertanian Presisi

Dalam ilmu pengukuran, presisi berarti ketepatan atau ketelitian dari suatu sistem pengukuran. Sebagai misal, saat mengunjungi sebuah klinik, seseorang yang sebut saja namanya Fulan, mengukur berat badannya menggunakan timbangan badan analog. Percobaan pertama dia dapatkan beratnya 77 kilogram, percobaan kedua 75 kilogram, dan percobaan terakhir adalah 78 kilogram.

Lantaran tidak puas dengan hasil yang berubah-ubah, Fulan mencoba ulang 3 kali pengukuran dengan timbangan badan digital dan mendapatkan hasil 76,5; 77; 76,7 kilogram. Fulan puas dengan hasil timbangan digital ini karena timbangan digital memberikan hasil yang lebih presisi. Semakin dekat hasil pengukuran yang berulang maka semakin presisi lah alat ukur yang digunakan.

Dalam konteks pertanian presisi, presisi di sini fokus kepada penggunaan sumber daya dengan tepat dan teliti. Teknologi digunakan untuk dapat mengefisienkan sumber daya yang diterapkan ke lahan pertanian-dengan sesedikit mungkin untuk produktivitas yang sebanyak mungkin. Penerapan pertanian presisi membutuhkan data yang bisa didapatkan dari literatur atau diukur langsung oleh sensor.

Data-data tersebut kemudian diolah untuk mendapatkan formula terbaik dalam penerapan sumber daya. Pertanyaannya, bagaimana cara pengolahannya? Pengolahan ini dapat dilakukan secara manual, menggunakan pemrograman atau aplikasi sederhana, hingga menerapkan algoritma pembelajaran mesin atau machine learning.

Dikutip dari publikasi Kok, dkk., (2021) yang bertajuk “Support Vector Machine in Precision Agriculture: A review”, salah satu algoritma machine learning bernama Support Vector Machine dapat digunakan untuk berbagai tugas dalam proses pertanian.

SVM dapat membuat estimasi kebutuhan nutrisi dari tanaman, khususnya nitrogen (N). Model SVM dibangun dengan mengandalkan data spektral dari daun tanaman. Algoritma ini juga dapat digunakan untuk memperkirakan jumlah panen dari suatu lahan dengan komoditas tertentu. Model prediksi jumlah panen dapat dibangun dengan data iklim (temperatur, curah hujan, cahaya matahari) hingga penggunaan pupuk.

Selain SVM, beberapa algoritma machine learning lainnya juga dapat digunakan dalam penerapan pertanian presisi. Algoritma tersebut meliputi Random Forest, Decision Tree, hingga Naïve Bayes. Pemilihan algoritma machine learning harus disandarkan pada kebutuhan pada aplikasi terkait.

Realita Penerapan

Pengaplikasian pertanian presisi merupakan hal yang sudah cukup umum di berbagai negara maju. Petani di Eropa telah menerapkan pertanian presisi untuk meningkatkan kuantitas dan kualitas produksi mereka dengan menggunakan lebih sedikit input atau sumber daya. Petrović, dkk., (2024) dalam laporannya yang berjudul "Application of precision agriculture technologies in Central Europe-review" menyebutkan bahwa petani di Jerman dan Republik Ceko unggul dalam penerapan teknologi pertanian tersebut.

Akan tetapi, pemanfaatan algoritma machine learning ke dalam pertanian presisi saat ini masih terbilang jarang dilakukan. Hal ini dapat disebabkan oleh berbagai faktor. Salah satu faktornya adalah keterbatasan sumber daya manusia yang terampil untuk mengerjakan hal tersebut. Meskipun pertanian presisi merupakan praktek pertanian berbasis data, pengolahan data dengan machine learning adalah urusan yang berbeda.

Gampangnya, pertanian presisi bisa tetap diterapkan meskipun tanpa menggunakan machine learning ataupun jenis kecerdasan buatan (Artificial Intelligence/AI) yang lain. Agaknya para petani dan praktisi teknologi pertanian masih membutuhkan waktu untuk menerapkan pendekatan machine learning dalam pertanian presisi. Waktu yang mungkin sama panjangnya dengan waktu yang dibutuhkan untuk mewariskan industri pertanian pada generasi muda yang lebih melek dengan teknologi.

***

*) Oleh : Fadli Hafizulhaq, Dosen di Departemen Teknik Pertanian dan Biosistem, Fakultas Teknologi Pertanian, Universitas Andalas.

*)Tulisan Opini ini sepenuhnya adalah tanggungjawab penulis, tidak menjadi bagian tanggungjawab redaksi timesindonesia.co.id

*) Kopi TIMES atau rubik opini di TIMES Indonesia terbuka untuk umum. Panjang naskah maksimal 4.000 karakter atau sekitar 600 kata. Sertakan riwayat hidup singkat beserta Foto diri dan nomor telepon yang bisa dihubungi.

*) Naskah dikirim ke alamat e-mail: [email protected]

*) Redaksi berhak tidak menayangkan opini yang dikirim.

**) Ikuti berita terbaru TIMES Indonesia di Google News klik link ini dan jangan lupa di follow.



Editor : Hainorrahman
Publisher : Sholihin Nur

TERBARU

INDONESIA POSITIF

KOPI TIMES