Implementasi Machine Learning untuk Bidang Pertanian

Elemen kegiatan pada pertanian (sumber: pixabay)

Pertanian memainkan peran penting dalam ekonomi global. Tekanan pada sistem pertanian akan meningkat seiring dengan terus berkembangnya populasi manusia.

Agri-teknologi dan pertanian presisi, sekarang juga disebut pertanian digital, muncul sebagai bidang ilmiah baru yang menggunakan data pendekatan intens untuk mendorong produktivitas pertanian sambil meminimalkan dampak lingkungannya.

Data yang dihasilkan dalam operasi pertanian modern disediakan oleh berbagai sensor yang berbeda memungkinkan pemahaman yang lebih baik tentang lingkungan operasional (interaksi tanaman dinamis, tanah, dan kondisi cuaca) dan operasi itu sendiri (data mesin), yang mengarah ke lebih akurat dan lebih cepat pengambilan keputusan.

Machine Learning

Seorang petani menyulam tanaman tomatnya yang mati di Kelurahan Bayaoge, Palu, Sulawesi Tengah, Selassa (5/5) Foto: ANTARAFOTO/Basri Marzuki

Machine Learning (ML) telah muncul bersama dengan teknologi data besar dan komputasi kinerja tinggi untuk menciptakan peluang baru untuk mengungkap, mengukur, dan memahami proses intensif data di lingkungan operasional pertanian.

Di antara definisi lainnya, ML didefinisikan sebagai bidang ilmiah yang memberi mesin kemampuan untuk belajar tanpa diprogram secara ketat. Tahun demi tahun, ML berlaku di lebih banyak bidang ilmiah termasuk, misalnya, bioinformatika, biokimia, kedokteran, meteorologi, ilmu ekonomi, robotika, akuakultur, dan ketahanan pangan, serta klimatologi.

Biasanya, metodologi ML melibatkan proses pembelajaran dengan tujuan untuk belajar dari “pengalaman” (data pelatihan) untuk melakukan suatu tugas. Data dalam ML terdiri dari sekumpulan contoh.

Biasanya, contoh individu dijelaskan oleh sekumpulan atribut, juga dikenal sebagai fitur atau variabel. Fitur dapat berupa nominal (pencacahan), biner (yaitu, 0 atau 1), ordinal (misalnya, A+ atau B−), atau numerik (integer, real, nomor, dll).

Buruh tani menanam padi di area persawahan Tamarunang, Kabupaten Gowa, Sulawesi Selatan, Kamis (16/6/2022). Foto: Arnas Padda/ANTARA FOTO

Performa model ML dalam tugas tertentu diukur dengan metrik performa yang ditingkatkan dengan pengalaman dari waktu ke waktu. Untuk menghitung performa model dan algoritma ML, berbagai model statistik dan matematika digunakan.

Setelah proses pembelajaran berakhir, model yang dilatih dapat digunakan untuk mengklasifikasikan, memprediksi, atau mengelompokkan contoh baru (data pengujian) dengan menggunakan pengalaman yang diperoleh selama proses pelatihan.

Tugas ML biasanya diklasifikasikan ke dalam kategori luas yang berbeda tergantung pada jenis pembelajaran (diawasi/tidak diawasi), model pembelajaran (klasifikasi, regresi, pengelompokan, dan pengurangan dimensi).

Penerapan ML

Ilustrasi petani di sawah. Foto: Pixabay

Penerapan ML untuk pertanian dapat dibagi menjadi sub-kategori antara lain: (i) prediksi hasil panen, (ii) deteksi penyakit, (iii) kualitas produk pertanian, dan (iv) pengenalan spesies.

• Prediksi hasil panen

Prediksi hasil panen merupakan salah satu topik terpenting dalam pertanian presisi untuk pemetaan hasil, estimasi hasil, pencocokan pasokan tanaman dengan permintaan, dan pengelolaan tanaman untuk meningkatkan produktivitas.

Penerapan machine learning pada prediksi hasil panen pertanian membantu petani dalam perencanaan yang lebih baik, pengelolaan sumber daya yang efisien, dan pengurangan risiko kerugian akibat bencana alam atau perubahan iklim.

Prediksi hasil panen yang akurat juga memungkinkan pengambilan keputusan yang lebih cerdas mengenai jenis tanaman, penggunaan pupuk, dan strategi pertanian secara keseluruhan.

Ada beberapa algoritma machine learning yang umum digunakan dalam prediksi hasil panen pertanian. Pemilihan algoritma tergantung pada karakteristik data dan kompleksitas masalah.

Berikut adalah beberapa contoh algoritma machine learning yang sering digunakan untuk prediksi hasil panen pertanian seperti: regresi linear, K-Nearest Neighbor (K-NN), neural network, deep learning dll.

Tingkat akurasi algoritma ML pada prediksi hasil panen pertanian dapat bervariasi tergantung pada berbagai faktor, seperti kualitas data yang digunakan, ukuran dataset, pemilihan fitur yang tepat, serta jenis dan kompleksitas model yang dipilih.

Tingkat akurasi juga dapat dipengaruhi oleh variasi cuaca dan faktor lingkungan lainnya yang sulit diprediksi sepenuhnya. Sebagai contoh, dalam kasus tertentu, prediksi hasil panen dengan akurasi sekitar 80%-90% dapat dianggap baik dan bermanfaat untuk membantu petani dalam pengambilan keputusan.

Namun, dalam situasi lain, akurasi yang lebih tinggi mungkin diperlukan untuk mengurangi risiko kerugian atau untuk perencanaan yang lebih presisi.

• Deteksi penyakit

Deteksi penyakit adalah sub-kategori dengan jumlah artikel terbanyak yang disajikan dalam beberapa penelitian terakhir. Salah satu perhatian paling signifikan dalam pertanian adalah pengendalian hama dan penyakit di lahan terbuka dan kondisi rumah kaca.

Praktik yang paling banyak digunakan dalam pengendalian hama dan penyakit adalah menyemprotkan pestisida secara merata ke area pertanaman. Praktik ini, meskipun efektif, memiliki biaya finansial dan lingkungan yang tinggi.

Dampak lingkungan dapat berupa residu pada produk tanaman, efek samping pada pencemaran air tanah, dampak pada satwa liar setempat dan ekosistem, dan sebagainya.

ML merupakan bagian terpadu dari manajemen pertanian presisi, di mana input agro-kimia ditargetkan dalam hal waktu dan tempat. Beberapa ilmuan telah mengembangkan metode baru berdasarkan prosedur pemrosesan gambar untuk klasifikasi parasit dan deteksi otomatis thrips di lingkungan rumah kaca stroberi.

Deteksi otomatis tanaman yang terinfeksi akan dapat meningkatkan hasil panen dan memakan waktu lebih sedikit dibandingkan dengan pemeriksaan secara manual.

• Kualitas Produk Pertanian

Sub-kategori selanjutnya adalah mengidentifikasi fitur-fitur yang berhubungan dengan kualitas produk pertanian. Deteksi dan klasifikasi karakteristik produk pertanian yang akurat dapat meningkatkan harga produk dan mengurangi limbah.

Pendekatan tersebut menerapkan metode ML dengan pencitraan reflektansi hiperspektral. ML digunakan untuk penentuan kualitas produk pertanian dengan mengidentifikasi dan mengklasifikasikan produk berdasarkan atribut-atribut tertentu yang dapat diukur atau diobservasi.

Tujuan dari aplikasi ML ini adalah untuk memudahkan penentuan kualitas produk pertanian secara otomatis dan akurat, yang dapat membantu petani dan pihak terkait dalam pengambilan keputusan dan peningkatan kualitas produk.

Parameter yang diprediksi untuk penentuan kualitas produk pertanian menggunakan ML adalah kategori kualitas dari produk tersebut.

Kategori kualitas ini biasanya merupakan label atau kelas yang menunjukkan seberapa baik atau buruk kualitas produk pertanian berdasarkan atribut-atribut atau fitur-fitur tertentu.

Misalnya, jika kita ingin menentukan kualitas buah apel, atribut-atribut yang relevan bisa mencakup ukuran, warna kulit, tingkat kematangan, dan tekstur daging buah. Parameter yang ingin diprediksi adalah kategori kualitas buah apel, seperti "Baik", "Cukup", atau "Buruk".

Berdasarkan data atribut-atribut buah apel dan label kualitas yang sudah ada, algoritma ML akan belajar untuk mengenali pola-pola dan hubungan antara atribut-atribut tersebut dengan kategori kualitasnya.

Setelah model ML dilatih, model tersebut dapat digunakan untuk memprediksi kualitas buah apel yang baru berdasarkan atribut-atribut yang diukur.

Demikian pula, untuk produk pertanian lainnya seperti sayuran, biji-bijian, atau produk lainnya, parameter yang diprediksi tetap merupakan kategori kualitas berdasarkan atribut-atribut yang relevan.

Penerapan ML dalam penentuan kualitas produk pertanian membantu meningkatkan efisiensi dan akurasi dalam proses klasifikasi kualitas, serta memberikan informasi yang lebih objektif bagi pemangku kepentingan dalam industri pertanian.

• Pengenalan spesies

Sub-kategori terakhir adalah pengenalan spesies. Tujuan utamanya adalah identifikasi otomatis dan klasifikasi spesies tanaman atau hama untuk menghindari penggunaan ahli manusia, serta untuk mengurangi waktu klasifikasi.

Identifikasi spesies tanaman atau hama menggunakan ML adalah salah satu aplikasi yang sangat relevan dan bermanfaat dalam bidang pertanian. Dengan kemajuan teknologi dan perkembangan algoritma ML, pendekatan ini telah menjadi lebih akurat dan efisien dalam mengenali dan membedakan spesies tanaman atau hama berdasarkan karakteristik uniknya.

Metode image processing dan audio signal dapat digunakan dalam pengenalan pola pada data gambar dan sinyal audio untuk identifikasi spesies tanaman atau hama. Kedua teknik ini memungkinkan ekstraksi fitur-fitur khusus dari gambar dan sinyal audio yang dapat digunakan sebagai input untuk algoritma ML.