Teknologi big data dan kecerdasan buatan (AI) menjanjikan revolusi dalam dunia pertanian dengan memberikan informasi yang detail dan akurat kepada para petani. Salah satu pendekatan yang menarik adalah penggunaan remote sensing, khususnya melalui citra digital, yang memberikan keunggulan dalam memantau perubahan lahan pertanian dan lingkungan sekitarnya.
Penelitian ini merupakan proyek studi independen yang dilakukan oleh mahasiswa Prodi Ilmu Komputer – Komang Harry Sudana dibawah bimbingan dosen Kadek Yota Ernanda Aryanto, S.Kom., M.T., Ph.D. Penelitian ini berjudul “Crop Phenology Detection using Time Series Data with Machine Learning Approach”. Hasil dari proyek ini telah didiseminasikan kepada civitas akademika Prodi Ilmu Komputer pada Jumat, 23 Februari 2024.
Proyek ini merupakan hasil kerja sama antara Program Studi Ilmu Komputer Undiksha dengan KMUTT Geospatial Engineering and Innovation Center Thailand. Penelitian ini berfokus pada pengembangan aplikasi indeks vegetasi untuk analisis pertanian di Provinsi Chachoengsao, Thailand, menggunakan serangkaian citra satelit selama tiga tahun.
Pada tahap awal, penelitian ini mengidentifikasi tahapan fenologi pada tanaman padi dengan menggunakan beragam indeks vegetasi, seperti Normalized Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI), Land Surface Water Index (LSWI), dan Bare Soil Index (BSI). Keempat indeks tersebut memberikan informasi yang penting untuk memahami pertumbuhan tanaman.
Tim Peneliti
Dataset yang digunakan dalam penelitian ini adalah citra satelit Sentinel-2 selama rentang waktu empat tahun. Dari dataset tersebut, dilakukan ekstraksi nilai indeks vegetasi, dan hasilnya dianalisis terhadap fenologi tanaman padi. Pola perubahan nilai pada masing-masing indeks vegetasi diamati dan dianalisis.
Selanjutnya, dilakukan proses data labeling untuk mempersiapkan data untuk pengembangan model klasifikasi. Data labeling dilakukan dengan melihat perubahan nilai indeks vegetasi dalam rentang waktu tiga bulan, yang melibatkan tiga fase utama pertumbuhan tanaman: Start of Season (SOS), Peak of Season (POS), dan End of Season (EOS).
Pengembangan model klasifikasi dilakukan menggunakan algoritma Random Forest dan dilatih dengan metode k-Fold Cross Validation. Model ini dapat memprediksi fase pertumbuhan tanaman dengan akurasi keseluruhan sebesar 99%, dengan nilai Cohen’s Kappa 0.98. Metrik evaluasi lainnya, seperti presisi, recall, dan nilai f-1, juga menunjukkan kinerja yang sangat baik untuk model ini.
Dengan demikian, penelitian ini membuktikan bahwa kombinasi teknologi big data dan kecerdasan buatan dapat memberikan kontribusi besar dalam mengoptimalkan pengelolaan sumber daya pertanian, yang pada akhirnya dapat meningkatkan kesejahteraan petani dan mencapai tujuan pembangunan berkelanjutan.