Prediksi Kandungan Nutrisi Tanah (N, P, K) Menggunakan Algoritma Machine Learning untuk Pertanian Presisi
Keywords:
Deep Learning, Deep Neural Network, Random Forest, Machine Learning, Hipertensi, Internet of Things (IoT), Hortikultura, Sensor Tanaman, React Native, Monitoring Real-Time, Aplikasi Mobile, Pertanian Cerdas., nutrisi tanah, nitrogen, fosfor, kaliumAbstract
Pertanian presisi termasuk dalam inovasi di aspek pertanian yang di dalam nya mencangkup teknologi informasi, sensor, dan menganalisis data untuk untuk meningkatkan efektifitas sumber daya dan hasil panen. Aspek yang penting dari pertanian presisi adalah memantau nutrisi tanah, terutama unsur seperti Nitrogen (N), Fostor (P), dan Kalium (K). Ketiga unsur ini mempunyai peran yang penting untuk meningkatkan efisiensi pemupukan dan tumbuhnya tanaman. Metode konvensional untuk mengukur kandunga NPK masih mengandalkan uji laboratorium yang bisa memakan biaya, waktu, dan tenaga. Karena itu, perlu pendekatan yang yang dapat memperkirakan kandungan NPK secara dan efisien cepat.
Penelitian ini memiliki tujuan untuk mengembangkan model memprediksi kadar N, P, dan K dalam tanah menggunakan Machine Learning diambil dari data sensor lingkungan seperti pH, curah hujan, suhu, dan kelembapan. Data yang akan digunakan diambil dari Crop Recommendation Dataset (Kaggle) yang berisi 2.200 data dengan variable N, P, K, dan factor pendukung lingkungan lainya. Model Machine Learning yang digunakan meliputi XGBoost, LSTM, dan Random Forest, kemudian dibandingkan untuk mengetahui algoritma mana yang memiliki peforma terbaik. Evaluasi akan menggunakan metrik Root Mean Square Error (RMSE) dan R² Score untuk menentukan akurasi prediksi.
Penelitian ini diharapkan mampu menghasilkan model yang akurat untuk membantu petani menentukan kadar pupuk yang mereka butuhkan berdasarkan kondisi tanah yang aktual. Dengan demikian, penelitian ini dapat membantu meningkatkan efisiensi pertanian presisi di Indonesia dan mendukung inisiatif pertanian yang berkelanjutan dan berbasis data.
