PEMANFAATAN BIG DATA DI PERKEBUNAN KELAPA SAWIT UNTUK PREDIKSI PRODUKSI DENGAN MENGGUNAKAN MODEL DEEP NEURAL NETWORK

MUHDAN SYAROVY, Andri Prima Nugroho, S.T.P., M.Sc. Ph.D; Prof. Dr. Ir. Lilik Soetiarso, M.Eng.

2023 | Tesis | MAGISTER TEKNIK PERTANIAN

Budidaya kelapa sawit di Indonesia sudah lebih dari 100 tahun. Saat ini seluruh proses budidaya tersebut berpotensi menghasilkan data yang sangat besar (big data). Namun, pemanfaatan data tersebut masih belum optimal. Di era revolusi industri 4.0, Big Data menjadi aset utama dalam membangun kecerdasan buatan untuk mendukung pertanian presisi. Salah satu kegunaan Big Data adalah untuk membangun model prediksi. Deep Neural Network (DNN) merupakan model yang dapat digunakan untuk memprediksi dengan memanfaatkan Big Data. Di sisi lain, prediksi produksi merupakan kegiatan yang sangat penting untuk membantu perkebunan dalam mengambil keputusan atas semua kegiatan berjalan secara efektif dan efisien. Penelitian ini bertujuan untuk memanfaatkan Big Data pada perkebunan kelapa sawit untuk memprediksi produksi menggunakan DNN. Dataset yang digunakan merupakan data history perkebunan dengan satuan unit terkecil Blok. Setiap Blok terdiri dari data input berupa data progeni, umur, luas areal, jenis tanah, hara daun, rerata berat tandan, jumlah tandan per pohon, curah hujan, hari hujan, dan defisit air, sedangkan output yang diprediksi berupa produktivitas. Dataset ini dibagi ke dalam dua jenis yaitu bulanan dan tahunan. Berdasarkan hasil penelitian didapatkan model DNN yang optimal dengan arsitektur 21-25-35-25-1 dengan fungsi aktivasi Relu pada hidden layer dan Sigmoid pada lapisan output. Learning rate yang digunakan 0,001 - 0,0001 dengan optimisasi Adam. Dataset bulanan memiliki error pada saat verifikasi sebesar 18,56% - 45,47%, sedangkan validasi sebesar 18,76% - 28,92%. Sementara itu, pada dataset tahunan, saat verifikasi error yang dihasilkan sebesar 15,72%, sedangkan validasi sebesar 8,20%. Saat evaluasi, dataset bulanan mampu memprediksi pola produksi bulan Januari - Desember 2021 keseluruhan kebun dengan error sebesar 3,74% - 19,32%. Sementara itu, dataset tahunan tidak dapat digunakan untuk memprediksi pola produksi bulanan. Untuk memprediksi produksi per tahun, dataset tahunan memiliki performa error sedikit lebih baik dibandingkan bulanan yaitu masing-masing sebesar 3,06% dan 3,41%. Namun, dibandingkan dengan persentase selisih dengan aktualnya, dataset bulanan memiliki selisih lebih kecil yaitu masing-masing sebesar -0,54% dan 0,85%. Dengan demikian, pemanfaatan Big Data dan model DNN dapat digunakan untuk memprediksi produksi di perkebunan kelapa sawit dengan baik sehingga dapat membantu perkebunan dalam mengambil keputusan yang lebih efektif dan efisien.

Oil palm cultivation in Indonesia has existed for more than 100 years. Currently, the entire cultivation process has the potential to generate big data. However, the utilization of the data is still not optimal. In era 4.0, big data is the main asset in building artificial intelligence to support precision agriculture. One of the uses of big data is to build predictive models. Deep Neural Network (DNN) is a model that can be used to predict by utilizing big data. On the other hand, production prediction is a very important activity to assist plantations in making the right decisions on all activities to operate effectively and efficiently. This study aimed to utilize big data on oil palm plantations to predict production using DNN. The dataset used was plantation history data with the smallest block units. Each block consisted of input data in the form of progeny, age, area, soil type, leaf nutrients, average bunch weight, number of bunches per tree, rainfall, rainy days, and water deficit, while the predicted output was productivity. This dataset was divided into two types, namely monthly and yearly. Based on the research results, the optimal DNN model was obtained with the 21-25-35-25-1 architecture with the Relu activation function in the hidden layer and Sigmoid in the output layer. The learning rate used was 0.001 – 0.0001 with Adam's optimization. The monthly dataset had an error during verification of 18.56% - 45.47%, while the validation was 18.76% - 28.92%. Meanwhile, in the annual dataset, when verification the resulting error was 15.72%, while the validation was 8.20%. During evaluation, the monthly dataset was able to predict production patterns for January - December 2021 for all plantations with an error of 3.74% - 19.32%. Meanwhile, the annual dataset could not be used to predict monthly production patterns. To predict production per year, the annual dataset had slightly better error performance than monthly, namely 3.06% and 3.41% respectively. However, compared to the actual percentage difference, the monthly dataset had a smaller difference - 0.54% and 0.85%. Thus, the utilization of Big Data and the DNN model was used to predict production in oil palm plantations effectively, which helped plantations make more effective and efficient decisions.

Kata Kunci : Kelapa sawit, big data, pertanian presisi, deep neural network