Algoritma Kecerdasan Buatan Digunakan untuk Memprediksi Hasil Pertanian

Diprediksi bahwa pasar pertanian presisi akan mencapai $12,9 miliar pada tahun 2027. Dengan peningkatan ini, ada kebutuhan untuk solusi analisis data yang canggih yang dapat membimbing keputusan manajemen secara real-time. Sebuah metodologi baru telah dikembangkan oleh sebuah kelompok antar disiplin di Universitas Illinois, dan tujuannya adalah untuk memproses data pertanian presisi dengan efisien dan akurat.

Nicolas Martin adalah asisten profesor di Departemen Ilmu Tanaman di Illinois dan co-penulis studi tersebut.

“Kami mencoba mengubah cara orang melakukan penelitian agronomi. Alih-alih membangun plot lapangan kecil, menjalankan statistik, dan menerbitkan rata-rata, apa yang kami lakukan melibatkan petani secara lebih langsung. Kami menjalankan eksperimen dengan mesin petani di lapangan mereka sendiri. Kami dapat mendeteksi respons spesifik lokasi terhadap input yang berbeda. Dan kami dapat melihat apakah ada respons di bagian lain lapangan,” katanya.

“Kami mengembangkan metodologi menggunakan pembelajaran dalam untuk menghasilkan prediksi hasil. Ini mencakup informasi dari variabel topografi yang berbeda, konduktivitas tanah, serta perlakuan nitrogen dan biji yang kami terapkan di sembilan lapangan jagung di Midwest.”

Tim menggunakan data tahun 2017 dan 2018 dari Proyek Manajemen Pertanian Intensif Data untuk membantu mengembangkan pendekatan mereka. Dalam proyek tersebut, biji dan pupuk nitrogen diterapkan dengan tingkat yang berbeda di 226 lapangan. Lapangan-lapangan tersebut berada di berbagai wilayah dunia, termasuk Midwest, Brasil, Argentina, dan Afrika Selatan. Gambar satelit resolusi tinggi disediakan oleh PlanetLab, dan mereka dipasangkan dengan pengukuran di lapangan untuk memprediksi hasil.

Lapangan-lapangan tersebut dipisahkan secara digital menjadi persegi 5 meter. Komputer diberi data tentang tanah, elevasi, tingkat aplikasi nitrogen, dan tingkat biji untuk setiap persegi, dan kemudian mulai mempelajari bagaimana hasil di persegi tersebut ditentukan oleh interaksi faktor-faktor tersebut.

Untuk menyelesaikan analisis mereka, peneliti tersebut mengandalkan jaringan saraf konvolusional (CNN). CNN adalah jenis pembelajaran mesin atau kecerdasan buatan. Sementara beberapa jenis pembelajaran mesin membuat komputer menambahkan data baru ke dalam pola yang ada, jaringan saraf konvolusional tidak mempertimbangkan pola yang ada. CNN melihat data dan mempelajari pola yang bertanggung jawab untuk mengorganisir data tersebut, dan bekerja dengan cara yang sama seperti manusia mengorganisir informasi melalui jaringan saraf di otak. Pendekatan CNN dapat memprediksi hasil dengan tingkat akurasi yang tinggi, dan dibandingkan dengan algoritma pembelajaran mesin lain dan teknik statistik tradisional.

“Kami tidak benar-benar tahu apa yang menyebabkan perbedaan respons hasil terhadap input di seluruh lapangan. Terkadang orang memiliki ide bahwa suatu titik harus merespons sangat kuat terhadap nitrogen dan tidak, atau sebaliknya. CNN dapat mendeteksi pola tersembunyi yang mungkin menyebabkan respons,” kata Martin. “Dan ketika kami membandingkan beberapa metode, kami menemukan bahwa CNN bekerja sangat baik untuk menjelaskan variasi hasil.”

Penggunaan kecerdasan buatan untuk menganalisis data pertanian presisi adalah bidang baru, tetapi ini adalah bidang yang tumbuh. Pertanian adalah salah satu industri utama yang akan berubah secara drastis oleh kecerdasan buatan, dan penggunaannya terus meningkat. Menurut Martin, eksperimen ini hanya awal dari penggunaan CNN dalam berbagai aplikasi yang berbeda.

“Akhirnya, kami bisa menggunakan ini untuk menghasilkan rekomendasi optimum untuk kombinasi input dan konstrain lokasi yang diberikan.”