prediksi hasil panen padi

1. TUGAS EVALUASI NON DESTRUKTIF BAHAN PERTANIAN
SIMULASI SISTEM DINAMIS KEBUTUHAN COMBINE HARVESTER
Oleh
Agus Hermansyah
No. BP. 1921122003
JURUSAN TEKNIK PERTANIAN
FAKULTAS TEKNOLOGI PERTANIAN
UNIVERSITAS ANDALAS
2019

2. I. PENDAHULUAN
I.1 Latar Belakang
Kebutuhan beras di Indonesia akan terus meningkat dari tahun ke tahun dengan
diperlukan ketersediaannya dalam jumlah yang besar serta mutu yang sesuai. Untuk
memenuhi ketersediaan beras tersebut saat ini mengalami berbagai kendala selain dari
serangan hama dan penyakit ada beberapa faktor alam yang mempengaruhi, diantaranya :
bencana alam (banjir kekeringan, gempa bumi), alih fungsi lahan, perubahan iklim (climate
change) serta minimnya tenaga kerja di Desa.
Tanaman padi merupakan tanaman yang di budidayakan dengan pola tanam dan
musim yang serentak, hal ini membuat proses pemanenan padi dilakukan secara bersamaan
dan membutuhkan tenaga kerja yang tidak sedikit. Sedangkan waktu dari proses panen
hingga pascapanen harus dilakukan secepat mungkin agar tidak merusak mutu dari padi itu
sendiri. Hampir seluruh wilayah di Indonesia tidak memiliki ketersediaan tenaga kerja yang
banyak karenanya diperlukan alat bantu mekanis untuk menggantikannya. Terutama dalam
hal pemanenan, kekurangan tenaga kerja bisa digantikan oleh alat mekanis, salah satunya
mesin pemanen padi combine harvester.
Dengan menggunakan alat mekanis seperti combine harvester, permasalahan seperti
tingginya angka kehilangan hasil dan kekurangan tenaga panen diharapkan dapat
diminimalisir. Sehingga dapat meningkatkan hasil produksi padi. Pemerintah dalam 5 tahun
terakhir telah berupaya dengan memberikan bantuan combine harvester kepada petani untuk
mengatasi permasalahan tersebut. Namun keterbatasan informasi mengenai kebutuhan dari
combine harvester menjadi salah satu kendala dalam menentukan jumlah yang tepat untuk
diberikan kepada petani. penggunaan alat mesin pertanian antara lain mengatasi masalah
tenaga kerja pedesaan terutama ketika terjadi panen raya, pengolahan dan tanam serempak,
dapat berkerja cepat dan tepat waktu, meningkatkan efisiensi dan efektivitas, dan
meningkatkan produktivitas lahan.
Kelangkaan tenaga kerja panen menyebabkan jadwal panen sering tertunda atau
tidak tepat waktus sehingga mempengaruhi hasil produksi padi, serta permintaan upah
tenaga kerja yang semakin mahal. Waktu panen yang terlalu awal menyebabkan mutu gabah
rendah. Keterlambatan panen dapat menyebabkan menurunnya kualitas maupun kuantitas
hasil produksi.
Dewasa ini, penggunaan teknologi penginderaan jauh (remote sensing) banyak
digunakan pada berbagai bidang pekerjaan, tidak terkecuali bidang pertanian. Pada
umumnya di bidang pertanian, penginderaan jauh digunakan untuk mengumpulkan data
tentang tanaman dan tanah. Penginderaan jauh menggunakan sensor penginderaan jauh
yang ditempatkan di atas objek atau target untuk mengumpulkan data yang seringkali tidak
terdeteksi.
Beberapa penelitian telah menerapkan penginderaan jauh guna memantau dan
memprediksi produksi padi. Nilai NDVI, Klorofil, LAI merupakan beberapa variable yang
saat ini sudah dapat diukur dengan menggunakan penginderaan jauh, baik dengan
menggunakan sensor aktif dan pasif. Sensor pasif yaitu dengan citra satelit yang

3. menggunakan cahaya matahari sebagai sumber pencahayaannya, sedangkan sensor aktif
merupakan sensor yang memiliki sumber cahaya sendiri yang bisa digunakan kapan dan
dimana saja. Prediksi hasil panen dapat disajikan kedalam bentuk data spasial yang sangat
penting dalam menentukan kebutuhan waktu, lokasi, luas area panen serta kebutuhan tenaga
panen. Sehingga dapat digunakan sebagai salah satu acuan dalam menghitung kebutuhan
combine harvester pada suatu lahan pertanian.
Sejalan dengan permasalahan di atas, maka perlu diketahui kebutuhan combine
harvester untuk pemanenan padi yang ideal. Oleh Karena itu perlu dikembangkan sebuah
model simulasi sistem dinamis kebutuhan combine harvester dengan memperhatikan
beberapa parameter seperti jumlah tenaga kerja yag tersedia, luas panen, produktifitas,
kapasitas kerja, persentase penambahan combine harvester, jam kerja pemanenan dan waktu
kerja tersedia.
I.2 Tujuan
Tujuan dari penelitian ini adalah membuat simulasi sistem dinamis kebutuhan
combine harvester yang dapat memprediksi kebutuhan tenaga mekanis pemanenan pada
lahan sawah.
I.3 Manfaat
Penelitian ini diharapkan dapat membantu pemerintah dalam mengambil kebijakan
terkait pengalokasin bantuan combine harvester dan dan membantu petani untuk
mengetahui kebutuhan tenaga mekanis pemanenan.
II. Referensi Penelitian
Beberapa penelitian telah dilakukan dalam mengembangkan simulasi sistem dinamis
kebutuhan alat dan mesin pertanian dan prediksi hasil panen padi menggunakan
penginderaan jauh.
1. Model simulasi kebutuhan traktor tangan untuk pengolahan padi sawah (Sigit Prabawa,
2011)
a. Metode Penelitian
Pendekatan sistem merupakan suatu metodologi pemecahan masalah yang diawali
dengan identifikasi serangkaian kebutuhan dan menghasilkan sistem operasi yang
efektif. Langkah-langkah yang dilakukan dalam pendekatan sistem meliputi analisis
kebutuhan, perumusan masalah, dan identifikasi sistem (Manetsch dan Park, 1977).
Pendekatan sistem dapat bekerja sempurna apabila mempunyai delapan unsur yang
meliputi (1) metodologi untuk perencanaan dan pengelolaan, (2) tim multidisipliner,
(3) pengorganisasian, (4) disiplin untuk bidang yang non-kuantitatif, (5) teknik model
matematik, (6) teknik simulasi, (7) teknik optimasi, dan (8) aplikasi komputer. Model
dikembangkan menggunakan piranti lunak Powersim.

4. Identifikasi sistem
1) Diagram sebab akibat
Diagram sebab akibat kebutuhan traktor tangan
2) Diagram masukan keluaran
Beberapa asumsi awal :
– Nilai awal populasi penduduk = 1.156.000 orang
– Nilai awal populasi hewan = 19.188 ekor
– Nilai awal total luas lahan padi sawah = 95.172 ha
– Nilai awal persentase pencangkul = 19,21 %
– Persentase angkatan kerja laki-laki = 24,85 %
– Persentase hewan kerja = 58 %
– Persentase pertumbuhan populasi penduduk = 2,25 %
– Persentase pertumbuhan populasi hewan = - 8,35 %
– Persentase pertumbuhan pencangkul = - 11,79 %
– Persentase pertumbuhan luas lahan padi sawah = - 0,50 %
– Jam kerja pencangkul = 7,65 jam/hari
– Jam kerja hewan = 5,30 jam/hari
– Jam kerja traktor tangan = 10,67 jam/hari
– Kapasitas kerja pencangkul = 592,92 jam/ha

5. – Kapasitas kerja hewan = 88,09 jam/ha
– Kapasitas kerja traktor tangan = 21,10 jam/ha
– Waktu kerja tersedia = 60 hari
b. Hasil Penelitian
Model berhasil dibuat menggunakan piranti lunak power sim, dengan hasil sebagai
berikut :
Pertumbuhan jumlah traktor yang dibutuhkan bersifat asimtotis jika total luas lahan
padi sawah adalah konstan. Hal ini karena setelah periode tertentu hampir semua
luas lahan dikerjakan dengan traktor sehingga tidak ada pertumbuhan jumlah traktor
yang nyata.

6. 2. Rice yield forecasting models using satellite imagery in Egypt (Noureldin et. al. 2013)
a. Metode Penelitian
Pemodelan prediksi hasil panen padi dilakukan dengan menggunakan data yang
dikumpulkan dari stasiun eksperimen Sakha, Pusat Peneliti Pertanian, Kementerian
Pertanian, Mesir. Total luas lokasi pengamatan padi adalah 2,4 ha selama musim
tanam tahun 2008 dan 2009, menggunakan varietas Sakha 104. Wilayah yang
termasuk wilayah studi didefinisikan sebagai Dataran Aluvial Pro-Deltaik. Pro-Delta
ini dicirikan oleh tanah lempung dengan fraksi lempung tinggi dan persentase
saturasi air yang tinggi.
Pengamatan dilakukan hingga 90 HST (tahap pertumbuhan vegetatif maksimum),
dengan melakukan 60 pengukuran dari 60 bidang sawah di setiap musim
berdasarkan grid system.
Setiap plot memiliki luas 400m2 (20x20m) yang mewakili 1 piksel citra satelit SPOT
yang dutetapkan sebagai 1 plot pengukuran dan Lokasi GPS setiap plot dicatat. Dari
60 plot, 50 plot diambil secara acak untuk proses permodelan dan 10 plot sampel
diambil untuk validasi. 3 Jenis data digunakan dari citra SPOT yaitu nilai refleksi
band hijau, merah dan NIR. 6 nilai indeks vegetasi dihitung yaitu Green Vegetation
Index (GVI), Ratio Vegetation Index (RVI), Infrared Percentage Vegetation Index
(IPVI), Difference Vegetation Index (DVI), Normalize Difference Vegetation Index
(NDVI) and Soil Adjusted Vegetation Index (SAVI). Perhitungan masing-masing
indek vegetasi tersebut adalah :
1) GVI
Dimana : ρir dan ρg spectral reflectance dari band NIR dan green
2) RVI
3) IPVI
4) DVI
5) NDVI
Dimana : ρir dan ρr spectral reflectance dari band NIR dan red
6) SAVI
Dimana : ρir dan ρr spectral reflectance dari band NIR dan red dan L adalah
faktor penyesuaian optimal

7. Untuk pengukuran LAI (Leaf Area Index) digunakan sensor LAI-2000 Plant
Canopy Analyzer, kemudian pada saat panen digunakan harvester untuk
mengukur hasil panen (ton/ha). Model yang dihasilkan berlaku terbatas untuk
kondisi spesifik daerah penelitian dan daerah dengan kondisi yang sama dengan
daerah penelitian.
Semua hasil data dari indeks vegetasi, LAI dan hasil panen diolah menggunakan
regresi sederhana dan multi-regresi dan ditentukan parameter statistiknya dengan
mencari nilai estimasi standard error dan koefisien determinasi (R2). Model yang
dihasilkan divalidasi dengan 2 langkah, pertama dengan meliha koefisien
determinasi dari masing-masing model dan kedua membandingkan hasil panen dari
model dengan hasil panen teknis yang diamati dengan menentukan standard error
dan koefisien determinasinya.
b. Hasil Penelitian
1) Analisis regresi sederhana
Diperoleh model regresi sederhana untuk prediksi hasil panen padi pada tahun
2008 dan 2009
Koefisien determinasi antara model prediksi hasil panen dengan hasil panen
actual pada tahun 2008 dan 2009
2) Analisis regresi berganda
Model prediksi hasil panen pada beberapa nilai indeks vegetasi dan LAI

8. Koefisien determinasi antara model prediksi hasil panen dan hasil panen actual
3. Prediksi hasil panen padi menggunakan pesawat tanpa awak (Abdul Holik dan Riza
Rahimi Bachtiar, 2019)
a. Metode Penelitian
Pengambilan data dilakukan dengan cara akuisisi citra objek menggunakan drone.
Akuisisi citra dilakukan pada saat menjelang panen. Petakan sawah dibuat
ubinan dengan ukuran 2,5 x 2,5 m menggunakan tali. Pesawat drone
diterbangkan dengan ketinggian 4 m pada setiap ubinan untuk mejaga posisi padi
agar tidak terkena tiupan angin dari baling baling drone yang menjadikan citra
buram akibat pergerakan tanaman.
Pengolahan citra dilakukan dengan menggunakan metode multi
tresholding. Metode ini difungsikan untuk memisahkan suatu citra dalam
beberapa region berdasarkan dari nilai intensitas piksel yang sebelumnya sudah
diubah dalam bentuk greyscale. Pada prinsipnya, metode multi-
thresholding sama seperti metode thresholding, yaitu segmentasi citra
didasarkan pada perbedaan derajat keabuan. Perbedaannya adalah pada jumlah
nilai threshold yang digunakan. Pada penelitian ini, menggunakan 3 segmentasi
untuk membedakan malai padi, daun, dan objek background. Hasil segmentasi
dihitung berdasarkan persentase pada segmentasi piksel. Hasil panen diprediksi
dengan menggunakan Jaringan Syaraf Tiruan (JST). Peramalan JST termasuk
ke dalam peramalan objektif karena didasarkan atas data yang relevan pada
masa lalu dengan menggunakan teknik-teknik dan metode-metode dalam
penganalisaan data tersebut (Fadila, 2009 dalam Holik dan Bachtiar, 2019).
Arsitektur jaringan syaraf tiruan yang dibentuk menggunakan 3 neuron input
meliputi data persentase piksel pada region 1 (X1), region 2 (X2), dan region

9. 3 (X3), 2 hidden layer dan 1 neuron output sebagai target data yaitu berat padi
(Y). sedangkan fungsi aktivasi yang digunakan adalah Backpropagation.
Penimbangan gabah dilakukan setelah semua pengamatan secara visual
telah selesai dilakukan. Penimbangan gabah ini dilakukan untuk megetahui hasil
panen padi secara nyata dalam setiap grid.
b. Hasil Penelitian
Citra yang dihasilkan dalam penelitian ini dikelompokkan ke dalam blok-
blok untuk memudahkan dalam pengolahan citra. Blok diberi label dari blok A1
sampai dengan blok H4, sehingga total ada 32 data hasil dari akuisisi citra. Proses
pelabelan blok dapat dilihat pada Gambar . Dalam pembuatan ubinan,
dilakukan dengan membentangkan tali pada petak sawah, kemudian
diposisikan bahwa panjang dan
lebar ubinan adalah 2,5 x 2,5 m.
Proses akuisisi citra dengan ubinan blok
proses multi-thresholding dengan nilai threshold pada rentang 100 dan 230.
Nilai intensitas piksel antara 0-100 masuk kedalam region 1. Nilai intensitas piksel
antara 100-230 masuk kedalam region 2. Dan nilai intensitas piksel antara 230-255
masuk kedalam region 3.
Prediksi hasil panen padi diolah dengan menggunakan jaringan syaraf tiruan
(JST).
Data total yang digunakan dalam pembentukan arsitektur jaringan
syaraf tiruan sebanyak 32 data. 22 data atau 80% dari jumlah data digunakan
sebagai data training. Proses validasi dan pengujian masing masing menggunakan
3 data atau 10% dari jumlah data. Input terdiri atas persentase piksel tiap-tiap
region dan output adalah berat padi tiap blok. Parameter arsitektur yang dibuat
menggunakan 1000 epoch dengan learning rate 0,01.
Perbandingan hasil panen actual dengan hasil panen prediksi dapat disajikan seperti
grafik dibawah.

10. 4. Prediksi panen padi menggunakan sensor klorofil meter (Hidayah, dkk. 2019)
a. Metode Penelitian
Alat yang digunakan pada penelitian ini terdiri dari klorofil meter (CCM-200
plus Opti-Science) USA, alat tulis (pensil dan buku), alat ukur (meteran dan
timbangan), seperangkat peralatan pengolah data yang terdiri dari laptop dan USB,
Software untuk pengolahan data dan analisis data yang terdiri dari Microsoft Word,
Excel, Statistical Product and Service Solutions (SPSS), dan SAS.
Pada penelitian ini tanaman padi dengan luasan 0,5 ha dijadikan sebagai
sampel penelitian. Untuk sampel data diambil 5 rumpun tanaman padi di tiap-
tiap plot pada masing-masing titik pengamatan yang sudah ditentukan. Bibit
padi yang digunakan pada penelitian adalah padi IR 42, lahan dibagi ke dalam 20
titik pengamatan dalam bentuk petak/ubinan ukuran dari masing-masing petakan
lahan yaitu 25×10 m.
Metode yang digunakan untuk pengambilan nilai klorofil pada plot sampel adalah
dengan metode grid sampling. Grid sampling point yaitu proses pengambilan data
yang dilakukan untuk menggambarkan kondisi lahan berdasarkan tingkat
kesuburan dari tanaman dengan cara membagi-bagi sampel tanaman ke dalam
beberapa bagian. Caranya yaitu membagi lahan sawah menjadi beberapa
kelompok kemudian dibagi dalam bentuk petakan-petakan. Selanjutnya
dilakukan proses pengumpulan data langsung dilapangan untuk mendapatkan
informasi langsung dari tanaman, yang dijadikan sebagai sampel data untuk
diolah. Untuk lahan seluas 0,5 ha dibagi menjadi 20 grid kemudian menentukan
titik pengamatan dari tiap masing-masing petakan. Untuk proses grid sampling
dapat dilihat pada Gambar.

11. Grid Sample Point (Hidayah, dkk. 2019)
Pengamatan jumlah kandungan klorofil daun dilakukan sesuai dengan titik-titik
pengamatan yang telah ditentukan pada lahan. Kemudian pengambilan data nilai
klorofil pada tanaman dilakukan dan dikumpulkan sesuai dengan titik pengamatan
yang telah dipilih untuk dijadikan sampel data. Proses pembacaan status klorofil pada
daun dilakukan pada empat tahap tanaman tumbuh yaitu saat padi berumur 25, 40, 60,
dan 70 hari setelah tanam (HST). Pengambilan data pertama dilakukan pada saat
tanaman padi berumur 25 HST, pengambilan data pada hari ke-25 HST dikarenakan
masih merupakan fase vegetatif pada tanaman padi, pada fase ini masih merupakan
fase perkembangan tanaman yang akan menjadi penentu produktivitas padi, kemudian
penentuan waktu pengambilan data pada hari ke-40, ke-60, dan ke-70 karena masih
merupakan fase generatif (reproduktif) pada tanaman padi (IRRI, 2002 dalam Hidayah,
dkk. 2019).
Tanaman yang dijadikan sebagai sampel data diperiksa disetiap tahap tumbuhnya
pada tiap-tiap petakan sawah yang masing-masing terdiri atas 20 titik poin. Pada
penelitian ini 5 rumpun tanaman padi 5 batang, 5 daun, dan 3 pembacaan nilai klorofil
tanaman dengan cara SPAD pada setiap tanaman diambil menggunakan klorofil
meter CCM-200 plus. Adapun cara pengumpulan dan pengambilan data kandungan
klorofil pada daun menggunakan korofil meter CCM-200 plus dilakukan secara acak.
Kemudian nilai klorofil yang
diperoleh dari masing-masing pembacaan pada setiap sampel tanaman yang digunakan
pada masing-masing titik kemudian diambil nilai rata-ratanya. Nilai rata-rata dari
pembacaan klorofil meter CCM-200 plus digunakan sebagai sampel data yang akan
diolah. Pengukuran nilai klorofil yang terkandung pada daun akan dikumpulkan antara
jam 10:00−15:00 siang, kondisi cuaca cerah dengan suhu rata-rata 32 °C dan
kelembaban antara 40−70%, hal ini disebabkan oleh kondisi lingkungan berubah
setiap harinya pada saat pengambilan data. Pada saat melakukan pengukuran sinar
matahari harus relatif cerah untuk menghindari gangguan (noise) dalam data.
Pengukuran diambil dibagian paling atas dari daun yaitu daun paling atas sebelum
daun bendera keluar dan daun bendera setelah keluar, karena ini adalah daerah
yang biasa dipakai dalam praktek pengambilan data nilai tingkat kehijauan daun
(Putri dkk., 2016). Sampling point dari bagian daun yang dijadikan sebagai
pengukuran yaitu terletak pada ujung, tengah dan pangkal daun padi. Adapun teknik
pengukuran klorofil

12. yang dilakukan selama di lapangan yaitu pengukuran dilakukan pada masing-masing
titik sampel yang sudah dipilih, pengambilan data sampel sesuai dengan titik tengah
pada masing-masing petakan, dan pemilihan tanaman secara acak dan melakukan
pembacaan
pengukuran sebanyak tiga kali pada masing-masing daun yang dipilih, agar data
yang diambil akurat.
Model Prediksi dibuat menggunakan regresi linear berganda, untuk menjelaskan
hubungan respon Y (hasil produksi (Yield) sesaat), untuk variabel, X (nilai
klorofil pada 25 HST, 40 HST, 60 HST, dan 70 HST), dan Y adalah fungsi dari X1, X2,
X3, dan X4(Santosa, 2012).
Model prediksi hasil padi dihitung sesuai Persamaan 1.
𝑌 = 𝑎0 + 𝑎1 𝑋1 + 𝑎2 𝑋2 + 𝑎3 𝑋3 + 𝑎4 𝑋4 (1)
dimana :
Y : hasil produksi panen (ton/ha)
a0 : nilai intercept
X1 : nilai klorofil pada 25 HST
X2 : nilai klorofil pada 40 HST
X3 : nilai klorofil pada 60 HST
X4 : nilai klorofil pada 70 HST
a1, 2, 3, 4: koefisien X1, X2, X3 dan X4
dengan a0, a1, a2, a3 dan a4 adalah koefisien yang diperoleh dari hasil regresi
Penyelesaian dari persamaan tersebut berupa sekumpulan empat persamaan simultan
dengan empat nilai yang tidak diketahui yaitu a0, a1, a2, a3, dan a4, disajikan dalam
Persamaan 2 sampai dengan 6 (Santosa, 2012).
Dengan n adalah banyaknya pasangan data (X1, X2, X3, X4, Y).
Sebagai data pembanding, pengambilan data panen dilakukan dengan metode ubinan
atau crop cutting test (CCT). Dilakukan uji korelasi data klorofil hasil pengamatan pada
25, 40, 60 dan 70 HST dengan data hasil produksi padi.
Prediksi hasil produksi menggunakan metode regresi linear berganda.
b. Hasil Penelitian
Hasil uji korelasi antara data klorofil hasil pengamatan pada 20, 40, 60 dan 70 HST
dengan data hasil produksi adalah sebagai berikut :

13. Jika nilai r lebih dari 0.6 menandakan bahwa nilai klorofil memiliki hubungan dengan
hasil produksi.
Berdasarkan model regresi linear berganda dengan menggunakan empat variabel pada
penelitian ini, pada masing-masing lahan diperoleh nilai Y.
𝑌 = −0,431513+ 0,045144𝑋1 + 0,03645𝑋2 + 0,01017𝑋3 + 0,020551𝑋4
Untuk mengetahui hasil produksi tanaman padi berdasarkan nilai klorofil yang
diambil dengan cara non-destruktif dilapangan dapat diprediksi dengan
menggunakan model rumus regresi linear berganda yang didapatkan. Rumus ini
dapat dipergunakan untuk memprediksi hasil produksi pada masing-masing lahan
berdasarkan nilai klorofilnya.
5. Relationship between rice yield and apparent electrical conductivity of paddy soils
(Ezrin et. al., 2010)
a. Metode Penelitian
Data hasil panen padi diambil pada bulan dengan metode ubinan (CCT) pada 24
titik sampel dan titik koordinatnya dicatat menggunakan GPS. Data konduktivitas
listrik tanah diukur menggunakan sensor Veris 3100. Sensor ini suddah terintegrasi
dengan DGPS dan digandengkan di belakang traktor. Lahan yang diukur memiliki
ukuran panjang 200m dan lebar 60m.
Data spasial yang dihasilkan merupakan hasil tumpang tindih (overlay) dari
beberapa 3 layer data yang diukur. Layer-layer tersebut adalah :
- Layer ECas, yaitu data konduktivitas tanah dangkal (kedalaman <= 30cm)
- Layer ECad, yaitu data konduktivitas tanah dalam (kedalaman >30cm dan
<=90cm)
- Layer data hasil panen
Analisis statistic dilakukan untuk melihat hubungan antara hasil panen dengan data
konduktivitas listrik (ECa) tanah. Analisis statistic yang dilakukan adalah regresi
linear bertahap (stepwise linear regression) dan analisis garis batas (boundary line
analysis).
b. Hasil Penelitian
Berdasarkan hasil pengukuran hasil panen dan ECa, diperoleh data sebagai berikut
:

14. Analisis regresi linear bertahap
Untuk menemukan model terbaik untuk menghubungkan hasil padi dan ECa tanah,
analisis regresi linier dilakukan dengan menggunakan data ECas dan ECad sebagai
variabel independen dan data hasil padi sebagai variabel dependen. Metode
bertahap menghasilkan model seleksi terbaik dalam analisis seperti yang
ditunjukkan pada Tabel berikut.
Grafik analisis regresi antara data hasil panen dan ECa tanah dapat dilihat sebagai
berikut :
Menurut hasil, ECas dan ECad secara signifikan terkait dengan hasil padi dan
menghasilkan nilai koefisien determinasi tinggi pada level 0,001 (R2 = 0,161).
Namun demikian, ECad lebih banyak berkontribusi pada faktor hubungan yang
signifikan daripada ECas seperti yang ditunjukkan pada Tabel berikut. ECas hanya
membantu untuk melakukan regresi linier yang lebih baik seperti yang disarankan
oleh metode bertahap.

15. Analisis garis batas
Analisis Garis Batas (BLA) dilakukan dalam penyelidikan ini sebagai analisis non
linier. Data yang sama digunakan untuk mengidentifikasi hubungan dan hasilnya
dibandingkan dengan analisis regresi linier. Analisis dibagi menjadi dua kategori.
Kategori pertama dilakukan dengan menggunakan ECad dan hasil padi dan kategori
kedua dengan menggunakan ECas dan hasil padi. Setiap kategori analisis
dieksekusi di peringkat 95 dan 75 persentil untuk melakukan model non linear
Tabel berikut :
6. Wheat grain yield and nitrogen uptake prediction using atLeaf and GreenSeeker
portable optical sensors at jointing growth stage (Ali et. al., 2019)
a. Metode Penelitian
Karakteristik spectral daun gandum diukur menggunakan klorofil meter atLeaf dan
sensor optic Greenseeker. Klorofil meter atLeaf digunakan untuk mengukur
kehijauan daun, dimana sensor ini mengukur transmitan cahaya melalui daun pada
panjang gelombang 660 dan 940 nm. Pengukuran dilakukan 10 kali pada tanaman
secara acak pada masing-masing plot. Tanaman dengan kondisi abnormal seperti
terserang hama dan penyakit tidak dilakukan pengukuran. Sensor optic greenseeker

16. digunakan untuk mengukur reflektan spectral dari kanopi tanaman dengan
menghitung nilai NDVI. Sensor ini mengukur reflektan pada panjang gelombang
656 nm (red) dan 774 nm (NIR).
Sampel tanaman diambil dari area seluas 1m2 pada masing-masing plot dengan
menghindari garis batas masing-masing plot. Sampel diambil segera setelah
pengukuran dengan sensor dilakukan. Untuk menghitung panen actual, gandum
dipanen secara manual pada area seluas 6m2 pada masing-masing plot. Gabah dan
jerami dipisahkan dan ditimbang. Sampel gabah dan jerami dikumpulkan untuk
dianalisis. Sampel dikeringkan sampai berat konstan dalam oven udara panas pada
70oC dan ditumbuk. Sampel dilarutkan dengan H2SO4 – H2O2 dan total N diukur
dengan metode micro-Kjeldahl.
Analisis statistic data dilakukan dengan regresi linear, kuadratik, logaritmik,
eksponensial dan power equation.
b. Hasil Penelitian
Berdasarkan hasil pengamatan dan analisis data diperoleh koefisien determinasi
untuk masing-masing regresi sebagai berikut :
Hubungan antara nilai serapan N dengan hasil pengukuran sensor klorofil meter
atLeaf dan Sensor optic Greenseeker digambarkan pada grafik di bawah :
Sementara hubungan antara hasil panen dengan pengukuran sensor klorofil meter
atLeaf dan Sensor optic Greenseeker digambarkan pada grafik di bawah :

17. Nilai NRMSE pengukuran masing-masing sensor dapat digambarkan pada grafik
berikut :
Berdasarkan analisis data statistic, dapat digambarkan hubungan antara nilai
prediksi serapan N dan hasil panen dengan nilai actual serapan N dan hasil panen
sebagai berikut :

18. 7. Grain area data and yield characteristics data in rapid yield prediction based on rice
panicle imaging (Zheng, Zhao and Liu, 2019)
a. Metode Penelitian
Metode untuk mendapatkan parameter berat dan luas biji-bijian adalah sama dengan
paper yang dipublikasikan oleh Zhao, H. Zheng, M. Chi, X. Chai, Y. Liu (Rapid
yield prediction in paddyfields based on 2D image modelling of rice
panicles,Comput. Electron. Agric. 162 (2019) 759e766), Panikel dari 6 kultivar
padi japonica dan 200 malai masing-masing kultivar diambil sampel, dan kemudian
data terkait dengan berat diukur dengan keseimbangan elektronik. Gambar malai
diperoleh oleh pemindai dan gambar diproses oleh algoritma ekstraksi fitur area
biji-bijian yang dikembangkan untuk MATLAB. Analisis statistik dilakukan
dengan menggunakan SPSS Statistics 25.0.
b. Hasil Penelitian
Dataset berisi parameter berat butir beras mentah melalui pengukuran dan
pemrosesan gambar dari 6 kultivar padi dan 1200 malai padi. Kultivar padi
dilambangkan sebagai A, B, C, D, E dan F masing-masing. File data (dalam format
xlsx) diunggah ke dalam sistem sebagai pelengkap. Dalam karakteristik distribusi
berat malai dari kultivar padi yang berbeda, kemiringan dan koefisien kurtosis
keduanya mendekati 0, yang menunjukkan bahwa berat malai masing-masing
kelompok berdistribusi normal.

19. Analisis varian indeks terkait hasil padi dilakukan, dan hasilnya ditunjukkan pada
Tabel di bawah. Nilai indeks secara signifikan lebih rendah untuk kultivar D
daripada untuk semua kultivar lain kecuali kultivar C, sedangkan nilai kultivar E
secara signifikan lebih tinggi. dibandingkan kultivar lainnya kecuali kultivar A.
Hasil ini menunjukkan bahwa ada perbedaan yang signifikan dalam atribut malai
antara enam kultivar.
Tabel berikut menunjukkan bahwa koefisien penentu luas butir dan parameter bobot
berbeda sama satu sama lain dalam kultivar yang diberikan; Semua R2 dari model
prediksi semuanya di atas 0,8300, hasil ini menunjukkan bahwa model dapat
memprediksi parameter berat malai dari area biji dengan baik dalam kultivar dan
bahwa akurasi prediksi sedikit berbeda antara kultivar yang berbeda.
Kesimpulan dari data adalah bahwa bobot biji-bijian terutama ditentukan oleh luas
biji malai untuk setiap kultivar padi. Hasilnya menunjukkan bahwa metode estimasi
hasil padi baru dan cepat dapat dikembangkan untuk penggunaan praktis.