2. Latar Belakang
• Kelangkaan tenaga kerja panen menyebabkan jadwal panen
sering tertunda atau tidak tepat waktu sehingga
mempengaruhi hasil produksi padi.
• Prediksi hasil panen dapat disajikan kedalam bentuk data
spasial yang sangat penting dalam menentukan kebutuhan
waktu, lokasi, luas area panen serta kebutuhan tenaga
panen.
• Aplikasi mekanisasi pada proses panen dapat meningkatkan
kualitas dan kuantitas hasil panen.
3. Tujuan dan Manfaat
• Tujuan
– Membuat simulasi sistem dinamis kebutuhan combine
harvester
• Manfaat
– Penelitian ini diharapkan dapat membantu pemerintah
dalam mengambil kebijakan terkait pengalokasin bantuan
combine harvester dan membantu petani untuk
mengetahui kebutuhan tenaga mekanis pemanenan.
4. Referensi Penelitian
1. Model simulasi kebutuhan traktor tangan untuk
pengolahan padi sawah (Sigit Prabawa, 2011)
Menggunakan metode pendekatan sistem. Langkah-
langkah yang dilakukan dalam pendekatan sistem
meliputi analisis kebutuhan, perumusan masalah,
dan identifikasi sistem
6. Asumsi nilai 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
• Kapasitas kerja hewan = 88,09 jam/ha
• Kapasitas kerja traktor tangan = 21,10 jam/ha
• Waktu kerja tersedia = 60 hari
7. • Hasil Penelitian
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.
8. 2. Rice yield forecasting models using satellite imagery in Egypt
(Noureldin et. al. 2013)
• Metode Penelitian
– Pengamatan dilakukan hingga 90 HST (tahap pertumbuhan vegetatif
maksimum), dengan melakukan pengukuran dari 60 plot di setiap
musim berdasarkan grid system.
– Setiap plot memiliki luas 400m2 (20x20m) yang mewakili 1 piksel citra
satelit SPOT yang ditetapkan 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).
9. • 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.
13. • Koefisien determinasi dan standard error antara
model prediksi dengan hasil panen actual dengan
analisis regresei berganda
14. Prediksi hasil panen padi menggunakan pesawat tanpa awak
(Abdul Holik dan Riza Rahimi Bachtiar, 2019)
• 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.
• Hasil segmentasi dihitung berdasarkan persentase pada segmentasi piksel.
Hasil panen diprediksi dengan menggunakan Jaringan Syaraf Tiruan (JST).
15. 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
danlebar ubinan adalah 2,5 x 2,5 m.
16. • 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.
18. Prediksi panen padi menggunakan sensor klorofil meter
(Hidayah, dkk. 2019)
• Metode Penelitian
– Metode yang digunakan untuk pengambilan nilai klorofil pada
plot sampel adalah dengan metode grid sampling dengan
menggunakan sensor klorofil meter CCM-200plus. 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.
– Untuk mengetahui hasil panen actual digunakan metode crop
cutting test (CCT)
– Model prediksi dibuat dengan regresi linear berganda
19. • Hasil Penelitian
Hasil uji korelasi antara
data klorofil hasil
pengamatan pada 20,
40, 60 dan 70 HST.
Jika nilai r lebih dari 0.6
menandakan bahwa
nilai klorofil memiliki
hubungan dengan hasil
produksi.
20. • 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
21. Relationship between rice yield and apparent electrical
conductivity of paddy soils (Ezrin et. al., 2010)
• 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).
23. • 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.
24. 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.
25. • 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 :
26. Wheat grain yield and nitrogen uptake prediction using atLeaf and GreenSeeker
portable optical sensors at jointing growth stage (Ali et. al., 2019)
• 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
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.
28. Hubungan antara nilai
serapan N dengan hasil
pengukuran sensor klorofil
meter atLeaf dan Sensor
optic Greenseeker
digambarkan pada grafik
29. hubungan antara hasil
panen dengan pengukuran
sensor klorofil meter atLeaf
dan Sensor optic
Greenseeker digambarkan
pada grafik
30. Nilai NRMSE pengukuran masing-masing
sensor dapat digambarkan pada grafik
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
31. Grain area data and yield characteristics data in rapid yield prediction based
on rice panicle imaging (Zheng, Zhao and Liu, 2019)
• 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.
32. • 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.
33.
34. 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.
35. 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.
