[20 Juni 2025], Prediksi hasil dan kualitas tanaman menjadi aspek penting dalam pengelolaan pertanian modern karena berhubungan langsung dengan strategi pemupukan, irigasi, hingga perencanaan logistik. Metode konvensional yang mengandalkan catatan tanam, pengambilan sampel, dan data iklim historis seringkali memerlukan waktu lama, sumber daya besar, serta memiliki variasi akurasi yang tinggi antar lokasi maupun periode. Dengan kemajuan teknologi, penggunaan citra udara dari UAV (Unmanned Aerial Vehicle) dan analisis berbasis kecerdasan buatan menawarkan solusi baru. Melalui pendekatan ini, kondisi pertumbuhan tanaman dapat dipantau secara detail sepanjang musim tanam sehingga hasil panen dapat diprediksi lebih cepat dan akurat. Tujuannya adalah menghadirkan sistem prediksi lapangan yang mampu membantu pengambilan keputusan secara presisi di sektor pertanian.

Pengumpulan data dilakukan dengan UAV yang dilengkapi kamera RGB dan multispektral untuk merekam pertumbuhan tanaman pada tiga fase utama: fase pertumbuhan daun, fase pembesaran akar, serta fase akumulasi gula. Citra udara kemudian diproses menjadi peta reflektansi dan model struktur kanopi untuk memperoleh fitur-fitur spektral maupun struktural tanaman. Data ini dilengkapi dengan faktor meteorologi seperti suhu dan curah hujan. Sebagai pembanding, bobot segar bagian atas tanaman dan akar juga diukur di lapangan untuk digunakan sebagai variabel tambahan. Seluruh data diproses dalam bentuk deret waktu dan dianalisis menggunakan model Stacked-Long Short-Term Memory (LSTM) yang mampu menangkap ketergantungan antar fase pertumbuhan. Model ini diuji dan dibandingkan dengan metode machine learning lain seperti Random Forest, Support Vector Regression, dan Partial Least Squares Regression.

Analisis menunjukkan bahwa kombinasi data dari beberapa fase pertumbuhan memberikan akurasi prediksi yang lebih tinggi dibandingkan hanya menggunakan satu fase saja. Model Stacked-LSTM secara konsisten menghasilkan performa lebih baik daripada metode machine learning tradisional. Nilai R² tertinggi tercatat pada prediksi kadar gula tanaman (0,761), disusul prediksi hasil akar (0,531) dan hasil gula (0,478). Hasil ini mengindikasikan bahwa parameter kualitas seperti kandungan gula lebih mudah diprediksi dibandingkan hasil biomassa akar yang sangat dipengaruhi kondisi tanah, manajemen lahan, dan faktor lingkungan lain. Penambahan variabel berupa bobot segar bagian atas tanaman dan akar turut meningkatkan akurasi model, terutama pada prediksi hasil akar dan gula. Temuan ini menunjukkan bahwa fitur spektral dari UAV yang dipadukan dengan faktor iklim dan data biomassa dapat memberikan gambaran menyeluruh tentang potensi hasil panen. Jika dibandingkan dengan metode konvensional atau pendekatan berbasis sensor tunggal, integrasi UAV dan Stacked-LSTM terbukti lebih unggul karena mampu memanfaatkan dinamika pertumbuhan tanaman sepanjang musim.

Pemanfaatan UAV dan model Stacked-LSTM membuka peluang baru dalam prediksi hasil dan kualitas tanaman di tingkat lahan. Dengan memanfaatkan data spektral, struktural, faktor iklim, serta estimasi bobot biomassa, prediksi dapat dilakukan lebih awal dan dengan akurasi yang lebih baik. Pendekatan ini tidak hanya membantu petani dalam pengambilan keputusan manajemen budidaya, tetapi juga memberi nilai tambah bagi industri pengolahan hasil pertanian melalui perencanaan produksi yang lebih tepat. Integrasi teknologi ini menegaskan pentingnya kecerdasan buatan dan pemantauan berbasis UAV dalam mendukung pertanian presisi di masa depan.

Referensi

• Wang, Q., Shao, K., Cai, Z., Che, Y., Chen, H., Xiao, S., Wang, R., Liu, Y., Li, B., & Ma, Y. (2025). Prediction of sugar beet yield and quality parameters using Stacked-LSTM model with pre-harvest UAV time series data and meteorological factors. Artificial Intelligence in Agriculture, 15(2), 252–265. https://doi.org/10.1016/j.aiia.2025.02.004.