Estimasi Nilai Respirasi Tanah Menggunakan Metode Tabung Mikrorespirasi dengan Pengolahan Citra
Abstract
Abstrak
Respirasi tanah merupakan salah satu indikator penting dalam suatu ekosistem tanah yang menunjukan aktivitas mikroorganisme dan metabolisme dalam tanah. Respirasi tanah diukur dengan metode tabung mikrorespirasi sebagai pengukuran lapangan dan titrasi asam basa sebagai analisis laboratorium. Metode tabung mikrorespirasi ini adalah cara cepat mengukur respirasi tanah, namun data yang dihasilkan hanya dapat dilihat secara visual dan tidak diketahui nilainya. Oleh karena itu, dilakukan pengolahan citra dari metode tabung mikrorespirasi ini untuk mengestimasi nilai respirasi tanah serta mengetahui model estimasi terbaik menggunakan machine learning. Citra diakuisisi kemudian diolah dengan pengolahan citra meliputi konversi Red, Green, Blue (RGB) ke Hue Saturation Value (HSV), augmentasi citra, serta ekstraksi fitur data citra. Pengembangan model estimasi respirasi tanah menggunakan tiga algoritma yaitu Multiple Linear Regression (MLR), Back Propagation (BP), dan Random Forest (RF). Hasil dari penelitian ini adalah diperoleh akurasi model dengan nilai R² dari ketiga model yaitu MLR = 0,28, BP = 0,53, RF = 0,77 dan nilai estimasi dari ketiga model MLR = 7,62 mg/g , BP = 4,38 mg/g , RF = 4,57 mg. Dari hasil tersebut, dinyatakan bahwa model dengan algoritma RF merupakan model terbaik untuk mengestimasi nilai respirasi tanah.
Abstract
Soil respiration is one of the important indicators in a soil ecosystem, reflecting the activity of microorganisms and soil metabolism. Soil respiration is measured using the micro-respiration tube method as a field measurement and acid-base titration as a laboratory analysis. This micro-respiration tube method is a quick way to measure soil respiration, but the resulting data can only be seen visually and its value is unknown. Therefore, image processing from this micro-respiration tube method was carried out to estimate soil respiration values and determine the best estimation model using machine learning. Images were acquired and then processed with image processing including conversion Red, Green, Blue (RGB) to Hue Saturation Value (HSV), image augmentation, and feature extraction from the image data. The soil respiration estimation model was developed using three algorithms: Multiple Linear Regression (MLR), Back Propagation (BP), and Random Forest (RF). The results showed model accuracy with R² values of 0.28 for MLR, 0.53 for BP, and 0.77 for RF and soil respiration estimation of 7.62 mg/g for MLR, 4.38 mg/g for BP, and 4.57 mg/g for RF. Based on these results, it is concluded that the RF algorithm is the best model for estimating soil respiration values.
Downloads
References
Apriliani, L. M. P., Sulastri, N. N., Widia, I. W., & Budisanjaya, I. P. G. (2024). Estimasi evapotranspirasi potensial menggunakan algoritma random forest di daerah Irigasi Tungkub, Bali. JURNAL BETA (BIOSISTEM DAN TEKNIK PERTANIAN, 12(02), 198.
Bi, Q., Goodman, K. E., Kaminsky, J., & Lessler, J. (2019). What is machine learning? A primer for the epidemiologist. American Journal of Epidemiology, 2222. https://doi.org/10.1093/aje/kwz189
Chairi, A., & Mukhaiyar, R. (2023). Sistem kontrol color sorting machine dengan pengolahan citra digital. JTEIN: Jurnal Teknik Elektro Indonesia, 4(1), 387–396. https://doi.org/10.24036/jtein.v4i1.393
Ciputra, A., Setiadi, D. R. I. M., Rachmawanto, E. H., & Susanto, A. (2018). Klasifikasi tingkat kematangan buah Apel manalagi dengan algoritma naive bayes dan ekstraksi fitur citra digital. Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 9(1), 465–472. https://doi.org/10.24176/simet.v9i1.2000
Dengen, C. N., Nurcahyo, A. C., & Kusrini, K. (2019). Penentuan jenis tanaman berdasarkan kemiringan lahan pertanian menggunakan adopsi linier programming berbasis pengolahan citra. Jurnal Buana Informatika, 10(2), 99. https://doi.org/10.24002/jbi.v10i2.2253
Fadjeri, A., Setyanto, A., & Kurniawan, M. P. (2020). Pengolahan citra digital untuk menghitung ekstrasi ciri greenbean kopi robusta dan arabika (studi kasus: Kopi Temanggung). Jurnal Teknologi Informasi dan Komunikasi (TIKomSiN), 8(1), 8–10. https://doi.org/10.30646/tikomsin.v8i1.462
Hair, J. F., Babin, B. J., Anderson, R. E., & Black, W. C. (2022). Multivariate data analysis. Cengage Learning. https://books.google.co.id/books?id=PONXEAAAQBAJ
Handayani, I. A. K. T., Sulastri, N. N., & Arthawan, I. G. K. A. (2024). Dampak jangka pendek pengelolaan jerami padi terhadap karbon organik dan rasio CN tanah. JURNAL BETA (BIOSISTEM DAN TEKNIK PERTANIAN, Inpress(Inpress), 1–7.
Haryanto, C., Rahaningsih, N., & Muhammad Basysyar, F. (2023). Komparasi algorima machine learning dalam memprediksi harga rumah. JATI (Jurnal Mahasiswa Teknik Informatika), 7(1), 533–539. https://doi.org/10.36040/jati.v7i1.6343
Janiesch, C., Zschech, P., & Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets, 31(3), 685–695. https://doi.org/10.1007/s12525-021-00475-2
Kurniastuti, I., & Andini, A. (2018). Perancangan program penentuan histogram citra dengan graphical user interface (GUI). Applied Technology and Computing Science Journal, 1(1), 11–17. https://doi.org/10.33086/atcsj.v1i1.4
Maulida, Z. H., Budisanjaya, I. P. G., Utama, I. M. S., Chaicana, C., & Syahputra, N. H. (2024). Deteksi residu insektisida profenofos pada cabai merah (Capsium annum L.) melalui augmentasi citra dan CNN (Convolutional Neural Network). 12 No 02, 2–3.
Menti, Y., Yusnaini, S., Buchari, H., & Niswati, A. (2020). Respirasi tanah akibat sistem olah tanah dan aplikasi mulsa in situ pada pertanaman kacang hijau (Vigna radiata L.) di Laboratorium Lapang Terpadu, Universitas Lampung. Jurnal Agrotek Tropika, 8(2), 365. https://doi.org/10.23960/jat.v8i2.3911
Mienye, I. D., & Sun, Y. (2022). A survey of ensemble learning: Concepts, algorithms, applications, and prospects. IEEE Access, 10, 99129–99149. https://doi.org/10.1109/ACCESS.2022.3207287
Parkin, T. B., Doran, J. W., & Franco-Vizcaíno, E. (2015). Field and laboratory tests of soil respiration. In J. W. Doran & A. J. Jones (Eds.), SSSA Special Publications (pp. 231–245). Soil Science Society of America. https://doi.org/10.2136/sssaspecpub49.c14
Pebralia, J. (2022). Analisis curah hujan menggunakan machine learning metode regresi linier berganda berbasis python dan jupyter notebook. Jurnal Ilmu Fisika Dan Pembelajarannya (JIFP), 6(2), 23–30. https://doi.org/10.19109/jifp.v6i2.13958
Putri, D. A., Yusnaini, S., Utomo, M., & Niswati, A. (2020). Pengaruh sistem olah tanah dan pemupukan N jangka panjang terhadap respirasi tanah pada pertanaman kedelai (Glycine max L.) di lahan Politeknik Negeri Lampung ke-29. 8, 587–595.
Rasyid, M. I., & Wisudawati, L. M. (2024). Klasifikasi hama ulat pada citra daun sawi berbasis convolutional neural network dengan model Xception. Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, 13(2), 870. https://doi.org/10.35889/jutisi.v13i2.1801
Ratna, S. (2020). Pengolahan citra digital dan histogram dengan python dan text editor Pycharm. Technologia: Jurnal Ilmiah, 11(3), 181. https://doi.org/10.31602/tji.v11i3.3294
Sahoo, K., Samal, A. K., Pramanik, J., & Pani, S. K. (2019). Exploratory Data Analysis using Python. International Journal of Innovative Technology and Exploring Engineering, 8(12), 4727–4735. https://doi.org/10.35940/ijitee.L3591.1081219
Sonata, Y., Sulistyo, S. B., & Wijaya, K. (2020). Deteksi dini penyakit pada daun stroberi berbasis pengolahan citra. 1, 30–36.
Suyono, S., Astuti, R., & M. Basysyar, F. (2024). Implementasi data mining untuk prediksi produksi bawang merah di Kabupaten Brebes. JATI (Jurnal Mahasiswa Teknik Informatika), 8(1), 734–740. https://doi.org/10.36040/jati.v8i1.8399
Syarifah, A., Riadi, A. A., & Susanto, A. (2022). Klasifikasi tingkat kematangan jambu bol berbasis pengolahan citra digital menggunakan metode K-Nearest Neighbor. JIMP : Jurnal Informatika Merdeka Pasuruan, 7, 27–30. https://dx.doi.org/10.37438/jimp.v7i1.417
Tong, D., Li, Z., Xiao, H., Nie, X., Liu, C., & Zhou, M. (2021). How do soil microbes exert impact on soil respiration and its temperature sensitivity? Environmental Microbiology, 23(6), 3048–3058. https://doi.org/10.1111/1462-2920.15520
Jurnal BETA (Biosistem dan Teknik Pertanian)
