Model Prediksi Kadar Air Media Tanam Menggunakan Regresi Linear Berganda (Studi Kasus Kebun Tomat Beef di Serenity Farm Mitra Habibi Garden)

Sintia Ayu Listina, Rizky Mulya Sampurno, Drupadi Ciptaningtyas, Ahmad Thoriq

Abstract


Permintaan yang cukup tinggi akan tomat beef kepada Serenity Farm sebagai salah satu produsen tomat beef di daerah Lembang, Kabupaten Bandung masih belum sepenuhnya terpenuhi. Salah satu penyebab hal tersebut adalah kurang optimalnya pengelolaan kadar air pada media tanam yang digunakan. Kadar air media tanam yang stabil dapat mencegah penguapan air berlebih dari permukaan tanah, serta mencegah tanaman mengalami stres. Selain itu, kadar air media tanam dipengaruhi oleh iklim, spesifikasi tanaman dan media tanam itu sendiri, sehingga cukup sulit diprediksi. Kadar air media tanam dapat mencapai titik kritis bila telat melakukan penyiraman dan menyebabkan kelayuan permanen tanaman. Penelitian ini bertujuan untuk mengembangkan model prediksi kadar air media tanam budidaya tomat beef di greenhouse Serenity Farm menggunakan machine learning. Model prediksi kadar air ini dikembangkan untuk mencegah tanaman mengalami kekeringan, dengan membantu petani dalam pengambilan keputusan penyiraman. Algoritma pembelajaran yang digunakan adalah regresi linear berganda  dengan variabel bebas yang terdiri dari data Hari Setelah Tanam (HST), jumlah penggunaan air penyiraman (mL/3 jam), suhu media tanam (oC/3 jam), dan kadar air media tanam (%/3 jam) 3 jam sebelumnya. Sedangkan nilai prediksi kadar air media tanam (%/3 jam) 3 jam berikutnya dijadikan variabel terikat. Model yang dibuat telah diuji dan divalidasi dengan tingkat akurasi masing-masing 83,80% dan 72,02%. Hasil tersebut menunjukkan bahwa model prediksi yang dikembangkan dapat diterapkan dalam memprediksi kadar air media tanam tomat beef di Serenity Farm.


Keywords


kadar air media tanam; machine learning; prediksi; regresi linear berganda; tomat beef

References


Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., & Notarnicola, C. (2015). Review of machine learning approaches for biomass and soil moisture retrievals from remote sensing data. Remote Sensing, 7(12), 16398–16421. https://doi.org/10.3390/rs71215841

Amrin. (2016). Data Mining Dengan Regresi Linier Berganda Untuk Peramalan Tingkat Inflasi. Jurnal Techno Nusa Mandiri, 13(1), 74–79. http://ejournal.nusamandiri.ac.id/ejurnal/index.php/techno/article/view/268

Anetasia, M., Afandi, A., Novpriansyah, H., Manik, K. E. S., & Cahyono, P. (2013). Perubahan Kadar Air dan Suhu Tanah Akibat Pemberian Mulsa Organik Pada Pertanaman Nanas Pt Great Giant Pineapple Terbanggi Besar Lampung Tengah. Jurnal Agrotek Tropika, 1(2), 213–218. https://doi.org/10.23960/jat.v1i2.2022

Benos, L., Tagarakis, A. C., Dolias, G., Berruto, R., Kateris, D., & Bochtis, D. (2021). Machine learning in agriculture: A comprehensive updated review. Sensors, 21(11), 1–55. https://doi.org/10.3390/s21113758

Ciptaningtyas, D., Kurniati, D., Ulfah, N., Fajrin, M. I., P, R. A. T., & Bafdal, N. (2017). Effect of Water Stress Treatment on Growth and Productivity of Tomato Crops ( Solanum lycoperscium . L ), with substrate hydroponic Culture in a greenhouse in Tropical Regions. Jurnal Teknotan Vol. 11 No 2, 11(2), 34–42. https://doi.org/10.24198/jt.vol11n2.4

Desmarina, R., Adiwirman, & Widodo, W. D. (2009). Respon Tanaman Tomat Terhadap Frekuensi dan Taraf Pemberian Air Terhadap Pertumbuhan dan Perkembangan Tanaman Tomat. Makalah Seminar Departemen Agronomi Dan Hortikultura, 6–9. https://repository.ipb.ac.id/bitstream/handle/123456789/36253/MAKALAH%20SEMINAR%20RISZKY%20DESMARINA.pdf

Dewi, S. P. (2012). Pengaruh Pengendalian Internal Dan Gaya Kepemimpinan Terhadap Kinerja Karyawan Spbu Yogyakarta. Nominal, 1(1), 1689–1699. https://doi.org/10.21831/nominal.v1i1.993

Esmaeelnejad, L., Ramezanpour, H., Seyedmohammadi, J., & Shabanpour, M. (2015). Selection of a suitable model for the prediction of soil water content in north of Iran. Spanish Journal of Agricultural Research, 13(1), 1–11. https://doi.org/10.5424/sjar/2015131-6111

Fakhrunnisa, E., Kartika, J. G., & Sudarsono. (2018). Produksi Tomat Cherry dan Tomat Beef dengan Sistem Hidroponik di Perusahaan Amazing Farm, Bandung. Bul. Agrohorti, 3(2), 316–325. https://doi.org/10.29244/agrob.v6i3.21094

Furqon, H. Z., Bafdal, N., & Suryadi, E. (2020). Kajian Kualitas Air Hujan yang Diberi Nutrisi AB Mix dan Kebutuhan Air Tanaman pada Pertumbuhan Vegetatif Tanaman Tomat Beef ( Solanum lycopersicum L . var Validum ) Menggunakan Media Tanam Campuran A. Prosiding Seminar Nasional Dalam Rangka Dies Natalis Ke-44 UNS Tahun 2020, 4(1), 231–237. https://jurnal.fp.uns.ac.id/index.php/semnas/article/view/1668

Lasulika, M. E. (2017). Prediksi Harga Komoditi Jagung Menggunakan K-Nn Dan Particle Swarm Optimazation Sebagai Fitur Seleksi. ILKOM Jurnal Ilmiah, 9(3), 233–238. https://doi.org/10.33096/ilkom.v9i3.148.233-238

Ghozali, I. (2016). Aplikasi Analisis Multivariete Dengan Program IBM SPSS 23. Edisi 8. Semarang: Badan Penerbit Universitas Diponegoro.

Habibi Garden. (2020). HabibiClimate Pro (Habibi Garden - Bertani dengan cara modern menggunakan teknologi IoT). Habibi Garden. http://habibigarden.com/habibiclimate-pro.html

Hair, J. F., Black, W. C., Babin, B. J., & Rolph E, A. (2019). Multivariate Data Analysis (8th) (8th ed.). Cengage Learning.

Heddam, S. (2021). New formulation for predicting soil moisture content using only soil temperature as predictor: multivariate adaptive regression splines versus random forest, multilayer perceptron neural network, M5Tree, and multiple linear regression. Water Engineering Modeling and Mathematic Tools, 45–62. https://doi.org/10.1016/B978-0-12-820644-7.00027-X

Herwanto, H. W., Widiyaningtyas, T., & Indriana, P. (2019). Penerapan Algoritme Linear Regression untuk Prediksi Hasil Panen Tanaman Padi. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi (JNTETI), 8(4), 364–370. https://doi.org/10.22146/jnteti.v8i4.537

Himawan, A. (2020). Peningkatan Pproduksi Komoditas Tomat Beef pada Serenity Farm Lembang Kabupaten Bandung Barat. Skripsi. Institut Pertanian Bogor, Bogor.

Jumawati, R., Sakya, A. T., & Rahayu, M. (2014). Pertumbuhan Tomat pada Frekuensi Pengairan yang Berbeda. Agrosains: Jurnal Penelitian Agronomi, 16(1), 13. https://doi.org/10.20961/agsjpa.v16i1.18906

Karandish, F., & Šimůnek, J. (2016). A comparison of numerical and machine-learning modeling of soil water content with limited input data. Journal of Hydrology, 543, 892–909. https://doi.org/10.1016/J.JHYDROL.2016.11.007

Liakos, K. G., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors (Switzerland), 18(8), 1–29. https://doi.org/10.3390/s18082674

Nasrulloh, N., Mutiarawati, T., & Sutari, W. (2016). Pengaruh penambahan arang sekam dan jumlah cabang produksi terhadap pertumbuhan tanaman, hasil dan kualitas buah tomat kultivar doufu hasil sambung batang pada Inceptisol Jatinangor. Kultivasi, 15(1), 26–36. https://doi.org/10.24198/kultivasi.v15i1.12010

Nugraha, R. H., Yuwono, E., Prasetyohadi, L., Arief, Y. B., & Patria, H. (2022). Analisis Konsumsi Energi Listrik Pelanggan Dan Biaya Pokok Produksi Penyediaan Energi Listrik dengan Machine Learning. Jurnal Sains Komputer & Informatika (J-SAKTI, 6(1), 47–56. https://doi.org/10.30645/j-sakti.v6i1.424

Onggo, T. M., Kusumiyati, K., & Nurfitriana, A. (2017). Pengaruh penambahan arang sekam dan ukuran polybag terhadap pertumbuhan dan hasil tanaman tomat kultivar ‘Valouro’ hasil sambung batang. Kultivasi, 16(1), 298–304. https://doi.org/10.24198/kultivasi.v16i1.11716

Porporato, A., & Rodriguez-iturbe, I. (2002). Ecohydrology-a challenging multidisciplinary research perspective. Hydrological Sciences Journal, 47(5), 811–821. https://doi.org/10.1080/02626660209492985

Prasetyo, A., Salahuddin, & Amirullah. (2021). Prediksi Produksi Kelapa Sawit Menggunakan Metode Regresi Linier Berganda. Jurnal Infomedia: Teknik Informatika, Multimedia & Jaringan, 6(2), 76–80. https://doi.org/10.30811/jim.v6i2.2343

Putri, C., & Kariyam, K. (2019). Perbandingan Metode Triple Exponential Smoothing dan Metode Seasonal ARIMA untuk Peramalan Inflasi di Kota Tamjung Pandan. Prosiding Sendika, 76–83.

Togneri, R., Felipe dos Santos, D., Camponogara, G., Nagano, H., Custódio, G., Prati, R., Fernandes, S., & Kamienski, C. (2022). Soil moisture forecast for smart irrigation: The primetime for machine learning. Expert Systems with Applications, 207, 117653. https://doi.org/10.1016/J.ESWA.2022.117653

Utomo, B. P., Utami, E., & Raharjo, S. (2019). Implementasi Metode K-Nearest Neighbor Dan Regresi Linear Dalam Prediksi Harga Emas. Informasi Interaktif, 4(3), 155–159. http://dx.doi.org/10.52453/t.v12i2.384

Widodo, R. B., Swastika, W., Setiawan, H., & Subianto, M. (2021). Studi Pemrosesan Data Pengenalan Gestur Tangan Menggunakan Metode Knn. The 4th Conference on Innovation and Application of Science and Technology (CIASTECH 2021), 277–286. http://publishing-widyagama.ac.id/ejournal-v2/index.php/ciastech/article/view/3320




DOI: https://doi.org/10.24198/jt.vol16n3.1

Refbacks

  • There are currently no refbacks.


Indexed by:

 

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License (CC BY-SA 4.0)