Kota Banjar, 6 Mei 2025. Dalam rangkaian Kegiatan Evaluasi Modernisasi Irigasi di Daerah Irigasi (DI) Manganti pada 5-6 Mei 2025, diselenggarakan sesi mengenai Pengenalan Irrigation Knowledge Management Center (IKMC) oleh Ir. Andri Prima Nugroho, Ph.D. dan Prof. Dr. Sigit Supadmo Arif. Kegiatan ini merupakan bagian dari kerjasama Pusat Kajian Modernisasi Irigasi dan Pertanian (PMIP) dengan Direktorat Bina Teknik SDA Kementerian Pekerjaan Umum. Presentasi bertajuk “Irrigation Knowledge Management Center (IKMC) – Membangun Pondasi Pengetahuan untuk Keberlanjutan Modernisasi Irigasi Nasional” ini dihadiri oleh berbagai pihak, termasuk Kepala BBWS Citanduy, Dr. Elroy Koyari, dan Muhammad Ramdhani, Kepala Bidang OP BWS Citanduy. read more

Yogyakarta, 30 Desember 2020. Kabar gembira di akhir tahun 2020 datang dari ALumni Smart Agriculture Research, Departemen Teknik Pertanian dan Biosistem, Fakultas Teknologi Pertanian Universitas Gadjah Mada. Dua alumni akan melanjutkan studinya di Chungnam National University, Korea Selatan yaitu Aulia Rizkiana dan Muhammad Akbar Andi Arief. Dua alumni ini merupakan bimbingan dari dari Dr. Andri Prima Nugroho, Prof. Lilik Sutiarso dan Dr. Rudiati Evi Masithoh

Aulia Rizkiana sebelumnya menyelesaikan penelitian tugas akhir mengenai modeling pertumbuuhan tanaman meggunakan metode Jaringan Syaraf Tiruan, Artificial Neural Network (ANN), penelitian selengkapnya silakan melihat di video penelitian berikut.

Sedangkan Muhammad Akbar Andi Arief menyelesaikan penelitian tugas akhir mengenai 3D rekonstruksi pada monitoring pertumbuhan tanaman menggunakan metode photogrametri. Penelitian selengkapnya dapat dilihat pada link video berikut.

Mereka berdua akan melanjutkan studi di Master Program Department of Biosystems Machinery Engineering in Chungnam National University (CNU), South Korea dibawah bimbingan Prof. Byoung-Kwan Cho dengan topik yang sama yaitu mengenai Non-destructive Evaluation and Biosensing.

Topik dan materi penelitian mengenai non-destructive evaluation serta biosensing yang dipelajari di Smart Agrculture Research memiliki kaitan erat dengan apa yang dikerjakan oleh peneliti di CNU, seperti penerapan monitoring tanaman, produk pertanian, serta implementasinya di bidang industri.

Dengan adanya pengiriman dua alumni Smart Agriculture ke CNU ini harapannya dapat lebih mempererat relasi dan kerjasama dua Universitas dan riset group yang dikembangkan di Departemen Teknik Pertanian dan Biosistem, Fakultas Teknologi Pertanian Universitas Gadjah Mada, sekaligus memberikan peluang dan kesempatan kepada peneliti-peneliti muda untuk mengembangkan penelitian pertanian modern dan kolaborasi dengan peneliti di level Internasional.

Kontributor:

[simple-author-box]

Precision agriculture is the monitoring of plant growth in a plant factory production to observe the behavior and predict the estimated yield of plant production. The plant growth is caused by external factors and nutrient availability. The estimation of plant growth considering the environmental conditions as well as initial plant height is necessary for plant management during the production cycle. So, this poster includes the aim, process, and result in plant growth prediction.

This video explains our research in the development of a plant growth prediction model based on Artificial Neural Network (ANN) conducted by Aulia Rizkiana, under the supervision of Dr. Andri Prima Nugroho, Dr. Rudiati Evi Masithoh, and Prof. Dr. Ir. Lilik Sutiarso, M.Eng. This research was conducted at Smart Agriculture Research, Department of Agricultural and Biosystems Engineering, Faculty of Agricultural Technology Universitas Gadjah Mada.



[simple-author-box]

Berbicara mengenai perkembangan teknologi pertanian, tentu saja erat kaitannya dengan studi temuan yang berhasil diciptakan. Penemuannya dapat berupa software, hardware, ataupun ide pemikiran, tujuan dari pengembangan ini yaitu untuk memajukan pertanian presisi yang merupakan teknologi ini berbasis informasi dari pelbagai data yang berada dalam lingkungan tanaman untuk mendapatkan keuntungan optimum, berkelanjutan, dan menjaga lingkungan. Bentuk penerapan pertanian presisi yaitu pengembangan model prediksi pertumbuhan tanaman di plant factory dengan menggunakan jaringan saraf tiruan.

Model Prediksi Pertumbuhan Tanaman di Plant Factory dengan Jaringan Saraf Tiruan (JST)

Plant factory berfungsi untuk membentuk suatu lingkungan yang baik bagi pertumbuhan tanaman dan lingkungan tersebut agar mudah dikontrol serta diatur, sehingga selalu tersedia bagi pertumbuhan tanaman dan menghasilkan produksi yang tinggi serta berkualitas baik. untuk mendukung perkembangan serta pertumbuhan yang optimal bagi tanaman di plant factory maka dibuat model prediksi ertumbuhan tanaman dengan jaringan saraf tiruan untuk mengetahui pola pertumbuhan serta faktor lingkungan yang berpengaruh pada tanaman. Jaringan Saraf Tiruan merupakan teknik dalam machine learning yang dapat menirukan saraf manusia yang merupakan bagian fundamental dari otak. JST terdiri atas lapis masukan (input layer), lapisan tersembunyi (hidden layer), lapis keluaran (output layer). Setiap lapis terdiri atas satu atau beberapa unit neuron yang mempunyai sebuah fungsi aktivasi yang menentukan keluaran dari unit tersebut. Penambahan lapis tersembunyi pada JST berfungsi untuk menambah kemampuan dari jaringan tersebut. Jaringan dapat dilatih dengan menggunakan data latih. Semakin banyak data latih maka akan semakin bagus unjuk kerja dari jaringan tersebut. Namun, kemampuan JST juga terbatas pada jumlah lapisan dan fungsi aktivasi yang digunakan, semakin banyak jumlah lapisan semakin tinggi kapasitas JST tersebut. Semakin banyak lapisan juga membawa kekurangan yaitu semakin banyaknya jumlah iterasi atau training yang dibutuhkan.

Metode Perancangan Model Prediksi Pertumbuhan Tanaman dengan Jaringan Saraf Tiruan (JST)

Perancangan model prediksi dengan jaringan saraf tiruan membutuhkan sampel data pelatihan dan pengujian. Sampel training digunakan untuk pengembangan model JST dan sampel pengujian diadopsi untuk mengevaluasi kemampuan prediksi model. Pemilihan sampel data pelatihan dan pengujian dapat mempengaruhi kinerja model, sehingga diperlukan pembagian data ke dalam set pelatihan dan pengujian. Pembagian data sampel dilakukan untuk mewakili populasi atau mekanisme yang mendasarinya dan juga untuk memperkirakan seri waktu dalam data. Pada penelitian ini menggunakan 80% sampel data pelatihan dan 20% sampel data pengujian dengan jumlah data pelatihan 36 dan pengujian sebanyak 9.

Halo sobat Smart Farmer. Tahukah kamu, saat ini pertanian presisi menjadi salah satu fokus utama dalam pemaksimalan teknologi di sektor pertanian. Plant factory menjadi contoh teknologi masa depan dalam mendukung pertanian presisi dengan mengoptimalkan penggunaan sumberdaya dan memaksimalkan ouput yang diharapkan. Salah satu penerapan pertanian presisi pada plant factory adalah monitoring pertumbuhan tanaman selama masa vegetatif.

Pertumbuhan tanaman sangat penting pada penerapan budidaya plant factory karena menjadi parameter kualitas produksi. Namun, pada penerapannya masih dilakukan secara langsung oleh tenaga kerja manusia menggunakan mistar atau skala dengan pencatatan secara manual. Hal ini memiliki dampak untuk merusak dan mengganggu pertumbuhan tanaman. Dari hal ini, monitoring pertumbuhan tanaman mengalami perkembangan dengan memanfaatkan sistem computer vision dan mobile mechanism.

Aplikasi pengamatan secara tidak langsung ini memiliki keunggulan dalam monitoring pertumbuhan tanaman dengan tingkat akurasi dan presisi yang lebih baik. Namun, sistem ini menggunakan komponen-komponen dengan harga yang tinggi. Melihat permasalahan dan potensi pengembangannya, maka dilakukan penelitian yang berfokus pada perancangan sistem monitoring pertumbuhan tanaman secara otomatis dengan peralatan sederhana tetapi dapat memberikan fungsi kerja yang sama.

Gambar 1. Rancangan sistem monitoring berbasis mobile mechanism dan computer vision

Berdasarkan Gambar 1, dapat diketahui bahwa penelitian ini menggunakan kamera Logitech C270 HD Webcam untuk mengambil citra tanaman. Kamera ini dilengkapi fitur mobilitas menggunakan stepper motor NEMA-17 dan driver motor A4988 dengan Raspberry Pi 3 sebagai pengontrol dari sistem monitoring pertumbuhan tanaman. Penelitian ini menggunakan tanaman model sebagai obyek pengamatannya. Sistem ini bekerja dengan bergerak ke posisi tanaman (x,y). Kemudian sistem terebut, mengambil citra tanaman dan menyimpan data tersebut pada SD Card. Apabila telah selesai melaksanakan kerja, sistem akan kembali ke posisi awal.

Gambar 2. Desain pergerakan dan hasil aplikasi sistem monitoring berbasis mobile mechanism dan computer vision

Gambar 2 menunjukkan hasil dari penelitian berupa rancangan sistem monitoring pertumbuhan tanaman dengan sistem mobile mechanism dan computer vision pada plant factory. Selain itu, sistem ini juga diuji berdasarkan aspek mobilitas untuk menganalisis ketepatan sistem bergerak sesuai posisi yang ditentukan dan aspek fungsionalitas citra untuk mengetahui kesamaan hasil capture sistem. Melalui uji kinerja pada aspek mobilitas, sistem mengalami pergeseran secara numeris tetapi tidak secara statistik. Adapun uji kinerja pada aspek fungsionalitas citra, sistem menghasilkan nilai kesamaan gambar sebesar 89% sampai 92% dengan tingkat kepercayaan sebesar 90%. Secara keseluruhan, kinerja dari sistem tersebut dapat digunakan untuk monitoring pertumbuhan tanaman secara otomatis pada plant factory.

Sekian dulu penjelasan mengenai penelitian ini. Semoga dengan adanya pengembangan sistem monitoring dengan peralatan sederhana tetapi memiliki fungsi sama akan menginspirasi Sobat Farmer dalam menciptakan karya-karya untuk mengatasi permasalahan di era industri 4.0 pada sektor pertanian.

*Penelitian ini dipresentasikan di the International Conference on Science and Applied Science (ICSAS) 2019, Surakarta, dan dimuat di Proceeding AIP Publishing.

References

Wijanarko, A., Nugroho, A. P., Sutiarso, L., & Okayasu, T. (2019, December). Development of mobile RoboVision with stereo camera for automatic crop growth monitoring in plant factory. In AIP Conference Proceedings (Vol. 2202, No. 1, p. 020100). AIP Publishing LLC.

 

Acknowledgment

Penelitian ini didanai dengan skema Reknogisi Tugas Akhir (RTA) tahun 2019-2020 yang dilaksanakan di Smart Agriculture Research dalam merintis penerapan pertanian presisi pada plant factory. Penelitian ini dibimbing oleh: Dr. Andri Prima Nugroho, Prof. Dr. Lilik Sutiarso, M.Eng., dan Dr. Rudiati Evi Masithoh, M.Dev. Tech.

[simple-author-box]

Sobat Smart Farmer, seperti yang kita ketahui, Pertanian di Indonesia akhir-akhir ini mengalami banyak tantangan seperti pemenuhan kebutuhan pasar, permasalahan iklim, sampai ke alih fungsi lahan. Salah satu solusi untuk itu yakni dengan menerapkan pertanian presisi. Pertanian presisi (precision farming) didasarkan pada informasi dan teknologi pada sistem pengelolaan pertanian yang bertujuan untuk mengidentifikasi, menganalisis, dan mengelola informasi keragaman spasial dan temporal di dalam lahan supaya mendapatkan keuntungan optimum, berkelanjutan, serta menjaga lingkungan. Implementasi dari pertanian presisi ini salah satunya dengan melakukan pengukuran pada tanaman untuk dapat mengamati laju pertumbuhannya.

Sistem Monitoring Pertumbuhan Tanaman

Pertumbuhan tanaman yakni peristiwa bertambahnya ukuran tanaman seperti tinggi, luas daun, dan volumenya. Pertumbuhan tanaman pada fase vegetatif  merupakan salah satu tahapan penting dalam produksi yang menentukan kualitas akhir produk pertanian. Pengukuran pada tanaman biasanya dilakukan secara langsung dengan menggunakan alat ukur konvensional. Beberapa cara pengukuran juga terkadang bersifat merusak tanaman, seperti mengukur luas daun dengan cara memetik beberapa sampel daun pada tanaman. Pengukuran seperti ini disebut dengan pengukuran destruktif. Solusi dari pengukuran yang bersifat destruktif tersebut adalah dengan menggunakan berbagai metode non-destruktif seperti teknologi laser scanning maupun computer vision.

Teknologi laser scanning bekerja dengan cara memindai objek tanaman dengan menggunakan sinar laser. Hasil pindaian tersebut diproses sehingga didapatkan hasil pengukuran yang dicari. Kekurangan dari teknologi ini yakni harganya yang relatif cukup mahal. Apabila kita mencari alat laser scanning  di berbagai e-commerce maka dapat dilihat harga-harga dari berbagai jenisnya mecapai angka belasan hingga puluhan juta rupiah. Maka dari itu, pada penelitian yang dikerjakan oleh penulis, diuji cobakan metode pengukuran non-destruktif dengan biaya lebih terjangkau dari teknologi laser scanning tetapi tetap memiliki tingkat akurasi yang baik.

Metode Rekonstruksi Tiga Dimensi 

Model tiga dimensi tanaman dapat dihasilkan menggunakan beberapa metode. Metode yang paling akurat saat ini yakni dengan menggunakan terestrial laser scanner (TLS). Penggunaan instrumen TLS untuk pemodelan masih sangat terbatas karena biaya peralatan yang tinggi serta keterbatasan perangkat lunak (software) yang digunakan. Dalam penelitian ini dilakukan studi metode untuk dijadikan alternatif pengganti metode terestrial laser scanner yang lebih murah. Metode yang digunakan untuk menekan biaya yang tinggi ini adalah metode fotogrametri rentang dekat (Close-Range Photogrammetry).

Metode fotogrametri rentang dekat menggunakan prinsip dasar pengukuran tumpang tindih (tampalan) antar foto dengan sudut pandang yang berbeda dan pengukuran orientasi kamera. Model tiga dimensi yang dihasilkan sangat dipengaruhi oleh banyaknya area tampalan antar foto. Semakin banyak foto yang bertampalan maka semakin baik pula hasil model tiga dimensinya. Sebelum foto diolah, dilakukan kalibrasi terhadap kamera yang digunakan untuk mengetahui faktor orientasinya.

Metode fotogrametri didasarkan pada pengolahan citra gambar 2 dimensi yang hasilnya berupa Digital Terrain Model (DTM), Digital Elevation Model (DEM), Digital Surface Model (DSM), dan rekonstruksi tiga dimensi. Model tiga dimensi yang dihasilkan merupakan pertampalan foto yakni pengambilan citra 17 foto 2 dimensi objek tertentu yang diambil dari berbagai sudut.

Pengembangan Sistem 

Pada studi yang dilakukan, dirancang sistem yang terdiri dari alat pemindai tanaman berbasis web-camera yang akan melakukan pengambilan data foto pada objek tanaman. Data foto tanaman yang telah didapatkan kemudian akan diolah menjadi objek tiga-dimensi pada software. Terakhir dilakukan proses pengukuran volumetrik terhadap objek tiga-dimensi tanaman tersebut. Tingkat keakuratan pada metode ini dilakukan dengan cara memvalidasi hasil dari pengukuran volume objek tiga-dimensi dengan pengukuran volume secara konvensional.

Sobat Smart Farmer, dari Gambar 1. dapat dilihat kerangka pikir sistem monitoring pertumbuhan tanaman yang dilengkapi dengan alat pemindai. Alat pemindai dan rekonstruksi 3D yang dibuat terdiri dari 2 komponen utama dan 1 komponen pendukung. Komponen utama terdiri sistem akuisisi citra dua dimensi foto dan sistem rekonstruksi tiga dimensi. Untuk komponen pendukung alat ini terdiri dari rangka penyangga dari besi siku lubang, lampu LED sebagai lighting tambahan, serta kain untuk alas objek tanaman.

Kinerja Sistem Pemindai dan Rekonstruksi 3D

Hasil surface reconstruction pada penelitian ini dapat dilihat pada Gambar 2. Dari hasil yang didapatkan terlihat bahwa model tiga dimensi yang dihasilkan dari metode fotogrametri rentang dekat ini sudah menyerupai model sebenarnya, walaupun masih terdapat kekurangan yakni objek yang tertutup daun tanaman bagian atas seperti lekukan daun maupun tanah tidak mampu direkonstruksi dengan baik. Dari hasil rekonstruksi ini dapat di estimasi volume tanaman, yang merupakan salah satu indikator fisik pertumbuhan dan perkembangan tanaman yang ingin kita ukur secara presisi.

Hasil validasi menggunakan uji RMSE (Root Mean Square Error), koefisien determinasi (R²), dan NSE (Nash-Sutcliffe Efficiency) masing-masing menghasilkan nilai 0,954 cm, 0,999, dan 0,999. Dari hasil tersebut dapat disimpulkan bahwa sistem pengukuran secara non-destruktif pada penelitian ini dapat menjadi alternatif cara pengukuran pada objek tanaman.

Acknowledgement

Penelitian ini merupakan hasil penelitian tugas akhir yang didanai dengan skema Reknogisi Tugas Akhir (RTA) tahun 2019-2020 yang dilaksanakan di Smart Agriculture Research dalam merintis penerapan pertanian presisi pada plant factory. Penelitian ini dibimbing oleh: Dr. Andri Prima Nugroho, Prof. Dr. Lilik Sutiarso, M.Eng., dan Dr. Rudiati Evi Masithoh, M.Dev. Tech.

[simple-author-box]