Algoritma Unsupervised Learning dalam Dunia Pertanian

Praktisi data seringkali mengaplikasikan beberapa algoritma machine learning untuk mengungkap pola tersembunyi demi mendapatkan sebuah insight dari suatu data. Salah satu penggunaan algoritma machine learning yang diaplikasikan oleh praktisi data adalah algoritma Unsupervised Learning. Seperti yang telah dijelaskan dalam beberapa artikel sebelumnya, keberadaan machine learning dinilai sangat penting untuk menarik kesimpulan dari ukuran data yang luar biasa besarnya. Sesuai dengan penamaannya yakni algoritma unsupervised learning bahwa dataset yang digunakan tidak perlu dilatih untuk melakukan sebuah prediksi. Jika ditinjau dari segi model matematis, algoritma ini tidak memiliki target variabel atau hanya terfokus pada satu variabel saja. Metode yang seringkali diaplikasikan dan paling umum digunakan dalam algoritma unsupervised learning adalah Clustering. Clustering adalah sebuah proses untuk mengelompokkan data ke dalam satu cluster dimana memiliki tingkat kemiripan yang maksimum dan data antar cluster memiliki kemiripan yang minimum. 

Aplikasi clustering dianggap memainkan peranan penting khususnya dalam sektor pertanian. Sektor pertanian dinilai menjadi sektor strategis yang menjadi tonggak pertumbuhan ekonomi negara karena sebagian pendapatan negara salah satunya berasal dari ekspor produk pertanian. Terlebih lagi, sektor pertanian juga menjadi fokus perhatian di beberapa negara berkembang misalnya India. Banyak permasalahan yang seringkali muncul dalam dunia pertanian di sepanjang perjalanannya mulai dari merebaknya hama dan penyakit, kondisi iklim yang tidak menentu, aspek sosial ekonomi seperti ketahanan pangan, akses dan penyerapan pangan serta beragam masalah lainnya. Beberapa penelitian terkait bidang pertanian dapat diselesaikan menggunakan algoritma unsupervised learning yakni dengan metode clustering. Pada artikel kali ini, DQLab akan mencoba meringkas beberapa penelitian yang mengaplikasikan algoritma unsupervised learning khususnya dalam dunia pertanian spesial untuk kalian. Baca selengkapnya dan pastikan kalian simak artikelnya berikut ini!

1.Pengelompokan Status Ketahanan Pangan Suatu Daerah

Aplikasi algoritma unsupervised learning dalam bidang pertanian yang pertama adalah pengelompokan status ketahanan pangan di suatu daerah. Penelitian pertama dilakukan oleh Harliana dan Azhari pada tahun 2012 yang menerapkan algoritma Fuzzy C-Means untuk mengelompokkan daerah rawan pangan dan tahan pangan di Kabupaten Cirebon. Kemudian dilakukan analisis lanjutan mengenai pemberian rekomendasi bantuan menggunakan parameter indikator ketahanan dan kerawanan pangan yang telah ditentukan. Hasilnya terdapat 11 desa yang mendapatkan predikat rawan pangan dan 4 desa termasuk dalam kelompok tahan pangan. Penentuan indikator didasarkan pada aspek yang paling berpengaruh. Misalnya pada penentuan desa rawan pangan yaitu aspek ketersediaan pangan, aspek akses pangan dan penghidupan, serta aspek kesehatan dan gizi. Sedangkan jumlah penduduk dibawah garis kemiskinan, desa yang tidak memiliki akses penghubung yang memadai, jumlah RT tanpa akses listrik, jumlah areal tanam yang terkena puso, serta jumlah buruh baik buruh tani dan swasta merupakan 5 indikator yang memiliki pengaruh penting dalam penentuan daerah rawan pangan.

Lebih lanjut, penelitian menggunakan algoritma Fuzzy C-Means juga dilakukan oleh Rini dan Ruskan pada tahun 2019. Penelitian ini mengelompokkan status ketahanan pangan di Provinsi Sumatera Selatan. ada penelitian ini metode yang digunakan untuk clustering data adalah Hybrid Fuzzy C-Means (FCM). Dari hasil pengujian menggunakan Davies Bouldin Index (DBI), diperoleh data bahwa status ketahanan pangan di Sumatera Selatan dikelompokkan menjadi tiga cluster yaitu tahan pangan (satu daerah), cukup tahan pangan (delapan daerah) dan rawan pangan (lima daerah). Pengelompokkan daerah ketahanan pangan atau daerah rawan pangan sangat diperlukan karena ketersediaan pangan di setiap daerah berbeda setiap waktu, tergantung dari hasil produksi pangan dan faktor yang mempengaruhinya. Melalui hasil tersebut, tentunya akan berguna untuk pemerataan pangan berdasarkan hasil analisis yang telah dilakukan.

Baca juga : 3 Jenis Algoritma Machine Learning yang Dapat Digunakan di Dunia Perbankan

2.Pengelompokan Tanaman Gandum dengan Karakteristik Perbedaan Benih

Kemudian, penggunaan algoritma unsupervised learning juga digunakan untuk mengklasifikasikan tanaman gandum di India. Penelitian ini dilakukan oleh Gudavalli, Vidyasree dan Raju tahun 2017 di negara bagian Andhra Pradesh. Penelitian ini menggunakan algoritma jenis K-Means, Fuzzy C-Means, dan pengelompokan berbasis hierarki. Penentuan klasifikasi ini menggunakan Software R-Studio. Klasifikasi dilakukan atas dasar 3 jenis benih gandum yang dibudidayakan di lokasi penelitian yakni Kama, Rosa dan Canadian. Dataset tiga jenis benih berisi atribut sebagai berikut seperti luas, keliling, kesesuaian, panjang, lebar, koefisien asimetris, alur irigasi, dan jenis benih gandum. Berdasarkan hasil dari 210 jumlah observasi dan 8 atribut pengujian, terdapat 8 missing value dan terbentuk 3 klaster berdasarkan jenis benih yang dibudidayakan. 

Baca Juga: Belajar Data Science: Pahami Penggunaan Machine Learning pada Python

3.Klasterisasi dan Pemetaan Lahan Pertanian Jagung

Tidak hanya mengetahui tahan pangan suatu wilayah dan klasifikasi tanaman yang appropriate saja sahabat data. Ternyata, algoritma unsupervised learning juga diterapkan pada klasterisasi dan pemetaan lahan pertanian. Hal ini sangat bermanfaat bagi petani untuk mengetahui kesuburan tanah dan unggulnya potensi suatu wilayah yang cocok untuk komoditas apa yang nantinya akan ditanam. Penelitian ini dilakukan oleh Tamaela, Sediyono dan Setiawan pada tahun 2017 untuk melakukan klasterisasi dan pemetaan lahan pertanian di Minahasa Tenggara. Penelitian ini menggunakan algoritma Fuzzy C-Means (FCM) dan K-Means (KM) untuk mengelola data pertanian dari hasil data mining yang dilakukan. Fuzzy C-Means (FCM) dan K-Means (KM) diimplementasikan untuk menemukan dan membentuk klaster-klaster daerah lahan pertanian komoditas jagung berdasarkan atribut-atribut pendukung yang digunakan seperti produktivitas, luas lahan, letak geografis dan luas wilayah. Hasil akhir klaster dengan menggunakan algoritma FCM untuk komoditi jagung dengan atribut luas tanam dan luas panen maka diperoleh hasil daerah dengan luas lahan pertanian dan panen jagung terbesar berada pada 6 wilayah, sedangkan wilayah dengan lahan pertanian jagung dan panen terkecil juga berada di 6 wilayah. 

4.Pengen Mengenal Lebih Dalam Tentang Machine Learning? Yuk Mulai Belajar Data Science Sekarang!

Tidak memiliki background IT? Jangan khawatir, kamu tetap bisa menguasai Ilmu Data Science untuk siap berkarir di revolusi industri 4.0. Bangun proyek dan portofolio datamu bersama DQLab untuk mulai berkarir di industri data yang sebenarnya! Sign up sekarang untuk #MulaiBelajarData di DQLab!

Simak informasi di bawah ini untuk mengakses gratis module "Introduction to Data Science":

1.Buat Akun Gratis dengan Signup di DQLab.id/signup

2.Akses module Introduction to Data Science

3.Selesaikan modulenya, dapatkan sertifikat & reward menarik dari DQLab

4.Subscribe DQLab.id untuk Akses Semua Module Premium!

Penulis: Reyvan Maulid Pradistya

Editor : Annissawd

Tags