Prediksi Distribusi Spasial Unsur Nitrogen di Lahan Sawah dengan Berbagai Bentuk Lahan secara Presisi Menggunakan Machine Learning

Prasetya, Novandi Rizky and Prof. Dr. Ir. Mochtar Lutfi Rayes, M.Sc and Prof. Dr. Ir. Sri Rahayu Utami, M.Sc. (2025) Prediksi Distribusi Spasial Unsur Nitrogen di Lahan Sawah dengan Berbagai Bentuk Lahan secara Presisi Menggunakan Machine Learning. Magister thesis, Universitas Brawijaya.

Abstract

Pemanfaatan data remote sensing untuk menduga kadar nitrogen (N) tanah dan tanaman telah banyak diterapkan, namun pendekatan ini memiliki keterbatasan ketika diterapkan di lokasi dengan variasi bentuk lahan yang berbeda. Keterbatasan ini muncul karena penggunaan data remote sensing sebagai satu-satunya sumber data tanpa memperhitungkan faktor bentuk lahan sebagai parameter dalam pengamatan. Setiap bentuk lahan memiliki karakteristik topografi, sifat tanah, dan atribut iklim yang berbeda, sebagai akibat dari proses geologis yang berbeda pula, sehingga mempengaruhi distribusi unsur N. Penelitian ini dilaksanakan di lahan sawah dengan bentuk lahan aluvial, karst, dan vulkanik di Kabupaten Malang, Jawa Timur, Indonesia. Informasi bentuk lahan diperoleh dari satuan peta lahan (SPL) yang disusun melalui proses overlay antara data geologi, relief, dan kemiringan lereng. Titik observasi disebarkan di setiap SPL menggunakan metode stratified random sampling agar seluruh nilai indeks terwakili secara merata. Sebanyak 318 titik observasi digunakan, terdiri dari 223 titik untuk penyusunan model dan 95 titik untuk validasi model. Penyusunan model prediksi distribusi spasial unsur N dilakukan dengan mengintegrasikan data atribut lahan, yaitu data topografi, sifat tanah, dan atribut iklim, dengan citra Sentinel-2 MSI yang telah ditransformasikan ke dalam berbagai indeks vegetasi, seperti NDVI, GNDVI, TVI, EVI2, EVI2-2, NDSI, SAVI, MSAVI, SARVI3, dan OSAVI. Proses integrasi ini dilakukan menggunakan algoritma random forest dalam teknologi machine learning. Hasil penelitian menunjukkan adanya hubungan yang signifikan antara data atribut lahan dengan kandungan unsur N, di mana sebagian besar indeks vegetasi berfungsi sebagai variabel yang berpengaruh besar dalam membentuk model prediksi distribusi spasial N total tanah dan tanaman. Melalui pemanfaatan algoritma random forest, model prediksi berbasis machine learning ini berhasil mencapai akurasi yang tinggi, sebagaimana ditunjukkan oleh nilai koefisien determinasi (R²) sebesar 0,94 dan Root Mean Square Error (RMSE) sebesar 0,05 untuk model prediksi N total tanah. Model prediksi N total tanaman juga menunjukkan performa yang kuat dengan nilai R² sebesar 0,94 dan RMSE sebesar 0,9. Uji t berpasangan menunjukkan bahwa tidak ada perbedaan signifikan antara prediksi N total tanah dan tanaman dengan kandungan N total di lapangan dengan berbagai bentuk lahan. Berdasarkan hasil penelitian ini, model yang disusun dapat digunakan untuk memprediksi kandungan N total tanah dan tanaman dengan berbagai bentuk lahan, termasuk aluvial, karst, dan vulkanik. Penelitian ini juga menyediakan kerangka kerja yang dapat diterapkan untuk skala yang lebih luas dan menyoroti peningkatan akurasi model melalui integrasi data topografi, sifat tanah, dan atribut iklim sebagai variabel prediktor utama.

English Abstract

The application of remote sensing data to estimate soil and crop nitrogen (N) levels has been widely applied, but this approach has limitations when applied in locations with different landform variations. This limitation arises because of the use of remote sensing data as the only data source without considering landform factors as parameters in observations. Each landform has different topographic characteristics, soil properties, and climate attributes, as a result of different geological processes, thus affecting the distribution of N elements. This study was conducted in rice fields with alluvial, karst, and volcanic landforms in Malang Regency, East Java, Indonesia. Landform information is obtained from land map units (LMU) compiled through an overlay process between geological, relief, and slope data. Observation points are distributed in each SPL using the stratified random sampling method so that all index values are represented evenly. A total of 318 observation points were used, consisting of 223 points for model compilation and 95 points for model validation. The preparation of the spatial distribution prediction model of the N element was carried out by integrating land attribute data, namely topography data, soil properties, and climate attributes, with Sentinel-2 MSI images that have been transformed into various vegetation indices, such as NDVI, GNDVI, TVI, EVI2, EVI2-2, NDSI, SAVI, MSAVI, SARVI3, and OSAVI. This integration process is carried out using the random forest algorithm in machine learning technology. The results of the study showed a significant relationship between land attribute data and N content, where most vegetation indices function as variables that have a major influence in forming a prediction model for the spatial distribution of total soil and plant N. Through the use of the random forest algorithm, this machine learning-based prediction model succeeded in achieving high accuracy, as indicated by the coefficient of determination (R²) value of 0.94 and the Root Mean Square Error (RMSE) of 0.05 for the total soil N prediction model. The total plant N prediction model also showed strong performance with an R² value of 0.94 and an RMSE of 0.9. The paired t-test showed that there was no significant difference between the prediction of total soil and plant N with total N content in the field with various landforms. Based on the results of this study, the model developed can be used to predict total soil and plant N content with various landforms, including alluvial, karst, and volcanic. This study also provides a framework that can be applied to a wider scale and highlights the improvement in model accuracy through the integration of topographic data, soil properties, and climate attributes as the main p

Item Type:	Thesis (Magister)
Identification Number:	-
Divisions:	S2/S3 > Magister Pengelolaan Tanah dan Air, Fakultas Pertanian
Depositing User:	Sugeng Moelyono
Date Deposited:	07 Feb 2025 07:52
Last Modified:	07 Feb 2025 07:52
URI:	http://repository.ub.ac.id/id/eprint/236133

Text (DALAM MASA EMBARGO) Novandi Rizky Prasetya.pdf Restricted to Registered users only Download (33MB)

Actions (login required)

View Item