Abstrak - Era revolusi industri 4.0 dengan penggunaan Internet of Thing, big data, dan Artificial Intelligence
mendorong pertanian presisi ke tingkat yang lebih lanjut (next generation precision farming). Teknologi yang dapat
mengklasifikasi (clasification), mengelompokkan (clustering), mengestimasi (estimation), dan memprediksi
(forecating) merupakan salah satu fokus dalam penerapan pertanian presisi. Teknologi pintar tersebut dapat
dikembangkan dengan memanfaatkan model matematika yang dikenal dengan model Neural Network (NN).
Model ini menggunakan algoritma pembelajaran yang terinspirasi oleh cara otak manusia untuk menyimpan
informasi. Saat ini, istilah Machine Learning dan Deep Learning sering digunakan dalam pemodelan
menggunakan NN. Penelitian terkait pemanfaatan model NN di perkebunan kelapa sawit telah dilakukan namun
masih terdapat banyak ruang yang dapat di eksplorasi dalam penggunaan model ini. Terlebih lagi, saat ini banyak
perkebunan yang sudah melakukan proses digitalisasi pada seluruh aktivitasnya. Pemanfaatan model NN
diharapkan dapat membantu pengembangan mesin pengambilan keputusan cerdas dalam budidaya kelapa sawit
untuk mendukung generasi baru pertanian presisi.
Kata kunci: Artificial intelligence, deep learning, generasi baru pertanian presisi, kelapa sawit, machine learning,
neural network
keberlanjutan (Hakkim, Joseph, Gokul, & Mufeedha, BIG DATA DAN ARTIFICIAL INTELLIGENCE
2016). Pertanian presisi menggunakan pendekatan Perkembangan teknologi internet dan telepon
yang menggunakan jumlah input yang tepat untuk seluler selama beberapa dekade terakhir telah
memperoleh hasil yang lebih tinggi dibandingkan menghasilkan sejumlah besar data. Setiap hari data
dengan teknik pertanian konvensional. Terdapat yang dibuat hingga disimpan sebesar 2,5 terabyte
beberapa area fokus dalam penerapan pertanian presisi, (Zicari, 2013). Dari tahun 2010 – 2020, data-data yang
antara lain: 1) Penerapan teknologi deteksi, dihasilkan dari internet mencapai 62,2 zettabyte
pemantauan, analisis, dan prediksi untuk mencatat (Statita, 2022). Saat ini, data berperan sebagai
informasi spesifik spasial dan temporal; 2) Penggunaan “minyak baru” karena potensinya sebagai aset yang
dan integrasi berbagai teknologi berorientasi aplikasi; 3) bernilai dan memiliki banyak manfaat bagi bisnis dan
Mengurangi dampak negatif lingkungan dengan industri. Data dapat digunakan untuk memahami
memaksimalkan sumber daya yang tersedia (Nanda, pasar, membuat keputusan yang lebih baik, dan
2022). Beberapa contoh aplikasi pertanian presisi adalah meningkatkan efisiensi operasional. Beberapa
pemantauan iklim dengan pemantauan irigasi cerdas industri, seperti industri teknologi informasi dan media,
untuk meningkatkan efisiensi air, pemantauan kondisi bahkan bergantung pada data sebagai sumber utama
tanah, prakiraan produksi tanaman, dan peramalan pendapatan mereka. Beberapa perusahaan teknologi
pembiayaan (Bwambale, Abagale, & Anornu, 2022; seperti Apple, Google, dan Microsoft memiliki nilai
Math & Dharwadkar, 2018; Pooja, Uday, Nagesh, & perusahaan yang lebih tinggi daripada raksasa
Talekar, 2017; Rajković et al., 2022; Singh, Sobti, Jain, minyak seperti PetroChina, Exxon, dan General
Malik, & Le, 2022; Wijaya & Susandi, 2018). Aplikasi Electric Marcin, 2021.
pertanian presisi di perkebunan kelapa sawit
memanfaatkan teknologi global positioning system Manajemen big data dihadapkan dengan beberapa
(GPS), sistem informasi geografi (SIG), teknologi tantangan, antara lain: 1) Volume data, pertumbuhan
pengindraan jauh, dan aplikasi variable rate, termasuk pesat jumlah data yang dihasilkan; 2) Keragaman dan
teknologi sensor dan mesin pertanian (Ginting & integrasi ke dalam kumpulan data, karena 80%
Wiratmoko, 2021). informasi yang dikumpulkan dalam big data masih
Revolusi Industri 4.0 dengan Internet of Things belum terstruktur; 3) Velocity, mengubah data menjadi
(IoT) dan kecerdasan buatan (Artificial Intelligence/AI) untuk informasi yang dibutuhkan dengan cepat; 4)
membawa pertanian presisi ke tingkat berikutnya Kebenaran, kualitas data dan ketersediaan data.
(generasi baru). Pertanian presisi pertama kali Kualitas data yang buruk menyebabkan keputusan
diperkenalkan pada akhir 1980-an melalui integrasi yang buruk; 5) Penemuan data, cara menemukan data
mekanisasi, GPS, SIG dan teknologi pengindraan berkualitas tinggi dari kumpulan data besar di Internet;
jauh. Selama tiga dekade terakhir, teknik pertanian 6) Skalabilitas, seberapa besar kumpulan data dapat
presisi telah berkembang menjadi strategi untuk memecahkan masalah skala besar (Gil & Song, 2016;
pengambilan keputusan spesifik lokasi, terutama Zicari, 2013). Beberapa aplikasi dari big data di bidang
berdasarkan citra satelit. Pada 2010-an, dengan pertanian antara lain prakiraan iklim, rekomendasi
perkembangan internet dan teknologi seluler waktu tanam, rekomendasi kondisi tanah,
(smartphone), pertanian presisi mulai menawarkan rekomendasi benih dan pupuk, prakiraan produksi,
layanan melalui berbagai aplikasi web dan dan e-commerce di bidang pertanian (Bendre, Thool,
smartphone dengan mengintegrasikan berbagai & Thool, 2015; Pushparani, Sagaya, & Ravan, 2018;
sensor nirkabel. Saat ini, teknologi seperti Wijayanto, Purnamasari, Ristiana, Saputra, & Regar,
kendaraan udara tak berawak (unmanned aerial 2022).
vehicles /UAV), big data, AI, dan otomatisasi sedang Sebagian besar model bisnis perkebunan di
dikembangkan untuk mengatasi permasalahan Indonesia masih menerapkan metode tradisional
sosial, manufaktur, dan pertanian. Dalam dekade termasuk dalam hal pengumpulan data. Namun,
berikutnya, generasi baru pertanian presisi akan sekarang banyak perkebunan di Indonesia mulai
ditandai dengan komputasi awan (cloud) performa melakukan digitalisasi dengan menerapkan IoT ke
tinggi, analitik big data, AI tingkat lanjut, otomatisasi model bisnis perkebunannya, sehingga nantinya data
dan kontrol secara real time (Serraj & Pingali, 2019). yang dikumpulkan tersimpan secara terpusat dan
40
Pemanfaatan model neural network dalam generasi baru pertanian presisi di perkebunan kelapa sawit
menjadi kumpulan big data. Banyak hal yang dapat pada membuat mesin secerdas otak manusia
dilakukan dengan big data, salah satunya adalah (Shinde & Shah, 2018). AI memiliki beberapa sub
untuk menganalisis dan membuat model prediktif kelompok, beberapa di antaranya adalah machine
agar menghasilkan keputusan yang tepat untuk learning (ML) dan deep learning (DL). Neural
usaha perkebunan. Pemanfaatan model berbasis AI Network (NN) merupakan model yang sangat
untuk menganalisis dan membuat model prediktif penting untuk pengembangan model ML maupun
kumpulan data yang besar menjadi hal yang menarik DL sehingga peneliti selanjutnya menempatkan
belakangan ini. Terlebih lagi, model tersebut dapat di NN dalam sub kelompok terpisah. Pembagian
integrasikan pada berbagai produk digital untuk masing-masing sub kelompok AI dapat dilihat pada
menghasilkan sistem keputusan cerdas. AI mengacu Gambar 1.
Gambar 1. Hubungan Artificial intelligence, machine learning, neural network dan deep learning (S. Li, Deng, Zhu,
Hua, & Tao, 2021).
41
* 1 1
Muhdan Syarovy , Andri Prima Nugroho , dan Lilik Sutiarso
Model-model berbasis empiris memiliki akurasi pemilihan equation yang sesuai dengan pola data.
yang rendah jika dibandingkan model mekanistik Jika equation yang dipilih tidak sesuai dengan pola
(Harahap & Lubis, 2018). Namun, saat ini model- data, maka prediksi yang dihasilkan akan tidak
model empiris berdasarkan algoritma cerdas ML akurat. Sementara itu, model berbasis machine
telah dikembangkan agar memiliki akurasi yang learning menggunakan data dan hasil untuk
lebih baik. Perbedaan model empiris tradisional dan memperoleh equation (Gambar 3). Model ini dapat
model berbasis ML adalah model empiris tradisional lebih dinamis terhadap perubahan data-data baru
menggunakan data dan equation untuk sehingga model dapat belajar melalui error yang
menghasilkan jawaban atau hasil. Keakuratan terjadi untuk memperoleh hasil prediksi yang lebih
prediksi model empiris sangat tergantung pada akurat (Russell & Norvig, 2021).
Gambar 3. Perbedaan antara model empiris tradisional dengan model machine learning
NN adalah teknik pembelajaran mesin yang mengandung sel-sel yang disebut neuron. Neuron
populer untuk menyimulasikan mekanisme terhubung satu sama lain oleh akson dan dendrit,
pembelajaran syaraf biologis. Sistem saraf manusia koneksi antara area akson dan dendrit disebut
42
Pemanfaatan model neural network dalam generasi baru pertanian presisi di perkebunan kelapa sawit
sinapsis. Kekuatan koneksi sinaptik sering berubah untuk memecahkan berbagai jenis masalah seperti
sebagai respons terhadap rangsangan eksternal. pengklasifikasian, regresi, dan klasifikasi biner.
Perubahan ini merupakan suatu proses Kelebihan NN dalam memproses pola non-linier
pembelajaran berlangsung pada organisme hidup menjadikannya pilihan yang baik untuk masalah
(Gambar 4). NN dapat membaca berbagai jenis pola yang memiliki relasi kompleks antar fitur atau
baik linier maupun non-linier. NN dapat diterapkan variabel.
Gambar 4. Hubungan sinaptik antar neuron biologi (kiri) dan artificial (kanan) (Aggarwal, 2018)
Sejarah dan Perkembangan Model Neural Network Nielsen berhasil mempresentasikan konsep MLP
Neural network pertama kali diperkenalkan oleh menggunakan pelatihan BP. Kemudian, pada awal
The McCulloch-Pitts pada tahun 1943. Riset tersebut 1980-an, John Hopfield memperkenalkan Hopfield
merupakan pemodelan sederhana tentang cara kerja Network (model Hopfield) yang merupakan jaringan
neuron pada rangkaian listrik sederhana. Pada tahun NN dua layer yang terhubung penuh. Pencapaian
1949, Donald Hebb menggunakan dua neuron untuk terbesar dalam NN terjadi pada tahun 1995 ketika
mengukur proses kompleks di otak. Hal ini merupakan Vapnik dan Cortes melakukan studi terkait Support
dasar yang diperlukan untuk menerapkan fungsi Vector Machines (SVM). Penelitian tersebut membagi
pembelajaran dan memori. Pada tahun 1957, Frank ML ke dalam dua kelompok yaitu NN dan SVM. Pada
Rosenblatt menggunakan teori yang dikembangkan tahun 1997, Freund dan Schapire mengembangkan
sebelumnya untuk membangun fungsi perceptron, ansambel pengklasifikasi yang lebih baik yang dikenal
yang kemudian dikenal sebagai pembelajaran sebagai AdaBoost. AdaBoost kemudian diselidiki oleh
perceptron. Kemudian, pada tahun 1962, Rosenblatt Breiman pada tahun 2001 dan menggabungkan
membuktikan teori konvergensi perceptron. Tiga tahun beberapa pohon keputusan, masing-masing
kemudian, Bernard Widrowen memperkenalkan dibangun dari subset acak dari instance dan setiap
aturan pembelajaran Delta menggunakan pelatihan node dipilih dari subset fitur acak atau yang disebut
perceptron (juga dikenal sebagai The Least Square Random Forest (RF). Seiring dengan semakin
problem) yaitu sebuah pengklasifikasian linier yang canggihnya perkembangan komputer, penelitian NN
memungkinkan nilai pada bobot menyesuaikan nilai terus dilakukan dengan mengekstrak fitur dan
aktual. Pada tahun 1969 Marvin Minsky mempelajari penggunaan jumlah lapisan tersembunyi yang lebih
masalah XOR. Studi tersebut menunjukkan bahwa banyak. Kemudian para ahli memisahkan subset ini
perceptron tidak dapat dipisahkan secara linier dalam dari ML menjadi pembelajaran yang mendalam atau
distribusi data. Pada tahun 1970, Seppo Linnainmaain Deep learning (DL). Algoritma DL yang umum
mengusulkan "modus kebalikan dari diferensiasi digunakan termasuk Deep Neural Network (DNN),
otomatis", juga dikenal sebagai algoritma Convolutional Neural Networks (CNN), Recurrent
backpropagation (BP). Paul Werbos kemudian Neural Networks (RNN), Generative Adversarial
menyempurnakan NNBP dengan penambahan multi- Networks (GAN), dan Deep Belief Networks (DBN)
layer perceptrons (MLP) pada tahun 1981. Pada tahun (Alom et al., 2018; Goodfellow, Bengio, & Courville,
1985, peneliti Rumelhart, Hinton, Williams-Hetch, dan 2016; Schmidhuber, 2015; Shinde & Shah, 2018).
43
* 1 1
Muhdan Syarovy , Andri Prima Nugroho , dan Lilik Sutiarso
Matematika dalam Arsitektur MLPBP dalam penelitian NN (Gambar 5). Arsitektur ini juga
menjadi dasar dalam pengembangan algoritma DL.
Arsitektur multi layer perceptrons backpropagation Terdapat beberapa tahapan dalam arsitektur multi
(MLPBP) merupakan arsitektur yang umum digunakan layer perceptrons backpropagation, yaitu:
(4)
(2)
44
Pemanfaatan model neural network dalam generasi baru pertanian presisi di perkebunan kelapa sawit
Keterangan: (9)
Yink = nilai masukan pada neuron hidden ke -
Wok = bias pada sinapsis yang menghubungkan (10)
neuron bias dan neuron tersembunyi ke - k (11)
Wjk = bobot pada sinapsis yang menghubungkan
antara neuron tersembunyi ke - j dan neuron
keluaran ke - k Keterangan :
Yk = nilai keluaran neuron pada neuron ke - k = nilai galat masukan pada neuron
f(Yink) = nilai neuron masukan ke - I tersembunyi ke - j
m = Jumlah neuron keluaran
3. Tahap perambatan balik (backpropagation) = nilai galat pada neuron tersembunyi ke - j
Setiap unit keluaran menerima pola target yang = nilai perubahan bobot pada sinapsis yang
terkait dengan pola pelatihan data masukan, menghubungkan neuron masukan ke - i
menghitung informasi galat menurut Persamaan 5, dan neuron tersembunyi ke - j
menghitung koreksi bobot menurut Persamaan 6, = nilai perubahan bias pada sinapsis yang
menghitung koreksi bias menurut Persamaan 7, dan menghubungkan neuron bias dan neuron
mengirim galat ( ) ke unit pada lapisan di bawahnya. tersembunyi ke - j
(8) (15)
45
* 1 1
Muhdan Syarovy , Andri Prima Nugroho , dan Lilik Sutiarso
(16) (17)
Keterangan :
e = bilangan natural
Gambar 6. Grafik fungsi aktivasi linier, Rectified Linear Unit (ReLu), dan Sigmoid
46
Pemanfaatan model neural network dalam generasi baru pertanian presisi di perkebunan kelapa sawit
perusahaan teknologi besar seperti Google dengan melakukan berbagai analisis data dan ML. Aplikasi
pustaka Tensorflow dan Meta dengan pustaka perpustakaan ini termasuk supervised learning (model
Pytorch. Selain itu, ada berbagai Integrated linier, SVM, Nearest Neighbors, Decision Trees, Neural
Development Environment (IDE) seperti Jupyter Network dan lain-lain), reduksi dimensi (PCA, feature
Notebook dan PyCharm. Bahkan, Google selection, dan lain-lain), evaluasi model (korelasi
Colaboratory menyediakan IDE berbasis browser yang Pearson, mean square error, mean absolute
terintegrasi dengan cloud virtual machine. Hal ini persentage error, dan lain-lain), praproses data
sangat membantu peneliti dalam melatih model pada (normalisasi data, imputasi data hilang, pengkodean
komputer dengan spesifikasi terbatas. fitur kategoris dan lain-lain) dan masih banyak fitur
Ada beberapa pustaka penting untuk lainnya (Pedregosa et al., 2011).
mengembangkan model Neural Network e. Keras dan TensorFlow
menggunakan Python, diantaranya: TensorFlow adalah pustaka open source yang
a. NumPy dikembangkan oleh Google untuk penelitian machine
NumPy adalah paket dasar untuk melakukan learning dan deep learning. TensorFlow memiliki
komputasi ilmiah di Python yang menyediakan objek ekosistem, pustaka, dan komunitas yang kaya serta
array multidimensi dan objek turunan seperti masked fleksibel yang memungkinkan peneliti merancang,
arrays dan matrices. Hal ini juga menawarkan membangun, dan menerapkan aplikasi berbasis
berbagai operasi aljabar, statistik dasar, simulasi acak, machine learning dan deep learning. Keras adalah
matematika, logika, manipulasi bentuk, pengurutan, Application Programming Interface (API) yang
pemilihan, I/O, transformasi Fourier diskrit, dan lain- dikembangkan menggunakan bahasa pemrograman
lain. (Harris et al., 2020). Python dan berjalan di atas platform TensorFlow.
Dengan menggunakan perpustakaan Keras, peneliti
b. Pandas dapat lebih menyederhanakan script TensorFlow dan
Pandas adalah perpustakaan untuk analisis dan memberikan solusi yang jelas untuk permasalahan
manipulasi data. Pandas dapat membaca data dalam dalam mengembangkan model deep learning. Keras
banyak format, termasuk CSV, TSV, Excel, JSON, dan banyak digunakan oleh berbagai organisasi ilmiah di
SQL. Secara umum, ada dua struktur yang berguna seluruh dunia, termasuk CERN, NASA, dan NIH
untuk manipulasi data di Pandas yaitu Series dan (Abadi et al., 2015; Gulli & Pal, 2017).
DataFrame. Seri Pandas pada dasarnya adalah Pustaka diatas merupakan pustaka yang populer
struktur satu dimensi, seperti kolom di Excel. dalam penelitian NN. Selain pustaka diatas, masih
Dataframe Pandas adalah struktur dua dimensi yang terdapat banyak pustaka open source lainnya yang
struktur datanya berupa tabel dengan baris dan kolom masih bisa di explore seperti Pytorch, Theano, Mxnet
(Reback et al., 2022). dan lain sebagainya.
c. Matplotlib
Matplotlib adalah pustaka yang digunakan untuk PENGGUNAAN MODEL NEURAL NETWORK DI
membuat visualisasi statis, animasi, dan interaktif PERKEBUNAN KELAPA SAWIT
dengan Python. Matplotlib dapat digunakan untuk
membuat berbagai visualisasi data seperti diagram Penelitian terkait pemanfaatan model NN untuk
batang, scatter, boxplot, pie chart, dan lain perkebunan kelapa sawit telah dilakukan oleh
sebagainya. Selain itu, Matplotlib digunakan untuk beberapa penelti (Tabel 1). Namun demikian, masih
memvisualisasikan data dalam 2D dan 3D dan banyak yang perlu di eksplorasi lebih lanjut dari
menghasilkan gambar berkualitas tinggi yang dapat penelitian tersebut, misalnya dengan memanfaatkan
disimpan dalam berbagai format gambar seperti JPEG berbagai data yang di record selama budidaya
dan PNG (Hunter, 200). perkebunan berlangsung untuk melakukan prediksi
produksi, menentukan dosis rekomendasi dan waktu
d. Scikit-learn pemupukan yang tepat, memperkirakan ledakan hama
Scikit-learn adalah pustaka yang multifungsi yang dan penyakit, sistem peringatan dini terjadi kekeringan
digunakan untuk berbagai keperluan seperti dan antisipasinya dan masih banyak lagi.
47
* 1 1
Muhdan Syarovy , Andri Prima Nugroho , dan Lilik Sutiarso
Masukan:
Tipe tanah, kedalaman tanah,
Hermantoro & pH, curah hujan, suhu, defisit ANN R2 = 0.99; RMSE =
4 MATLAB
Rudyanto, 2018 air, kelembaban, dan radiasi MLPBP 0.494
matahari
Keluaran:
Produktivitas (ton/ha/thn)
(continued)
48
Pemanfaatan model neural network dalam generasi baru pertanian presisi di perkebunan kelapa sawit
Hasil penelitian
No. Peneliti Perangkat
Masukan dan Keluaran Arsitektur Evaluasi Model
Lunak
Masukan:
Citra resolusi tinggi
Abd Mubin, Keluaran: Python
Overal Accuracy (OA)
Nadarajoo, Shafri, dengan
5 Klasifikasi tanaman belum CNN TBM = 95,11%;
& Hamedianfar, pustaka
menghasilkan (TBM) dan OA TM = 92,96%
2019 Keras
menghasilkan melalui citra
(TM)
Masukan:
Citra resolusi tinggi
Li, Dong, Fu, & Keluaran:
6 CNN - F1-Score 94,99%
Yu, 2019
Klasifikasi tanaman kelapa
sawit
Masukan:
Jayaselan, Nawi, Band spektral dari
ANN
7 & Mehdizadeh, spektroradiometer MATLAB Akurasi 85%
MLPBP
2018 Keluaran:
Hara daun N dan K
Masukan:
Foto tandan kelapa sawit
Python
dengan tiga tipe yaitu mentah,
8 Ashari, Yanris, & dengan
matang, dan lewat matang. CNN Akurasi 76%
Purnama, 2022 Keluaran: pustaka
Deteksi tingkat kematangan Tensorflow
melalui foto
Masukan:
Python
Citra stomata pada daun di
9 Kwong et al., dengan
beberapa kelompok umur CNN Akurasi 99,7%
2021 Keluaran: pustaka
Deteksi stomata pada daun Tensorflow
(continued)
49
* 1 1
Muhdan Syarovy , Andri Prima Nugroho , dan Lilik Sutiarso
Hasil penelitian
No. Peneliti Perangkat
Masukan dan Keluaran Arsitektur Evaluasi Model
Lunak
Masukan:
Data produksi tahun 1970 -
Sugiarto &
10 2017 LSTM-RNN - MAPE 2,99%
Raisawati, 2021 Keluaran:
Produksi kelapa sawit
Masukan:
24 masukan dari data-data
yang terdapat diperkebunan Python
selama 11 tahun dengan dengan
Syarovy et al.,
11 pengaruh lag komponen ANN pustaka MAPE 10,52%
2022
curah hujan 1 tahun. Keras dan
Keluaran: Tensorflow
Produksi dan produktivitas per
tahun
50
Pemanfaatan model neural network dalam generasi baru pertanian presisi di perkebunan kelapa sawit
A., … Abayomi, A. (2021). Evolution of Artificial Fausett, L. (1994). Fundamentals of Neural Networks
Intelligence Programming Languages—A Architectures, Algorithms, and Applications.
Systematic Literature Review. Journal of Prentice-Hall.
Computer Science, 17(11), 1157–1171. García-Rodríguez, L. del C., Prado-Olivarez, J.,
https://doi.org/10.3844/jcssp.2021.1157.1171 Guzmán-Cruz, R., Rodríguez-Licea, M. A.,
Aggarwal, C. C. (2018). Neural Networks and Deep Barranco-Gutiérrez, A. I., Perez-Pinal, F. J., &
Learning: A Textbook. Cham: Springer Espinosa-Calderon, A. (2022). Mathematical
International Publishing. Modeling to Estimate Photosynthesis: A State
https://doi.org/10.1007/978-3-319-94463-0 of the Art. Applied Sciences, 12(11), 5537.
Agung, D. K., & Gunawan, G. (2020). https://doi.org/10.3390/app12115537
KEMRUNGSUNG: Intensifikasi Pertanian oleh Gil, D., & Song, I.-Y. (2016). Modeling and
Petani di Desa Kenalan Kecamatan Pakis Management of Big Data: Challenges and
Kabupaten Magelang. Solidarity: Journal of Opportunities. Future Generation Computer
Education, Society and Culture, 9(2), Systems, 63, 96–99.
1042–1052. https://doi.org/10.1016/j.future.2015.07.019
Alom, M. Z., Taha, T. M., Yakopcic, C., Westberg, S., Ginting, E. N., & Wiratmoko, D. (2021). Potensi dan
Sidike, P., Nasrin, M. S., Asari, V. K. (2018). Tantangan Penerapan Precision Farming
The History Began from AlexNet: A dalam Upaya Membangun Perkebunan Kelapa
Comprehensive Survey on Deep Learning Sawit yang Berkelanjutan. WARTA Pusat
Approaches. CoRR, abs/1803.01164. Penelitian Kelapa Sawit, 26(2), 12.
Retrieved from http://arxiv.org/abs/1803.01164 Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep
Ashari, S., Yanris, G. J., & Purnama, I. (2022). Oil Palm Learning. MIT Press Book. Retrieved from
Fruit Ripeness Detection using Deep Learning. https://www.deeplearningbook.org
Sinkron: Jurnal Dan Penelitian Teknik Gulli, A., & Pal, S. (2017). Deep Learning with Keras.
Informatika, 7(2), 649–656. Packt Publishing Ltd.
https://doi.org/10.33395/sinkron.v7i2.11420
Badan Pusat Statistik. (2019). Indonesian Oil Palm Hakkim, V., Joseph, E., Gokul, A., & Mufeedha, K.
Statistics 2019. Retrieved September 3, 2022, (2016). Precision Farming: The Future of Indian
from https://www.bps.go.id/ Agriculture. Journal of Applied Biology and
Biotechnology, 068–072.
Bendre, M. R., Thool, R. C., & Thool, V. R. (2015). Big https://doi.org/10.7324/JABB.2016.40609
data in precision agriculture: Weather Harahap, I. Y., & Lubis, M. E. S. (2018). Penggunaan
forecasting for future farming. 2015 1st Model Jaringan Saraf Tiruan (Artificial Neuron
International Conference on Next Generation Network) untuk Memprediksi Hasil Tandan
Computing Technologies (NGCT), 744–750. Buah Segar (TBS) Kelapa Sawit Berdasar
Dehradun, India: IEEE. Curah Hujan dan Hasil TBS Sebelumnya.
https://doi.org/10.1109/NGCT.2015.7375220 Jurnal Penelitian Kelapa Sawit, 26(2), 59–70.
Bwambale, E., Abagale, F. K., & Anornu, G. K. (2022). https://doi.org/10.22302/iopri.jur.jpks.v26i2.42
Smart Irrigation Monitoring and Control Harris, C. R., Millman, K. J., van der Walt, S. J.,
Strategies for Improving Water Use Efficiency Gommers, R., Virtanen, P., Cournapeau,
In Precision Agriculture: A Review. Agricultural D.,Oliphant, T. E. (2020). Array Programming
Water Management, 260, 107324. with NumPy. Nature, 585(7825), 357–362.
https://doi.org/10.1016/j.agwat.2021.107324 https://doi.org/10.1038/s41586-020-2649-2
Direktorat Jenderal Perkebunan. (2020). Statistik Hermantoro & Rudyanto. (2018). Modeling and
Perkebunan Unggulan Nasional 2019—2021. Simulation of Oil Palm Plantation Productivity
Sekretariat Dirjend Perkebunan Kementerian Based on Land Quality and Climate Using
Pertanian, 1056 pp. Artificial Neural Network. International Journal
51
* 1 1
Muhdan Syarovy , Andri Prima Nugroho , dan Lilik Sutiarso
52
Pemanfaatan model neural network dalam generasi baru pertanian presisi di perkebunan kelapa sawit
Advance Soft Compu. Appl, 10(1), 71–89. Sugiarto, E., & Raisawati, T. (2021). Kajian Peranan
Rajković, D., Jeromela, A. M., Pezo, L., Lon ar, B., Sertifikasi Benih pada Usaha Penangkaran
Zanetti, F., Monti, A., & Špika, A. K. (2022). Benih dalam Mendukung Pembangunan di
Yield and Quality Prediction of Winter Bengkulu. Jurnal Ilmu Tanaman, 1(2), 99–106.
Rapeseed—Artificial Neural Network and Suwarno, W. (2019). Kebijakan Sawit Uni Eropa dan
Random Forest Models. Agronomy, 12(1). Tantangan bagi Diplomasi Ekonomi Indonesia.
https://doi.org/10.3390/agronomy12010058 Jurnal Hubungan Internasional, 8(1).
Reback, J., jbrockmendel, McKinney, W., Bossche, J. https://doi.org/10.18196/hi.81150
V. den, Roeschke, M., Augspurger, T., … Li, T. Syarovy, M., Nugroho, A. P., Sutiarso, L., Suwardi,
(2022). pandas-dev/pandas: Pandas 1.4.4. Muna, M. S., Wiratmoko, A., Primananda, S.
Zenodo. (2022). Utilization of Big Data in Oil Palm
https://doi.org/10.5281/zenodo.7037953 Plantation to Predict Production Using Artificial
Neural Network Model. 492–502. Atlantis
Russell, S., & Norvig, P. (2021). Artificial Intelligence A Press. https://doi.org/10.2991/978-94-6463-
Modern Approach (Fourth). US: Pearson. 086-2_67
Schmidhuber, J. (2015). Deep Learning in Neural Thin-Yin, L., & Jonathan, L. Y. (2020). Simpler
Networks: An Overview. Neural Networks, 61, Machine Learning Using Spreadsheets: Neural
85–117. Network Predict. European Journal of
https://doi.org/10.1016/j.neunet.2014.09.003 Engineering and Formal Sciences, 4(1), 124.
https://doi.org/10.26417/ejef.v4i1.p124-138
Serraj, R., & Pingali, P. (2019). Agriculture & Food
Systems to 2050: Global Trends, Challenges Watson-Hernández, F., Gómez-Calderón, N., & da Silva,
and Opportunities. R. P. (2022). Oil Palm Yield Estimation Based on
Vegetation and Humidity Indices Generated from
https://doi.org/10.1142/11212 Satellite Images and Machine Learning
Shinde, P. P., & Shah, S. (2018). A Review of Machine Techniques. AgriEngineering, 4(1), 279–291.
Learning and Deep Learning Applications. 2018 https://doi.org/10.3390/AGRIENGINEERING4
Fourth International Conference on Computing 010019
Communication Control and Automation Wijaya, A. R., & Susandi, A. (2018). Konsep Forecast Based
(ICCUBEA), 1–6. Pune, India: IEEE. Financing untuk Pertanian Presisi di Indonesia.
https://doi.org/10.1109/ICCUBEA.2018.86978 Prosiding Semnastek, (0). Retrieved from
57 https://jurnal.umj.ac.id/index.php/semnastek/ar
Singh, D. K., Sobti, R., Jain, A., Malik, P. K., & Le, D.-N. ticle/view/3534
(2022). LoRa Based Intelligent Soil and Wijayanto, Y., Purnamasari, I., Ristiana, S., Saputra,
Weather Condition Monitoring with Internet of T. W., & Regar, A. F. (2022). [Perkembangan
Things for Precision Agriculture in Smart Cities. Penggunaan Big Data pada Bidang Pertanian
IET Communications, 16(5), 604–618. di Indonesia]: Review. Prosiding Seminar
https://doi.org/10.1049/cmu2.12352 Nasional Fakultas Pertanian UNS, 6(1),
Statita. (2022). Total Data Volume Worldwide 2010- 312–320.
2025. Retrieved August 27, 2022, from Statista Zicari, R. (2013). Big Data: Challenges and
w e b s i t e : Opportunities. In R. Akerkar (Ed.), Big Data
https://www.statista.com/statistics/871513/worl Computing (pp. 103–128). Chapman and
dwide-data-created/ Hall/CRC. https://doi.org/10.1201/b16014-5
53
* 1 1
Muhdan Syarovy , Andri Prima Nugroho , dan Lilik Sutiarso
54