Permodelan Terhadap Pertumbuhan Tanaman Selada Merah dalam Sistem Agrivoltaik Menggunakan Algoritma Machine Learning

Abstract

Skripsi ini berfokus pada analisis dampak sistem agrivoltaik terhadap pertumbuhan tanaman selada merah dengan menggunakan algoritma machine learning untuk memprediksi efek naungan dari panel surya (PV). Tujuan utama dari penelitian ini adalah untuk mengidentifikasi perbedaan pertumbuhan selada yang ditanam di bawah naungan PV dibandingkan dengan yang ditanam tanpa naungan, serta untuk mengembangkan model prediksi pertumbuhan selada menggunakan empat algoritma machine learning yang berbeda, yaitu Random Forest Regressor (RFR), Support Vector Regressor (SVR), Extreme Gradient Boosting Regressor (XGBR), dan Artificial Neural Networks (ANN). Pada penelitian ini, data yang digunakan mencakup variabel lingkungan seperti suhu, kelembapan relatif, dan Photosynthetically Active Radiation (PAR), yang berfungsi sebagai input untuk menganalisis faktor-faktor yang mempengaruhi pertumbuhan tanaman. Sedangkan data output yang diambil berupa tinggi, lebar, dan bobot selada. Proses penelitian dimulai dengan pengambilan data yang dilakukan selama siklus panen selada yang berlangsung selama 35 hari. Tahapan analisis data melibatkan preprocessing, yang mencakup interpolasi untuk menangani data yang hilang, serta normalisasi menggunakan Z-Score untuk menyelaraskan skala variabel. Data yang telah diproses kemudian dibagi menjadi dua set: training dan testing. Set training digunakan untuk melatih model, sementara set testing digunakan untuk menguji akurasi prediksi model. Hasil penelitian menunjukkan bahwa naungan dari panel surya memiliki pengaruh yang signifikan terhadap panjang dan bobot selada, yang disebabkan oleh pengurangan intensitas cahaya yang diterima tanaman, sehingga menghambat proses fotosintesis yang optimal. Di sisi lain, lebar daun selada tidak menunjukkan perbedaan signifikan antara tanaman yang ditanam di bawah naungan PV dan yang ditanam di lahan terbuka. Hal ini dapat dijelaskan oleh adaptasi tanaman yang berusaha memperlebar daunnya untuk memperoleh lebih banyak cahaya di bawah naungan. Analisis menggunakan uji t menunjukkan perbedaan yang signifikan dalam panjang dan bobot selada antara kedua kondisi tersebut, dengan nilai p-value yang lebih rendah dari 0,05, sedangkan untuk lebar daun, p-value yang lebih tinggi menunjukkan bahwa tidak ada perbedaan yang signifikan. Dalam hal pemodelan pertumbuhan selada, penelitian ini menggunakan empat model machine learning untuk memprediksi hasil pertumbuhan berdasarkan variabel lingkungan yang ada. Evaluasi performa model menggunakan metrik R², MAE, MSE, dan RMSE mengungkapkan bahwa model Random Forest (RF) memberikan hasil terbaik, terutama dalam memprediksi lebar selada dengan R² mencapai 0.979 dan MAE yang sangat rendah (0.059). Hasil ini menunjukkan bahwa RF dapat mengidentifikasi hubungan yang lebih kompleks antara variabel lingkungan dan pertumbuhan tanaman dengan lebih baik dibandingkan dengan model lainnya. Sebaliknya, model SVR menunjukkan hasil yang kurang optimal, terutama pada prediksi bobot selada, yang terlihat dari nilai MAE yang lebih tinggi dan MSE yang besar. Model XGBR dan ANN juga memberikan hasil yang baik, namun tidak mampu mengungguli RF dalam hal akurasi prediksi. Berdasarkan temuan ini, dapat disimpulkan bahwa sistem agrivoltaik dapat memengaruhi pertumbuhan tanaman selada, terutama pada panjang dan bobot tanaman, karena pengaruh intensitas cahaya yang tidak optimal di bawah naungan panel surya. Random Forest terbukti sebagai model yang paling efektif untuk memprediksi pertumbuhan selada dalam sistem agrivoltaik, mengingat kemampuannya untuk menangani data yang kompleks dan hubungan non-linier antara variabel yang mempengaruhi pertumbuhan tanaman. Model ini menunjukkan performa yang lebih stabil dan akurat, memberikan wawasan yang berharga untuk pengembangan sistem agrivoltaik yang lebih efisien dalam produksi pangan dan energi terbarukan.