// <![CDATA[ESTIMASI PRODUKTIVITAS TEH BERDASARKAN INDEKS VEGETASI DAN UMUR TANAMAN MENGGUNAKAN MACHINE LEARNING PADA CITRA SENTINEL‒2A (STUDI KASUS:]]> 0407096502 - Dr. Dewi Kania Sari, Ir., M.T. Dosen Pembimbing 1 SATRIAAJIPRADANA / 232021032 Penulis
Produktivitas teh merupakan faktor penting untuk manajemen perkebunan yang efisien. Penelitian ini bertujuan untuk mengestimasi produktivitas tanaman teh di Perkebunan Kertamanah PTPN I Regional 2 dengan menggunakan algoritma machine learning regresi Random Forest. Model ini didukung oleh citra satelit Sentinel‒2A dan data umur tanaman. Pemodelan produktivitas teh dilakukan dengan menguji delapan model berbeda yang dikategorikan sebagai berikut: model pertama hanya menggunakan indeks vegetasi (NDVI, NDRE, EVI); model kedua menggabungkan setiap indeks vegetasi dengan variabel umur tanaman; dan model ketiga menggunakan gabungan beberapa indeks vegetasi dan umur tanaman. Seluruh proses pengolahan data dan pemodelan dilaksanakan pada platform Google Earth Engine. Delapan model yang dihasilkan diuji dan divalidasi dengan metrik evaluasi seperti RMSE, MAE, dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa kombinasi NDVI + NDRE + Umur menghasilkan kinerja terbaik yang konsisten pada validasi maupun cross-validation, dengan nilai RMSE 326,508 kg/ha, MAE 268,857 kg/ha, dan R2 13,5%. Temuan ini mengindikasikan bahwa penambahan variabel umur tanaman secara signifikan meningkatkan akurasi model, yang ditandai dengan penurunan nilai RMSE dan MAE, serta kenaikan R² dibandingkan dengan model yang hanya menggunakan variabel indeks vegetasi. Tea productivity estimation is a crucial aspect for supporting efficient plantation management. This study applies machine learning and Sentinel-2A satellite imagery to model tea plantation productivity at Perkebunan Kertamanah PTPN I Regional 2. The chosen method is the Random Forest regression algorithm, which integrates predictor variables from Sentinel-2A imagery and plant age data. The tea productivity model was built by testing eight different models categorized as follows: the first models used vegetation indices (NDVI, NDRE, EVI) individually; the second models combined each vegetation index with plant age data; and the third models used a combination of several vegetation indices and plant age. All data processing and modeling were conducted on the Google Earth Engine platform. The resulting eight models were validated using evaluation metrics such as RMSE, MAE, and the coefficient of determination (R2). The results showed that the NDVI + NDRE + Age combination consistently produced the most optimal and best performance in both validation and cross-validation, with an RMSE of 326.508 kg/ha, an MAE of 268.857 kg/ha, and an R2 of 13.5%. These findings indicate that the inclusion of the plant age variable significantly increases the model's accuracy, marked by a decrease in RMSE and MAE values, and an increase in R2 compared to models that only used vegetation index variables.