BANDUNG — Sains data menjadi salah satu ilmu terapan yang kian banyak dikembangkan, terutama untuk mengolah dan menganalisis data agar menghasilkan masukan yang berguna. Dalam konteks agrikultur, pemanfaatan sains data dinilai dapat membantu berbagai kebutuhan, mulai dari pemodelan hingga prediksi berbasis data.
Pada Rabu (27/10/2021), Kelompok Keahlian Agroteknologi dan Teknologi Bioproduk (KK ATB) SITH ITB mengundang Dr. Juro Miyasaka dari Kyoto University sebagai pemateri dalam Visiting Professor Program: International Guest Lecture. Ia menyampaikan kuliah tamu berjudul Basic of Data Science and Applications to Agricultural Production.
Dalam pemaparannya, Dr. Miyasaka menjelaskan proses standar dalam penambangan data yang dikenal sebagai cross industry standard process for data mining (CRISP-DM). Menurutnya, CRISP-DM lazim digunakan di sektor bisnis sehingga tahap awalnya berfokus pada pemahaman bisnis. Namun, pada penerapan di agrikultur, tahap pertama diarahkan untuk memahami produksi agrikultur itu sendiri.
Ia juga menyoroti penggunaan sains data untuk machine learning, baik supervised learning maupun unsupervised learning, sebagai bagian dari pengembangan bidang agrikultur. Selain itu, metode lain yang dibahas adalah regresi linear, yang biasa digunakan untuk memprediksi suatu jumlah berdasarkan data historis dengan melatih model terlebih dahulu, misalnya untuk memprediksi produksi beras berdasarkan data beberapa tahun sebelumnya.
Meski demikian, Dr. Miyasaka mengingatkan bahwa membuat model dari data yang tersedia tidak selalu menghasilkan keluaran yang optimum. Ia menekankan pentingnya mewaspadai overfitting pada tahap pelatihan model, yakni ketika data pelatihan hanya mengambil data “terbaik” sehingga saat diuji dengan data berbeda, akurasinya justru menjadi rendah.
Dalam contoh penerapan di agrikultur, Dr. Miyasaka menyebut pemodelan prediksi dapat digunakan untuk memperkirakan kemungkinan terjadinya penyakit tanaman. Ia mencontohkan penyakit Coleosporium plectranthi Barclay pada tanaman Perilla. Untuk membangun model prediksi, data yang dikumpulkan mencakup temperatur dan kelembaban tanaman, temperatur media tanam, serta tinggi tanaman. Data diperoleh melalui pengambilan manual maupun sensor dengan interval 10 menit. Prediksi penyakit tersebut kemudian diolah menggunakan metode support vector machine dan random forest.
Contoh lain yang dipaparkan adalah prediksi laju tumbuh tanaman Mizuna berbasis data lingkungan. Berbeda dari prediksi penyakit Perilla, metode yang digunakan meliputi korelasi serta Adaboost k-nearest neighbor. Data yang dikumpulkan juga lebih kompleks, antara lain rata-rata temperatur dan kelembaban media tanam, rata-rata temperatur lingkungan, rata-rata temperatur lingkungan saat malam hari, rata-rata konsentrasi karbondioksida lingkungan, dan rata-rata kelembaban lingkungan. Pengumpulan data tersebut turut melibatkan pengukuran tinggi tanaman pada ukuran yang berbeda.
Menutup kuliah tamu, Dr. Miyasaka menekankan bahwa metode dalam sains data masih sangat luas untuk terus dieksplorasi dan diterapkan pada produksi agrikultur.
