Comparison of Classification Algorithms for Detecting Nitrogen Requirements of Rice Plants Based on Multi-spectral Drone Image

Optimalisasi penggunaan pupuk Nitrogen (N) sangat penting untuk meningkatkan produktivitas tanaman padi. Untuk mengetahui jumlah pupuk yang diperlukan oleh tanaman padi, petani umumnya menggunakan Bagan Warna Daun (BWD) dengan cara mencocokkan warna daun padi dengan warna pada BWD secara manual. Namun, hal ini sangat memakan waktu. Salah satu strategi untuk meningkatkan efisiensi penentuan kebutuhan pupuk N adalah dengan menggunakan Multi-spectral Drone. Drone digunakan untuk mengambil citra multispectral, kemudian citra ini digunakan untuk menentukan kebutuhan pupuk N. Penelitian ini membandingkan beberapa algoritma klasifikasi untuk memodelkan kebutuhan pupuk N dari data citra multispectral, dengan menggunakan ground truth dari penskalaan BWD. Algoritma klasifikasi yang dibandingkan yaitu Decision Tree (DT), Artificial Neural Network (ANN), Support Vector Machine (SVM), Random Forest (RF), dan K-Nearest Neighbour (KNN). Kinerja kelima algoritma klasifikasi diukur berdasarkan accuracy, recall, precision dan F1 score. Dalam penelitian ini, ditemukan bahwa model klasifikasi yang memiliki kinerja terbaik adalah algoritma Decision Tree (DT) baik dalam perlakuan tanpa normalisasi dan balancing dan dengan normalisasi dan balancing dengan nilai  accuracy, recall, precision, dan­­­ F1-score di atas 90%.Optimizing the use of Nitrogen (N) fertilizer is very important for increasing the productivity of rice plants. To determine the amount of N fertilizer required by rice plants, farmers generally use the Leaf Color Chart (LCC) by manually matching the color of the rice leaves with the paint on the LCC. However, this method is very time-consuming. One of the strategies to increase the efficiency of determining the need for N fertilizer is to use a Multi-spectral Drone. Drones are used to obtain multispectral images, and then these images are used to determine the required N fertilizer. This study compares several classification algorithms to model N fertilizer requirements from multispectral image data, using the ground truth of the BWD scaling. The classification algorithms being compared are Decision Tree (DT), Artificial Neural Network (ANN), Support Vector Machine (SVM), Random Forest (RF), and K-Nearest Neighbor (KNN). The performance of the five classification algorithms are measured in terms of the accuracy, recall, precision and F1 score. In this research, it was found that the classification model with the best performance is the Decision Tree (DT) algorithm, both in the treatment without normalization and balancing, and with normalization and balancing, achieving accuracy, recall, precision, and F1-score values above 90%