ANALISIS DEFISIENSI NUTRISI PADA TANAMAN KELAPA SAWIT MENGGUNAKAN ALGORITMA CNN (CONVOLUTIONAL NEURAL NETWORK) UNTUK REKOMENDASI PEMUPUKAN

Kelapa sawit (Elaeis guineensis Jacq.) merupakan komoditas perkebunan utama yang produktivitasnya dipengaruhi oleh kecukupan unsur hara. Identifikasi defisiensi nutrisi masih dilakukan secara manual sehingga rentan terhadap kesalahan, subjektivitas, serta belum terintegrasi dengan rekomendasi pemupukan. Penelitian ini bertujuan mengembangkan sistem analisis defisiensi nutrisi menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur AlexNet yang terintegrasi dengan sistem rekomendasi pemupukan. Sistem mengklasifikasikan citra daun tunggal untuk mendeteksi defisiensi Nitrogen (N), Kalium (K), Magnesium (Mg), dan Boron (B), kemudian memberikan rekomendasi pupuk yang sesuai. Hasil pengujian menunjukkan bahwa model memperoleh accuracy sebesar 78,46% pada Nitrogen, 90,91% pada Kalium, 100% pada Magnesium, dan 84,62% pada Boron. Nilai precision berturut-turut sebesar 78,43%, 91,29%, 100%, dan 87,29%, sedangkan recall sebesar 77,87%, 90,05%, 100%, dan 71,43%. Hasil penelitian menunjukkan bahwa sistem mampu mengidentifikasi defisiensi nutrisi secara otomatis serta memberikan rekomendasi pemupukan yang sesuai sehingga dapat mendukung pengambilan keputusan secara lebih cepat, objektif, dan efisien.