Text

Precision Agriculture Berbasis Citra Remote Sensing Untuk Menentukan Kesesuaian Varietas Tanaman Padi Menggunakan Learning Vector Quantization (LVQ)

---

ABSTRAK

Padi (Oryza sativa L) merupakan bahan pangan utama bagi hampir seluruh rakyat Indonesia. Terdapat tiga varietas padi di Indonesia yakni hibrida, unggul dan lokal. Varietas padi unggul merupakan padi hasil persilangan terbaik yang sudah didistribusikan secara langsung oleh pemerintah. Tingginya tingkat konsumsi padi berbanding terbalik dengan hasil produksi padi dari para petani di Indonesia. Kurangnya produksi padi mendorong diperlukannya peningkatan penanaman padi. Semakin tinggi penanaman maka dibutuhkan lahan baru untuk dijadikan media tanam. Selama ini proses survey dilakukan secara manual dengan datang langsung lokasi. Hal ini menjadi kurang efektif karena memakan waktu dan biaya. Dalam remote sensing atau pengindraan jarak jauh dapat diketahui kondisi suatu wilayah tanpa peninjauan langsung ke lokasi. Kondisi suatu wilayah tersebut dapat ditentukan melalui pengolahan terhadap fitur-fitur citra satelit. Fitur-fitur yang dapat digunakan meliputi NDVI, NDSI, NDWI dan BI namun belum diketahui kombinasi terbaik dari keempat fitur tersebut yang dapat menghasilkan akurasi tertinggi. Sehingga perlu dilakukan suatu penelitian untuk mengetahui kombinasi terbaik terhadap fitur citra Remote Sensing menggunakan metode Learning Vector Quantization (LVQ) dengan inputan keempat fitur. Sedangkan lapisan keluaran merupakan 3 varietas padi unggul yakni INPARA, INPARI dan INPAGO. Data yang digunakan dalam penelitian ini berjumlah 150 data citra satelit Landsat-8 dengan jumlah seimbang untuk ketiga varietas padi, dimana 135 data digunakan sebagai data latih dan 15 data untuk data uji. Pengujian dilakukan dengan menggunakan K-Fold Cross Validation dengan nilai k = 10. Aplikasi ini menghasilkan arsitektur LVQ terbaik dengan alfa = 0.01, epsilon 0.001 dan maksimum epoch sebanyak 3000 epoch untuk kombinasi standar deviasi NDWI (sdNDWI) dan standar deviasi BI (sdBI) dengan akurasi sebesar 56%.
Kata kunci :Kesesuaian Varietas Padi, Landsat-8, Jaringan syaraf tiruan (JST), Learning Vector Quantization (LVQ), NDVI, NDSI, NDWI, BI.

ABSTRACT

Rice (Oryza sativa L) is the main food for almost all Indonesian people. There are three types of rice in Indonesia namely hybrid, superior and local. Superior rice is the best cross breed distributed by the goverment. High level of rice consumption is inversely proportional to rice production from farmers in Indonesia. Lack of rice production encourages the need for increased rice cultivation. The higher the planting then the new fields needed to be used as a planting soil. All this time, most surveys are done manually by coming directly to the location. Those survey takes time and cost that make it ineffective. In remote sensing can be known condition of a region without a direct review to the location. The conditions of such a region can be determined through the processing of satellite imagery features. Features that can be used include NDVI, NDSI, NDWI and BI but not yet known the best combination of the four features that can produce the highest accuracy. So it is necessary to do a research to find out the best combination of Remote Sensing image feature using Learning Vector Quantization (LVQ) method with four input features. While the output layer is three superior rice varieties namely INPARA, INPARI and INPAGO. The data used in this experiment amounted to 150 data of Landsat-8 satellite images with balanced amounts for the three rice varieties, of which 135 data were used as training data and 15 data for test data. Testing is done by using K-Fold Cross Validation with value k = 10. This application generates the best LVQ architecture with alfa = 0.01, epsilon 0.001 and epoch maximum is 3000 epochs for combination of standar deviation of NDWI (sdNDWI) and standar deviation of BI (sdBI) with average accuracy of 56%.
Keyword :Rice Suistability, Landsat-8, Learning Vector Quantization (LVQ), NDVI, NDSI, NDWI, BI.

---

Ketersediaan

530F17IV

633.18.028 ANI p

Perpustakaan FSM Undip (Referensi)

Tersedia

Informasi Detail

Judul Seri

ILMU KOMPUTER/INFORMATIKA

No. Panggil

633.18.028 ANI p

Penerbit

: ., 2017

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

1667

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Annisa Apriliani

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar