Monitoring Kesehatan Tanaman Tebu berbasis Region menggunakan Remote Sensing
View/ Open
Date
2021Author
Sudianto
Herdiyeni, Yeni
Prasetyo, Lilik Budi
Metadata
Show full item recordAbstract
Gula merupakan komoditas strategis bagi perekonomian di Indonesia. Gula
juga salah satu kebutuhan utama masyarakat dan sumber kalori yang populer.
Konsumsi domestik gula Indonesia dari tahun ke tahun mengalami peningkatan.
Namun meningkatnya kebutuhan gula di Indonesia tidak diimbangi dengan laju
hasil produksi gula dalam negeri, sehingga mengharuskan Indonesia melakukan
impor. Penyebab Indonesia melakukan impor karena berkurangnya bahan baku
tebu yaitu produksi tebu giling. Salah satu cara untuk meningkatkan produktivitas
dan produksi tebu yaitu melakukan monitoring kesehatan tanaman tebu, apalagi
pada areal lahan perkebunan tebu yang luas. Di Indonesia kebanyakan lahan
tanaman tebu pengawasannya masih dilakukan secara manual, sehingga sangat
tidak efektif karena membutuhkan biaya, waktu dan padat karya. Tidak adanya
sistem monitoring juga berpotensi membuang sumber daya seperti penggunaan
pupuk dan pestisida yang berlebihan. Apalagi pada kasus tertentu seperti tidak
terjangkau bagian dalam kebun oleh petugas, sehingga tidak terawasi dan sangat
merugikan pihak petani.
Pada areal monitoring kerap terdapat objek yang bukan fokus kajian. Seperti
areal tanam yang heterogen (vegetasi selain tanaman tebu dan non vegetasi)
ataupun perbedaan masa tanam pada tanaman tebu yang mengakibatkan sukar
untuk diidentifikasi, sehingga perlu dilakukan teknik segmentasi untuk mendeteksi
kerapatan wilayah dan memisahkan objek selain tebu sebagai masukkan untuk
menentukan region monitoring. Hal inilah yang melatarbelakangi dilakukannya
penelitian tentang “Monitoring Kesehatan Tanaman Tebu berbasis Region
menggunakan Pengindraan Jauh”. Tujuan dari penelitian ini yaitu menerapkan
teknologi remote sensing dengan teknik segmentasi untuk monitoring kesehatan
tanaman tebu berdasarkan nilai indeks spektral NDVI, NDBaI, NDWI dan NDDI.
Metode yang digunakan yaitu algoritme Simple Non-Iterative Clustering
(SNIC) dan Gray-Level Co-occurrence Matrix (GLCM) untuk segmentasi, dan
algoritme Random Forest untuk klasifikasi akhir yang diimplementasikan pada
platform cloud Google Earth Engine (GEE). Hasil yang diperoleh yaitu klasifikasi
berbasis objek terbaik (overall accuracy) mencapai 90,8% dengan kappa 0,85 dan
perkiraan musiman tebu puncaknya berada pada bulan Januari hingga Mei.
Sedangkan untuk monitoring kesehatan (region C) dalam kondisi tidak sehat
disebabkan berkurangnya air atau kekeringan. Sugar is a strategic commodity for the economy in Indonesia. Sugar is also
one of the main needs of society and a popular source of calories. The domestic
consumption of Indonesian sugar from year to year has increased. However, the
increasing demand for sugar in Indonesia has not been matched by the rate of
domestic sugar production, thus requiring Indonesia to import. The reason for
Indonesia to import is due to reduced sugarcane raw materials, namely milled
sugarcane production. One way to increase the productivity of sugarcane
production is to monitor the health of sugarcane, especially in large areas of
sugarcane plantations. In Indonesia, control of most sugarcane fields is still done
manually, so it is very ineffective because it requires money, time and is laborintensive. The absence of a monitoring system also has the potential to waste
resources such as excessive use of fertilizers and pesticides. Especially in certain
cases, such as when the officers cannot reach the inside of the garden, so they are
not monitored and can lead to losses for the farmers.
In the monitoring area, there are often objects that are not the focus of the
study. As with heterogeneous planting areas (vegetation other than sugarcane and
non-vegetation) or differences in planting periods in sugarcane, it is difficult to
identify, so it is necessary to use segmentation techniques to detect area density and
separate objects other than sugarcane as input to determine the monitoring region.
This is what motivates the research on "sugarcane health monitoring based on
region using remote sensing". The purpose of this study is to apply remote sensing
technology with segmentation techniques for monitoring the health of sugarcane
based on the NDVI, NDBaI, NDWI, and NDDI spectral index values.
The methods used are the Simple Non-Iterative Clustering (SNIC) algorithm
and the Gray-Level Co-occurrence Matrix (GLCM) for segmentation, and the
Random Forest algorithm for the final classification implemented on the Google
Earth Engine (GEE) cloud platform. The results obtained by the best objectoriented classification (overall accuracy) reached 90.8% with a kappa of 0.85, and
the peak seasonality of sugarcane is from January to May. Meanwhile, health
monitoring (region C) is in an unhealthy condition due to reduced water or drought.