Pemodelan Keparahan Penyakit Tanaman Karet Berbasis Citra Multispektral Drone Menggunakan Algoritme Random Forest
Abstract
Karet menjadi salah satu komoditas ekspor yang menyumbang devisa nonmigas bagi negara. Indonesia merupakan negara dengan perkebunan karet terbesar di dunia. Pada tahun 2018 hingga 2020, produksi karet mengalami penurunan setiap tahunnya dari 3,63 juta ton menjadi 3,04 juta ton. Salah satu penyebab, yaitu penyakit Gugur Daun Karet (GDK) yang menyerang perkebunan karet pada berbagai wilayah di Indonesia. Penyakit GDK disebabkan oleh cendawan Pestalotiopsis sp. yang menyebar secara cepat melalui udara dan menyebabkan rontoknya daun karet hingga turunnya produksi getah. Oleh karena itu, penelitian ini bertujuan memodelkan keparahan penyakit tanaman karet menggunakan metode random forest melibatkan indeks NDRE dan LCI. Data penelitian yang digunakan terdiri dari citra multispektral drone dan data ground truth yang dilabeli berdasarkan citra hemispherical. Pada data ground truth, terdapat data yang overlap dengan jumlah relatif tinggi sehingga jumlahnya perlu dikurangi menggunakan prinsip densitas. Pada hasil pemodelan menggunakan random forest dengan optimasi, diperoleh rataan skor training sebesar 0.8225 atau 82.25% dengan akurasi skor testing sebesar 0.8246 atau 82.46% dan f1-score sebesar 0.8176 atau 81.76%. Kata kunci: drone, indeks vegetasi, multispektral, karet, severity Rubber is one of the export commodities that contributes non-oil and gas foreign exchange to Indonesia. Indonesia is the country with the largest rubber plantation in the world. From 2018 to 2020, rubber production has decreased every year from 3.63 million tons to 3.04 million tons. One of the factors is the Gugur Daun Karet (GDK) disease that attacks rubber plantations in various regions in Indonesia. GDK disease is caused by the fungus Pestalotiopsis sp. which spreads rapidly through the air and causes the fall of rubber leaves to decrease latex production. Therefore, this study aims for modeling the disease severity of rubber plants using the random forest method by involving the NDRE and LCI indices. The research data used consists of multispectral drone images and ground truth data labeled based on hemispherical images. There is a relatively high amount of overlapping data in ground truth data. Therefore, the amount needs to be reduced using the density principle. The modeling results using random forest with optimization, the average training score is 0.8225 or 82.25% with a testing score accuracy of 0.8246 or 82.46% and f1-score of 0.8176 or 81.76%.
Collections
- UT - Computer Science [2322]