Klasifikasi Tanaman Hortikultura Menggunakan Citra Drone Multispektral Berbasis Random Forest dan Support Vector Machine

Abstract

Budidaya tanaman hortikultura di Indonesia ditanam di lahan yang relatif sempit. Untuk mengidentifikasi tanaman dengan luasan sempit dan jarak tanam yang pendek dibutuhkan citra dengan resolusi tinggi, misalnya foto udara. Foto udara adalah gambaran berbagai objek yang ada di permukaan bumi yang direkam menggunakan sebuah wahana seperti pesawat terbang atau drone. Untuk identifikasi tanaman hortikultura di wilayah sempit dapat digunakan foto udara drone berbasis metode Random Forest (RF) dan Support Vector Machine (SVM) yang pada banyak penelitian menunjukkan performa yang baik dengan akurasi tinggi. Oleh karena itu pada penelitian ini digunakan pendekatan RF dan SVM untuk identifikasi tanaman hortikultura di Kebun Percobaan Pasir Sarongge. Penelitian ini bertujuan untuk menganalisis respon spektral tanaman hortikultura, untuk identifikasi tanaman hortikultura dengan pendekatan RF dan SVM dari citra drone multispektral dan menganalisis ketelitian klasifikasi dari RF dan SVM. Hasil penelitian menunjukkan bahwa digital number (DN) yang ditampilkan bervariasi tergantung pada jenis tanaman hortikultura. Respon spektral tanaman hortikultura pada kanal hijau dan merah menunjukkan DN yang rendah, yang mana reflektansi kanal hijau sedikit lebih tinggi dari kanal merah. Sebaliknya respon spektral tanaman hortikultura pada kanal tepi merah dan inframerah dekat tinggi, yang mana reflektansi kanal inframerah dekat lebih tinggi dari kanal tepi merah. Metode pengklasifikasi RF dan SVM dapat mengindentifikasi dan memisahkan tanaman hortikultura dengan cukup baik. Hasil klasifikasi dengan metode SVM menunjukkan nilai akurasi keseluruhan 83,74%, sedangkan akurasi keseluruhan klasifikasi dengan metode RF sedikit lebih rendah yaitu 81,49%.

Horticultural crops in Indonesia are grown on a relatively narrow area of land. To identify plants with a narrow area and short planting distance, high-resolution images such as aerial photographs are needed. Aerial photographs are images of various objects on the earth's surface that are taken using a vehicle such as an airplane or drone. For the identification of horticultural crops in narrow areas, drone aerial photography based on Random Forest (RF) and Support Vector Machine (SVM) methods can be used, which in many studies have shown good performance with high accuracy. Therefore, in this study, the RF and SVM approaches were used for the identification of horticultural plants at the Pasir Sarongge Experimental Farm. This study aims to analyze the spectral response of horticultural plants, to identify horticultural plants with RF and SVM approaches from multispectral drone images and analyze the classification accuracy of RF and SVM. The results show that the digital number (DN) displayed varies depending on the type of horticultural crop. The spectral response of horticultural crops in the green and red channels shows a low DN, where the reflectance of the green channel is slightly higher than the red channel. Conversely, the spectral response of horticultural crops in the red edge and near infrared channels is high, where the reflectance of the near infrared channel is higher than the red edge channel. RF and SVM classifier methods can identify and separate horticultural crops quite well. Classification results with the SVM method show an overall accuracy value of 83,74%, while the overall accuracy of classification with the RF method is slightly lower at 81,49%.