Algorithm of pattern recognition for real time rice crops monitoring using sentinel images

Abstract

Indonesia merupakan salah satu produsen beras terbesar di dunia. Oleh seba itu tanaman padi merupakan komoditas krusial bagi masyarakat Indonesia. Sebagian besar masyarakat Indonesia mengkonsumsi beras sebagai bahan makanan pokok. Seiring dengan laju pertumbuhan penduduk yang terus meningkat, maka permintaan terhadap beras juga meningkat. Monitoring tanaman padi sangat dibutuhkan dalam menjamin ketersediaan pangan nasional. Teknologi remote sensing merupakan salah satu pendekatan yang dapat digunakan dalam memantau fase pertumbuhan tanaman padi. Salah satu satelit yang dapat dimanfaatkan untuk mendapatkan informasi tentang pase pertumbuhan tersebut adalah Sentinel 2A. Beberapa keunggulan Satelit Sentinel 2A adalah mempunyai resolusi sepasial yang cukup tinggi yaitu 10 x 10 m serta memiliki resolusi temporal yang cukup rapat. Selain itu citra Sentinel 2A dapat diperoleh secara gratis. Parameter kehijauan tanaman padi atau indeks vegetasi yang diperoleh melalui analisis citra satelit dapat digunakan untuk memperkirakan pase pertumbuhan atau umur tanaman padi. Index vegetasi yang digunakan dalam penelitian ini adalah Normalized Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI), dan Soil Adjusted Vegetation Index (SAVI). Tanaman padi memiliki karakteristik tersendiri yang membedakan mereka dari tanaman lain. Pada awal pertumbuhan, sawah akan tergenang sehingga indeks vegetasi yang dihasilkan cenderung rendah dan bahkan minus, hal ini disebabkan oleh sawah yang mengandung air dominan. Seiring dengan pertumbuhan padi, sawah akan didominasi oleh daun padi, sehingga indeks vegetasi akan mulai meningkat karena kandungan klorofil yang tinggi. Setelah tanaman padi mulai terisi hingga matang, tingkat kehijauan akan berkurang karena sawah akan didominasi oleh padi yang menguning. Fase pertumbuhan akan berakhir dengan panen dan lahan akan dibiarkan kosong untuk jangka waktu tertentu. Fenomena ini akan menghasilkan pola yang tetap untuk setiap musim. Penelitian ini bertujuan untuk membangun algoritma untuk pengenalan pola index vegetasi yang dihasilkan dari citra satelit Sentinel 2A, sehingga diharapkan dari algoritma tersebut mampu memprediksi pase pertumbuhan tanaman padi. Algoritma yang diperolah digunakan untuk memprediksi citra real time pada bulan Januari 2019. Penelitian ini dilakukan pada bulan Mei hingga September 2017. Data primer diambil pada bulan Juni 2017 dalam bentuk gambar drone dan titik sampel dari 31 titik serta wawancara dengan petani di Desa Sukamekar, Kabupaten Karawang, Jawa Barat. Data series citra Sentinel 2A dari Mei hingga September 2017 dijadikan data untuk membangun model. Pra-pemrosesan dan pemrosesan gambar dilakukan untuk mendapatkan indeks vegetasi, kemudian dilakukan analisis regresi dilakukan di laboratorium GIS MIT Biotrop. Metode yang digunakan dalam menentukan algoritma dimulai dari penentuan index vegetasi pada tiap petak sawah. Dalam penentuan index vegetasi tiap petak sawah menggunakan dua metode, (1) metode pertama dengan menghitung nilai rata-rata index vegetasi pada tiap pixel yang ada di petak sawah, (2) metode kedua dengan menghilangkan pixel yang bersentuhan dengan batas tiap petak sawah, lalu hitung rata-rata nilai index vegetasi pada setiap pixel di petak sawah tersebut. Kedua metode tersebut diterapkan pada pada enam series data citra Sentinel 2A. Enam seri data citra Sentinel 2A dari bulan Mei hingga September 2019. Seteleh dilakukan pra-pemprosesan dan pemprosesan gambar, diambil 186 data sampel yang terbagi menjadi 31 titik sample untuk setiap seri. Data sampel digunakan untuk membangun model. Index vegetasi dari enam seri data sampel dianalisis dengan menggunakan regresi polynomial ordo 2 dan ordo 3. Dari kedua model regresi ini dipilih model regresi terbaik berdasarkan nilai kooefisien determinasi (R2) tertinggi. Persamaan terbaik yang dihasilkan dari proses analisis regresi digunakan untuk membangun rule base guna mendapatkan kelas fase tumbuh padi. Kelas fase tumbuh padi berdasarkan nilai index vegetasi NDVI, EVI, dan SAVI diterapkan pada citra yang mendekati real-time bulan Januari 2019. Hasil prediksi pada citra yang mendekati real time menunjukkan fase pertumbuhan padi pada bulan Januari 2019 dapat dibagi empat kelas: anakan, puncak, panen dan bera. Sedangkan berdasarkan NDVI metode kedua, fase pertumbuhan dibagi menjadi 3 kelas: anakan, puncak, dan bera. Berdasarkan EVI dengan kedua metode menghasilkan fase pertumbuhan yang sama: anakan dan bera. Sedangkan berdasarkan SAVI metode pertama, fase pertumbuhan bisa dibagi menjadi tiga: anakan, puncak dan bera. Metode kedua pada SAVI, fase pertumbuhan dibagi menjadi dua: anakan dan bera. Hasil prediksi dari model divalidasi untuk memperoleh tingkat akurasi. Validasi dilakukan pada bulan Februari 2019. Validasi dilakukan dengan cara turun ke lapangan dan diambil sampel sebanyak 24 titik secara acak di lokasi penelitian untuk melihat kesesuaian fase pertumbuhan padi. Hasil validasi menunjukkan bahwa prediksi menggunakan NDVI metode pertama menghasilkan tingkat akurasi sebesar 70% dan metode kedua 75%. Sedangkan dengan menggunakan EVI metode pertama menghasilkan tingkat akurasi 50% dan metode kedua 55%. Berdasarkan SAVI metode pertama menghasilkan tingkat akurasi 45% dan kedua 50%. Hasil validasi dan tingkat akurasi menunjukkan model terbaik adalah dengan menggunakan index vegetasi NDVI dengan menggunakan metode kedua.