Identifikasi Umur Tanaman Padi dengan Teknik Support Vector Machine Di Bojongpicung Cianjur

Abstract

Padi merupakan makanan pokok masyarakat Indonesia. Produksi padi cenderung fluktuatif setiap tahunnya menyebabkan perlunya pemantauan sejak dini untuk memastikan tidak adanya masalah dalam pasokan beras. Dewasa ini, pendekatan spasial mulai banyak digunakan salah satunya untuk penentuan umur tanaman padi. Penelitian ini bertujuan mempelajari pola reflektan hasil koreksi atmosferik menggunakan Sen2Cor pada berbagai fase pertumbuhan padi dan menggunakan teknik Support Vector Machine (SVM) untuk pengklasifian umur padi dengan penggunaan parameter tuning pada nilai C dan Gamma. Penelitian ini memanfaatkan sawah milik Dinas Pertanian Provinsi Jawa Barat yang berlokasi di Cianjur dengan pengamatan lapang dilaksanakan pada bulan Mei-Agustus 2021. Kajian ini menggunakan SVM karena memiliki perfoma yang relatif lebih baik dibandingkan metode klasifikasi lainnya. Hasil penelitian menunjukan pada fase vegetatif nilai reflektan pada band merah dan band biru mengalami penurunan dan kenaikan pada band hijau. Band NIR terus mengalami kenaikan dari fase vegetatif hingga fase generatif dan mulai menurun pada fase panen. Hasil dari penggunaan paramater tuning SVM didapatkan nilai overall accuracy tertinggi yaitu 0,85 untuk nilai C= 50 dan 0,83 untuk nilai Gamma=20.

Rice is the staple food of Indonesian people. Rice production tends to fluctuate every year, which causes the need for early monitoring to ensure that there are no problems in rice supply. Currently, spatial-wise approach has widely used, one of which is determining the age of rice plants. This study aimed to study reflectance pattern from atmospheric correction using Sen2Cor at various rice growth stages and using Support Vector Machine (SVM) to classify rice age using tuning parameters for C and Gamma values. This research utilizes rice fields belonging to the West Java Provincial Agriculture Office located in Cianjur with field observations carried out in May-August 2021. SVM was used because it has a fairly better performance compared to other classification methods. The results showed that in vegetative phase, reflectance values of red and blue bands decreased while increment was observed in green band. The NIR band continued to increase from vegetative phase to generative phase and began to decrease during harvest phase. The results of SVM tuning parameters indicated the highest overall accuracy, i.e. 0.85 for C = 50 and 0.83 for Gamma = 20.