Pendugaan Produktivitas Padi Menggunakan Citra Satelit Sentinel-2 dengan Pendekatan Machine Learning Berbasis Indeks Vegetasi
Date
2023Author
Adyatma, Naufal Dian
Seminar, Kudang Boro
Supriyanto, Supriyanto
Metadata
Show full item recordAbstract
Informasi ketersediaan beras di masa mendatang mendukung kebijakan
pemerintah guna mewujudkan ketahanan pangan yang berkelanjutan. Salah satu
metode yang digunakan untuk mendukung ketersediaan beras di masa mendatang
yaitu penggunaan teknologi penginderaan jauh. Penelitian ini bertujuan untuk
menduga produktivitas padi berdasarkan nilai normalized difference vegetation
index (NDVI) citra satelit Sentinel-2 melalui pendekatan machine learning decision
tree. Data produksi padi, varietas, tanggal tanam, tanggal panen, dan koordinat
sawah didapat dengan melakukan wawancara kepada petani serta survei lapang.
Koordinat sawah kemudian dikonversi menjadi luas area dan dibuat produktivitas
padi per petakan sawah berdasarkan data yang sudah didapat. Nilai NDVI per
petakan sawah selama satu musim tanam kemudian dihubungkan dengan
produktivitas padi melalui machine learning decision tree. Model terbaik pada
pendugaan gabungan varietas Inpari 32 dan MR 219 memiliki nilai MAPE 5,077%
dengan akurasi 94,923%; RMSE ± 0,391 ton/ha; dan nilai R2 0,776. Model
pendugaan terbaik pada varietas Inpari 32 memiliki nilai MAPE 4,16% dengan
akurasi 95,84%; RMSE ± 0,262 ton/ha; dan R2 0,894. Model pendugaan terbaik
pada varietas MR 219 pada varietas MR 219 memiliki nilai MAPE 1,339% dengan
akurasi 98,661%; RMSE sebesar ± 0,103 ton/ha; dan R2 0,982. Information on future rice availability supports government policies for
sustainable food security. One method used to support rice availability in the future
is the use of remote sensing technology. This study aims to predict the productivity
of rice based on normalized difference vegetation index (NDVI) of the Sentinel-2
satellite image through a machine learning decision tree approach. Rice production,
plants variety, planting date, harvest date, and field coordinates were obtained by
conducting interviews with farmers as well as field surveys. Paddy field coordinates
then converted into area, and productivity per square area is generated based on the
obtained data. The NDVI value per pitch for a single growing season is linked to
the productivity of paddy through the machine learning decision tree. The best
model on the combined varieties of Inpari 32 and MR 219 has a MAPE value of
5,077% with an accuracy 94,923%; RMSE ± 0,391 tons/ha; and R² 0,776. The best
model on Inpari 32 varieties has a MAPE value of 4,16% with an accuracy 95,84%;
RMSE ± 0,262 tons/ha; and R2 0,894. The best model on MR 219 varieties has a
MAPE value of 1,339% with an accuracy 98,661%; RMSE ± 0,103 tons/ha; and R2
0,982.