Monitoring Kesehatan Tanaman Tebu berbasis Region menggunakan Remote Sensing

Abstract

Gula merupakan komoditas strategis bagi perekonomian di Indonesia. Gula juga salah satu kebutuhan utama masyarakat dan sumber kalori yang populer. Konsumsi domestik gula Indonesia dari tahun ke tahun mengalami peningkatan. Namun meningkatnya kebutuhan gula di Indonesia tidak diimbangi dengan laju hasil produksi gula dalam negeri, sehingga mengharuskan Indonesia melakukan impor. Penyebab Indonesia melakukan impor karena berkurangnya bahan baku tebu yaitu produksi tebu giling. Salah satu cara untuk meningkatkan produktivitas dan produksi tebu yaitu melakukan monitoring kesehatan tanaman tebu, apalagi pada areal lahan perkebunan tebu yang luas. Di Indonesia kebanyakan lahan tanaman tebu pengawasannya masih dilakukan secara manual, sehingga sangat tidak efektif karena membutuhkan biaya, waktu dan padat karya. Tidak adanya sistem monitoring juga berpotensi membuang sumber daya seperti penggunaan pupuk dan pestisida yang berlebihan. Apalagi pada kasus tertentu seperti tidak terjangkau bagian dalam kebun oleh petugas, sehingga tidak terawasi dan sangat merugikan pihak petani. Pada areal monitoring kerap terdapat objek yang bukan fokus kajian. Seperti areal tanam yang heterogen (vegetasi selain tanaman tebu dan non vegetasi) ataupun perbedaan masa tanam pada tanaman tebu yang mengakibatkan sukar untuk diidentifikasi, sehingga perlu dilakukan teknik segmentasi untuk mendeteksi kerapatan wilayah dan memisahkan objek selain tebu sebagai masukkan untuk menentukan region monitoring. Hal inilah yang melatarbelakangi dilakukannya penelitian tentang “Monitoring Kesehatan Tanaman Tebu berbasis Region menggunakan Pengindraan Jauh”. Tujuan dari penelitian ini yaitu menerapkan teknologi remote sensing dengan teknik segmentasi untuk monitoring kesehatan tanaman tebu berdasarkan nilai indeks spektral NDVI, NDBaI, NDWI dan NDDI. Metode yang digunakan yaitu algoritme Simple Non-Iterative Clustering (SNIC) dan Gray-Level Co-occurrence Matrix (GLCM) untuk segmentasi, dan algoritme Random Forest untuk klasifikasi akhir yang diimplementasikan pada platform cloud Google Earth Engine (GEE). Hasil yang diperoleh yaitu klasifikasi berbasis objek terbaik (overall accuracy) mencapai 90,8% dengan kappa 0,85 dan perkiraan musiman tebu puncaknya berada pada bulan Januari hingga Mei. Sedangkan untuk monitoring kesehatan (region C) dalam kondisi tidak sehat disebabkan berkurangnya air atau kekeringan.

Sugar is a strategic commodity for the economy in Indonesia. Sugar is also one of the main needs of society and a popular source of calories. The domestic consumption of Indonesian sugar from year to year has increased. However, the increasing demand for sugar in Indonesia has not been matched by the rate of domestic sugar production, thus requiring Indonesia to import. The reason for Indonesia to import is due to reduced sugarcane raw materials, namely milled sugarcane production. One way to increase the productivity of sugarcane production is to monitor the health of sugarcane, especially in large areas of sugarcane plantations. In Indonesia, control of most sugarcane fields is still done manually, so it is very ineffective because it requires money, time and is laborintensive. The absence of a monitoring system also has the potential to waste resources such as excessive use of fertilizers and pesticides. Especially in certain cases, such as when the officers cannot reach the inside of the garden, so they are not monitored and can lead to losses for the farmers. In the monitoring area, there are often objects that are not the focus of the study. As with heterogeneous planting areas (vegetation other than sugarcane and non-vegetation) or differences in planting periods in sugarcane, it is difficult to identify, so it is necessary to use segmentation techniques to detect area density and separate objects other than sugarcane as input to determine the monitoring region. This is what motivates the research on "sugarcane health monitoring based on region using remote sensing". The purpose of this study is to apply remote sensing technology with segmentation techniques for monitoring the health of sugarcane based on the NDVI, NDBaI, NDWI, and NDDI spectral index values. The methods used are the Simple Non-Iterative Clustering (SNIC) algorithm and the Gray-Level Co-occurrence Matrix (GLCM) for segmentation, and the Random Forest algorithm for the final classification implemented on the Google Earth Engine (GEE) cloud platform. The results obtained by the best objectoriented classification (overall accuracy) reached 90.8% with a kappa of 0.85, and the peak seasonality of sugarcane is from January to May. Meanwhile, health monitoring (region C) is in an unhealthy condition due to reduced water or drought.