Seminar Nasional Teknik Sipil e-ISSN: x-x Vol.
1 No.
Oktober 2023 Pemetaan Jenis Tanaman Menggunakan Pendekatan Machine-Learning dan Citra Sentinel-2: Studi Kasus di Lumajang.
Jawa Timur.
Indonesia Mahrus Irsyam 1.
Wheny Khirstianto 2.
Nurud Diniyah 3
1,2,3
Jurusan Teknik Pertanian.
Fakultas Teknologi Pertanian.
Universitas Jember.
Jl.
Kalimantan No.
Kampus Tegalboto.
Sumbersari.
Jember.
Indonesia.
fisip@unej.
ABSTRAK
Jenis tanaman menunjukkan intensitas penggunaan lahan untuk berbagai jenis tanaman pada suatu areal.
Pemetaan jenis tanaman .
rop type mappin.
bertujuan untuk mengembangkan strategi di masa depan, sehingga system pertanian dapat berkelanjutan.
Secara prinsip, berbagai jenis citra satelit dapat digunakan untuk memetakan vairiabitas jenis tanaman .
rop typ.
yang ada pada suatu areal lahan.
Pada penelitian ini data Sentinel-2 digunakan sebagai input utama untuk memetakan jenis tanaman.
Penelitian dilakukan di wilayah kecamatan Pasrujambe dan Candipuro (A seluas 242,23 km .
di Kabupaten Lumajang.
Penelitian ini menggunakan data Sentinel-2 dari tanggal 25 Juni hingga 6 Juli 2023 dengan tutupan awan minimal 10%.
Selanjutnya.
Data citra diproses menggunakan algoritma machine learning yang ada di platform GEE.
Pada kasus ini, digunakan Algoritma random forest.
Akurasi dihasilkan dengan menggunakan matriks konfusi dengan akurasi keseluruhan sebesar 85,82% dan nilai kappa sebesar 71,19%.
Pemetaan menghasilkan 5 jenis penggunaan/tutupan lahan utama, berupa: paddy .
31%), tebu .
93%), vegetasi lain .
74%), pasir .
dan lahan terbangun .
59%).
Secara umum, citra sentinel 2 dapat diguanakan untuk pemetaan jenis Variabitas tutupan lahan yang sangat tinggi dan ukuran petak sawah yang kecil menjadi kendala dalam proses klasifikasi tanaman yang lebih detail.
Kata kunci: Pemetaan jenis tanaman.
Sentinel 2.
Ranfom Forest.
Lumajang
ABSTRACT
Crop type indicates the intensity of land use of various plant types in an area.
Mapping crop type aims to develop strategies for the future so that agricultural systems can be sustainable.
In principle, various types of satellite imagery can be used to map the variability of plant types .
rop type.
in an area.
In this research, sentinel-2 data was used as a primary input to map crop types.
This research was conducted in Pasrujambe and Candipuro subdistrict (A242,23 km.
in Lumajang Regency.
This study used Sentinel-2 data from 25 June to 6 July 2023 with a minimum cloud cover of 10%.
In addition, the image data was processed using machine learning algorithms on the GEE platform.
In this case, a random forest algorithm was used.
Accuracy was generated using a confusion matrix with an overall accuracy of 85.
82% and a kappa value of 71.
The mapping result in 5 main types of land use/cover, namely: paddy .
31%), sugarcane .
93%), other vegetation .
74%), sand .
4%) and built-up area .
59%).
In general, sentinel-2 imagery can be used for mapping crop types.
The very high variability of land cover and the small size of rice field plots are obstacles in the process of more detailed plant classification.
Keywords: Crop-type mapping.
Sentinel-2.
Random Forest.
Lumajang
PENDAHULUAN
Pemetaan jenis tanaman merupakan intensitas penggunaan lahan di suatu wilayah khususnya di bidang pertanian, perkebunan, dan sejenisnya untuk mengembangkan strategi kebijakan yang berkelanjutan (Blickensdyrfer et al.
, 2.
Pemetaan jenis tanaman di sektor pertanian dapat digunakan untuk mendapatkan informasi terbaru untuk membuat perencanaan dan mengenali ancaman serta potensi ketahanan pangan dan Received: 25 September 2023.
Accepted: 13 Oktober 2023 Seminar Nasional Teknik Sipil e-ISSN: x-x Vol.
1 No.
Oktober 2023 keberlanjutannya (Hegarty-Craver et al.
, 2.
Identifikasi tanaman dapat dilakukan menggunakan data penginderaan jauh (Erdanaev et al.
, 2022.
penginderaan jauh merupakan teknik yang telah terbukti efektif dalam menghasilkan informasi mengenai tutupan lahan dan jenis tanaman (Sun et al.
, 2.
, baik diterapkan di wilayah yang sempit (Salas et al.
, 2.
maupun daerah yang luas (Griffiths et al.
, 2.
Platform Sentinel-2 adalah salah satu data penginderaan jauh yang banyak digunakan untuk memetakan jenis tanaman di suatu wilayah.
Sentinel-2 memiliki sensor multispektral dengan resolusi 10 m, 20 m, dan 60 m dan memiliki panjang gelombang yang ideal untuk identifikasi jenis tanaman (Prins & Van Niekerk, 2.
Beberapa penelitian tentang pemanfaatan sentinel-2 untuk pemetaan jenis tanaman telah dilakukan.
Gumma et al.
menggunakan sentinel-2 untuk identifikasi jenis tanaman pada lahan pertanian kecil dan mendapatkan akurasi yang tinggi (Gumma et al.
, 2.
Selain itu.
Xie dan Niculescu.
mengevaluasi citra sentinel-2 untuk memetakan tanaman musim dingin (Xie & Niculescu.
Data sentinel-2 untuk pemetaan tutupan lahan dapat mengurangi kesalahan klasifikasi dalam penerapannya di bidang pertanian presisi (Liu et al.
, 2020.
Tran et al.
Untuk menghasilkan peta jenis tanaman, dapat dilakukan menggunakan platform Google Earth Engine (GEE).
Peta jenis tanaman dapat dihasilkan menggunakan pendekatan machine-learning yang diterapkan pada citra satelit.
Penelitian tentang pemetaan jenis tanaman menggunakan berbagai alogritma machine-learning dan sentinel-2 telah banyak dilakukan (Alami Machichi et al.
, 2023.
Luo et al.
, 2.
Machine Learning (ML) adalah mesin yang dikembangkan berdasarkan kecerdasan buatan atau Artificial Intelligence (AI) untuk mengumpulkan data secara mandiri menggunakan algoritma yang dirancang untuk meniru cara manusia belajar.
Machine-learning memiliki banyak kelebihan dimana dapat dioperasikan secara sederhana, pengoperasian dapat dilakukan dengan cepat, dan memiliki kemampuan yang dapat digunakan untuk mengolah berbagai macam jenis data secara bersamaan.
Penggunaan metode machine learning untuk remote sensing seperti Random Forest (RF).
Neural Network (NN).
Support Vector Machines (SVM), dan metode pemrosesan lainnya telah berkembang sangat pesat dengan tingkat akurasi yang tinggi (Feng et al.
, 2.
Beberapa penelitian yang telah banyak dilakukan terkait pemanfaatan berbagai algoritma machine learning untuk identifikasi jenis tanaman menunjukkan bahwa algoritma random forest memiliki efisiensi dan akurasi yang baik (Akbari et al.
, 2020.
Kpienbaareh et al.
, 2021.
Wei et al.
, 2.
Tujuan penelitian ini adalah untuk menghasilkan peta tutupan lahan menggunakan citra Sentinel-2 di Kecamatan Pasrujambe dan Candipuro Kabupaten Lumajang, dan mengevaluasi algoritma random forest yang digunakan untuk menghasilkan peta tutupan Keakuratan hasil klasifikasi dinilai menggunakan confusion matrix yang diperoleh dari pengumpulan data lapangan.
Pemetaan jenis tanaman telah banyak dipetakan secara pada aeral yang luas dengan varietas tanaman yang seragam.
Penelitian ini dilakukan pada areal terbatas dengan luas lahan dan varietas tanaman yang bervariasi.
Received: 25 September 2023.
Accepted: 13 Oktober 2023 Seminar Nasional Teknik Sipil e-ISSN: x-x Vol.
1 No.
Oktober 2023
METODE PENELITIAN
1 WILAYAH PENELITIAN
Penelitian ini dilakukan di wilayah seluas 242.
23 km2 yang meliputi Kecamatan Pasrujambe dan Kecamatan Candipuro yang terletak di Kabupaten Lumajang (Gambar .
Kecamatan pasrujambe terletak sejauh 23 km dari pusat Kabupaten Lumajang dengan ketinggian 752500 mdpl dan memiliki rata-rata curah hujan sebesar 952 mm dengan jumlah hujan sebanyak 220 hari dalam satu tahun.
Mayoritas wilayah Kecamatan Pasrujambe terletak di kaki gunung semeru dengan sekitar 50% wilayahnya adalah vegetasi rapat.
Sedangkan Kecamatan Candipuro terletak pada ketinggian 322 mdpl dengan curah hujan sebesar 2018 mm per tahun.
Gambar 1.
Wilayah kajian yang meliputi Kecamatan Pasrujambe dan Kecamatan Candipuro.
Kabupaten Lumajang Sumber: Esri, .
2 INPUT DATA
DATA SATELIT
Penelitian ini menggunakan citra Sentinel-2 perekaman tahun 2023.
Sentinel-2 adalah satelit multispektral yang memiliki dua satelit resolusi tinggi dan diluncurkan pada orbit sun-synchronous (Agency, 2.
Pada penelitian ini menggunakan data citra sentinel-2 mulai tanggal 25 juni hingga 6 juli 2023 dengan tutupan awan minimum sebesar 10%.
Kondisi topografi dan iklim di wilayah penelitian menyebabkan citra yang direkam memiliki Received: 25 September 2023.
Accepted: 13 Oktober 2023 Seminar Nasional Teknik Sipil e-ISSN: x-x Vol.
1 No.
Oktober 2023 tutupan awan yang tebal.
Selain itu, tidak mudah untuk mendapatkan citra satelit yang bebas dari tutupan awan.
PENGUMPULAN DATA LAPANG DAN SAMPLING
Data lapangan diidentifikasi dan dikumpulkan pada bulan juni hingga juli 2023.
Titik koordinat pada masing-masing petak lahan direkam menggunakan GPS.
Pengambilan titik koordinat dilakukan di tengah batas petak lahan.
Jenis tanaman pada masing-masing petak dikumpulkan menggunakan kamera.
Penelitian ini menggunakan titik kontrol sebanyak 160 titik, meliputi padi, lahan terbangun, sungai, tebu, dan vegetasi rapat .
utan, pinus, lahan jati, dan lahan sengo.
Pengumpulan data lapang disesuaikan dengan kondisi tutupan vegetasi sebenarnya.
Gambar 2 merupakan contoh data lapang yang direkam menggunakan kamera dan drone.
Gambar 2.
Data lapang yang direkam menggunakan kamera dan drone Sumber: Pengumpulan data lapang, .
Data lapang digunakan sebagai referensi untuk membuat training area.
Untuk meningkatkan hasil pembuatan training area, jenis tutupan lahan lain yang sulit dijangkau ketika survey lapang dilakukan dengan bantuan citra google earth.
Training sample dibagi menjadi 70% data testing dan 30% data validasi.
Data testing sebesar 70% .
96 pixe.
digunakan sebagai input klasifikasi, sedangkan 30% data validasi .
26 pixe.
digunakan untuk validasi algoritma dan melakukan uji akurasi (Shaharum et al.
, 2.
Identifikasi training area menggunakan GEE mendapatkan lima .
kelas tutupan meliputi daerah terbangun, pasir, vegetasi, padi, dan tebu.
Training area dibuat menggunakan format polygon.
Adapun kelas dan jumlah training sample yang dibuat ditunjukkan pada Tabel 1.
Received: 25 September 2023.
Accepted: 13 Oktober 2023 Seminar Nasional Teknik Sipil e-ISSN: x-x Vol.
1 No.
Oktober 2023 Tabel 1.
Jumlah training sample dan kelas Kelas Lahan terbangun Pasir Vegetasi Padi Tebu Jumlah sampel .
Persentase (%) Sumber: Data diolah, .
PENGOLAHAN CITRA Citra sentinel-2 diolah menggunakan platform cloud computing GEE.
GEE menyediakan banyak algortima klasifikasi berbasis pixel yang dapat digunakan untuk membuat peta jenis tanaman (Shelestov et al.
, 2.
Pada penelitian ini GEE juga digunakan untuk mengumpulkan data sentinel-2, transformasi indeks vegetasi, dan membuat peta klasifikasi tanaman menggunakan algoritma random forest.
Penelitian ini menggunakan alfogitma random forest dan kombinasi empat indeks vegetasi untuk meningkatkan Gambar 3 merupakan diagram alir penelitian.
Gambar 3.
Alur kerja penelitian yang dilakukan di GEE untuk menghasilkan peta tipe tanaman Sumber: Data diolah, .
Indeks Vegetasi Beberapa indeks vegetasi yang dihasilkan digunakan sebagai input klasifikasi data.
Adapun indeks vegetasi yang digunakan yaitu Normalized Difference Vegetation Index (NDVI).
Modified Bare Soil Index (MBI).
Soil Adjusted Vegetation Index (SAVI), and Modified Normalized Difference Water Index (MNDWI).
Masing-masing persamaan indeks vegetasi ditampilkan pada Tabel 2.
Table 2.
Persamaan indeks vegetasi yang digunakan pada penelitian ini Index
NDVI
MBI
SAVI
MNDWI
Formula (NIR Ae Re.
/ (NIR Re.
((SWIR1 Ae SWIR2 Ae NIR) / (SWIR1 SWIR2 NIR) .
) ((NIR Ae Re.
/ (NIR Red L) .
L)) (Green Ae SWIR) / (Green SWIR) References (Nouri et al.
, 2.
(Nguyen et al.
, 2.
(Huete et al.
, 1.
(Xu, 2.
Received: 25 September 2023.
Accepted: 13 Oktober 2023 Seminar Nasional Teknik Sipil e-ISSN: x-x Vol.
1 No.
Oktober 2023 NDVI adalah salah satu indeks yang banyak digunakan untuk membuat peta klasifikasi jenis tanaman dengan membandingkan perbedaan nilai reflektansi pita merah (Re.
dan pita inframerah dekat (NIR) (Erdanaev et al.
, 2022b.
HAO et al.
, 2020.
Tariq et al.
, 2.
Rentang nilai NDVI berada pada kisaran -1 hingga 1 (Nouri et al.
, 2.
MBI adalah indeks yang digunakan untuk membedakan antara lahan pertanian dan nonpertanian.
Indeks ini digunakan secara spesifik untuk mengidentifikasi lahan kosong dan lahan bera pada pertanian (Nguyen et al.
, 2.
Rentang nilai MBI berada pada kisaran 0.
5 hingga 1.
5, dimana nilai MBI yang lebih tinggi menunjukkan adanya lahan kosong sedangkan nilai yang lebih rendah menunjukkan adanya perairan atau vegetasi.
Dalam perhitungan MBI, digunakan faktor tambahan f dengan nilai 0,5 dan dihitung menggunakan persamaan pada Tabel 3.
SAVI adalah indeks vegetasi yang digunakan untuk meminimalkan pengaruh tanah terhadap perhitungan nilai vegetasi dengan menggunakan nilai L sebagai faktor penyesuaian tanah.
Nilainya berkisar antara -1 hingga 1.
Nilai L berbeda-beda untuk setiap jenis tutupan vegetasi, yaitu 0 atau 0,25 untuk vegetasi rapat, 1 untuk vegetasi jarang, dan 0,5 untuk tutupan vegetasi sedang.
MNDWI adalah modifikasi indeks dari NDWI dimana perhitungannya menggunakan band SWIR.
Indeks ini digunakan untuk membedakan badan air dengan tutupan lahan lainnya (McFeeters, 1.
Random Forest Random Forest (RF) adalah metode klasifikasi machine-learning terbimbing nonparametrik.
RF adalah kumpulan pohon keputusan yang digabungkan untuk mengurangi varians dan membuat prediksi data menjadi lebih akurat.
RF dapat digunakan untuk klasifikasi dan analisis regresi (Shaharum et al.
, 2.
Penelitian ini menggunakan algoritma RF karena algoritma ini banyak digunakan dan telah terbukti memiliki kemampuan yang baik dalam membuat peta jenis tanaman.
HASIL DAN PEMBAHASAN
HASIL
UJI AKURASI
Uji akurasi dilakukan menggunakan plugin AcATaMa yang disediakan pada aplikasi QGIS.
Plugin AcATaMa memiliki fitur yang dapat digunakan untuk membuat sampling, perencanaan respons, dan estimasi dalam kerangka inferensi berbasis desain (Llano, 2.
Peta tematik jenis tanaman dievaluasi menggunakan confusion matris yang dapat dilihat pada Tabel 3.
Tabel 3.
Uji akurasi peta jenis tanaman Kelas Lahan terbangun Pasir Vegetasi Padi Tebu Total User Accuracy Received: 25 September 2023.
Accepted: 13 Oktober 2023 Seminar Nasional Teknik Sipil e-ISSN: x-x Vol.
1 No.
Oktober 2023 Lahan terbangun Pasir Vegetasi Padi Tebu Total Producer Accuracy Overall Accucary = 85.
Kappa Accuracy = 71.
Sumber: Data diolah, .
Tabel 4 menunjukkan hasil akurasi peta yang meliputi PA.
UA.
OA, dan Kappa.
Secara umum, hasil klasifikasi dengan kombinasi indeks NDVI.
MBI.
SAVI, dan MNDWI mengguakan algoritma RF menghasilkan akurasi yang baik dimana nilai Kappa sebesar 19% dan OA sebesar 85.
pada penelitian padi dan tebu adalah jenis tanaman yang dapat dikenali.
Namun.
UA dan PA pada tebu menunjukkan nilai paling kecil dimana nilai UA sebesar 43% dan PA sebesar 17%.
Indentifikasi jenis tanaman di Kecamatan Pasrujambe dan Candipuro memiliki tantangan berdasarkan kondisi klimatologi dan geografi wilayahnya.
Wilayah kajian adalah daerah lereng pegunungan Semeru dengan curah hujan yang tinggi, sehingga menyebabkan citra yang digunakan sebagai input klasifikasi memiliki tutupan awan.
Selain itu, kondisi pertanian di wilayah kajian merupakan pertanian heterogen dan banyak petani yang menerapkan sistem tumpang sari.
Berdasarkan kondisi tersebut, hasil klasifikasi memiliki tingkat ambiguitas yang cukup besar.
Penelitian ini menggunakan citra sentinel-2 dan training sampel yang terbatas (Tabel .
Kedua data tersebut direkam mulai tanggal 25 juni hingga 6 juli 2023.
Hasil akurasi klasifikasi dapat ditingkatkan dengan menggunakan training sampel jenis tanaman pada beberapa tahun.
Penelitian yang dilakukan oleh Zhi et al.
2022 menunjukkan bahwa akurasi klasifikasi akan mendapatkan nilai yang rendah jika hanya menggunakan training sampel jenis tanaman satu tahun.
Namun, akurasi dapat ditingkatkan ketika beberapa training sampel jenis tanaman dari beberapa tahun digunakan sebagai input klasifikasi, terutama padi dan jagung (Zhi et al.
, 2.
PETA TEMATIK KLASIFIKASI JENIS TANAMAN
Penelitian ini menggunakan data sentinel-2 level 2A yang diolah menggunakan platform GEE dan algoritma RF.
Hasil klasifikasi jenis tanaman mendapatkan lima kelas yaitu .
lahan terbangun, .
pasir, .
vegetasi, .
padi, dan .
tebu yang ditampilkan pada Gambar 3.
Jenis tanaman diidentifikasi menggunakan data lapangan yang telah dikumpulkan.
Received: 25 September 2023.
Accepted: 13 Oktober 2023 Seminar Nasional Teknik Sipil e-ISSN: x-x Vol.
1 No.
Oktober 2023 Gambar 3.
Peta tematik klasifiasi jenis tanaman di Kecamatan Pasrujambe dan Candipuro.
Kabupaten Lumajang Sumber: Data diolah, .
Tabel 4 menunjukkan luas masing-masing kelas, dimana dua jenis tanaman pangan dominan yang teridentifikasi pada wilayah kajian adalah padi dan tebu.
Di wilayah studi, hutan primer, pinus, pepohonan jati, dan pepohonan sengon menjadi tutupan vegetasi yang paling dominan.
Secara berturut-turut, hasil klasifikasi menunjukkan bahwa luas daerah padi sebesar 46.
22 ha .
31%) dan tebu sebesar 2.
49% .
93%).
Sedangkan vegetasi menyumbang sebesar 69.
74% dari total estimasi luas.
Nilai tersebut berpengaruh secara signifikan pada akurasi secara keseluruhan.
Selain itu, lahan terbangun menunjukkan perkiraan luas sebesar 12.
25 ha atau sekitar 4.
59% dan pasir sebesar 19.
87 atau sekitar 7.
dari wilayah kajian.
Table 4.
Luas masing-masing kelas Class Lahan terbangun Pasir Vegetasi Padi Tebu Total Area .
Percentage (%) Sumber: Data diolah, .
PEMBAHASAN Pemetaan jenis tanaman sangat penting untuk berbagai aplikasi, khususnya di bidang pertanian.
Namun, pemetaan jenis tanaman di Kabupaten Candipuro dan Pasrujambe merupakan suatu tantangan karena wilayah ini merupakan lingkungan yang heterogen dengan kondisi klimatologi dan geografis serta resolusi gambar temporal dan spasial yang terbatas.
Pasalnya, wilayah tersebut beriklim tropis.
Tantangan lain yang Received: 25 September 2023.
Accepted: 13 Oktober 2023 Seminar Nasional Teknik Sipil e-ISSN: x-x Vol.
1 No.
Oktober 2023 dihadapi adalah ketersediaan data bebas awan dan bebas bayangan awan, sulit menemukan solusi optimal untuk resolusi temporal dan komposit bebas awan, sehingga menyebabkan banyak data hilang.
Solusi yang ditawarkan untuk penelitian lebih lanjut adalah dengan menggunakan citra Sentinel-1 dan perpaduan citra Sentinel-1 dan Sentinel2.
Citra Sentinel-1 menggunakan sensor gelombang mikro dan beroperasi siang dan malam tanpa hambatan cuaca, sehingga menawarkan data bebas awan.
Eksperimen yang dilakukan oleh Orybaikyzy et al.
dan Kpeinbaareh dkk.
(Guo et al.
Kpienbaareh et al.
menunjukkan bahwa penggabungan data Sentinel-1 dan Sentinel-2 dapat meningkatkan hasil klasifikasi jenis tanaman di Jerman Utara dan Malawi Utara.
Dalam penelitian ini, fokus yang dilakukan pada penggunaan citra Sentinel-2 yang dikombinasikan dengan beberapa indeks vegetasi (NDVI.
MBI.
SAVI.
MNDWI) yang diproses pada platform GEE menggunakan pengklasifikasi RF untuk menghasilkan peta jenis tanaman tematik di Kecamatan Pasrujambe dan Kecamatan Candipuro Kabupaten Lumajang.
Random forest merupakan algoritma yang banyak digunakan dalam berbagai penelitian dan terbukti lebih akurat (Dakir.
Barramou, and Alami 2023.
Hudait and Patel Hasil penelitian ini menunjukkan bahwa algoritma RF dapat membedakan jenis tanaman di wilayah penelitian dalam hal akurasi keseluruhan (Tabel .
Akurasi keseluruhan yang diperoleh sebesar 85,82%, dan nilai kappa sebesar 71,19%.
Faktor penyebab yang mempengaruhi keakuratan adalah terjadinya kesalahan klasifikasi.
Misalnya pada penelitian ini terjadi kesalahan klasifikasi karena kesamaan nilai piksel antara padi (Band 02 = 0.
Band 03 = 0.
1479, dan Band 04 = 0.
dan vegetasi (Band 02 =0.
Band 03 = 0.
Band 04 = 0,1.
Gambar 4a menunjukkan bagaimana padi diklasifikasikan sebagai vegetasi.
Perbandingan kemiripan antara padi dan vegetasi pada citra Sentinel-2 ditunjukkan pada Gambar 4.
Gambar 4.
Perbandingan antara hasil klasifikasi, citra sentinel-2, dan citra google Sumber: Data diolah, .
Penelitian ini menggunakan cloud computing GEE sebagai platform pengolahan data.
GEE
adalah platform analisis geospasial yang menyediakan berbagai algoritma pemrosesan, database ekstensif, dan daya komputasi serta memfasilitasi sejumlah besar citra resolusi tinggi untuk memetakan jenis tanaman (Liu et al.
Pengolahan data dengan cara konvensional .
anpa cloud computin.
akan memakan waktu yang cukup lama.
Dengan Received: 25 September 2023.
Accepted: 13 Oktober 2023 Seminar Nasional Teknik Sipil e-ISSN: x-x Vol.
1 No.
Oktober 2023 GEE, pemrosesan dapat diselesaikan hanya dalam beberapa detik, sehingga pengambilan keputusan dapat dilakukan dengan cepat (Shelestov et al.
KESIMPULAN
Peta jenis tanaman di Kecamatan Pasrujambe dan Kecamatan Candipuro dihasilkan menggunakan pendekatan machine-learning yang disediakan oleh platform komputasi awan Google Earth Engine (GEE).
Penelitian ini menggunakan data time series Sentinel-2 yang disediakan dalam jumlah besar dan gratis oleh GEE.
Gambar tersebut diproses menggunakan pengklasifikasi hutan acak dan menunjukkan akurasi keseluruhan sekitar 85,82% dan nilai kappa sebesar 71,19%.
Namun karena karakteristik klimatologi dan geografis wilayah kajian, identifikasi jenis tanaman di daerah penelitian sulit dilakukan.
Daerah penelitian merupakan daerah perbukitan Gunung Semeru dengan curah hujan yang relatif tinggi sehingga citra memiliki tutupan awan.
Di sisi lain, kondisi pertanian di daerah penelitian bervariasi dan banyak petani yang menanam tanaman dengan teknik
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih pada Hibah Internal Universitas Jember Skim Penelitian Produktivitas Guru Besar (PRGB) Tahun 2023 SK.
Rektor Universitas Jember Nomor:
7575/UN25/KP/2023, seluruh pembantu lapang, dan seluruh pihak yang terlibat pada penelitian ini.
DAFTAR PUSTAKA