Update Artikelilmiah: 51845

MAR'ATUL MU'AYADAH

NIM

Judul Artikel

Abstrak (Bhs. Indonesia)

Pemantauan jenis dan fase tanaman yang akurat dan tepat waktu sangat krusial dalam manajemen irigasi dan ketahanan pangan. Penginderaan jarak jauh seperti Synthetic Apertur Radar (SAR) dan Optical Multi-Spektral (MSI), diperlukan untuk mengamati secara temporal dengan cangkupan wilayah lebih luas. Penelitian bertujuan menguji performansi algoritma Random Forest (RF) dalam melakukan klasifikasi dan pendugaan karakteristik tanaman menggunakan SAR dan MSI pada tiga Daerah Irigasi (DI). Penelitian menggunakan platform GEE dan Google Colab untuk mengolah data dan membangun model algoritma. Indeks spektral yang digunakan adalah NDVI, TNDVI, GNDVI, SAVI, IRECI, S2REP dan PSSRa. Hasil menunjukkan bahwa model RF berhasil mengidentifikasi jenis tanaman untuk input data SAR, MSI, dan integrasi kedua citra. Akurasi tertinggi diperoleh pada integrasi kedua citra yaitu 71,5% dengan kappa 0,68. Untuk citra tunggal, SAR mendapatkan akurasi 50,4% dan MSI mendapatkan 66,2%. Fase pertumbuhan diidentifikasi melalui indeks spektral hasil ekstraksi pada klasifikasi jenis tanaman. Penelitian menunjukkan model memungkinkan untuk dikembangkan lebih lanjut untuk memprediksi kebutuhan air tanaman, hasil panen, serta pertumbuhan abnormal di sekitar DI.

Abtrak (Bhs. Inggris)

Accurate and timely monitoring of plant species and phases is crucial in irrigation management and food security. Remote sensing, such as Synthetic Aperture Radar (SAR) and Optical Multi-Spectral (MSI), is needed to observe temporally with wider area coverage. The study aims to test the performance of the Random Forest (RF) algorithm in classifying and estimating plant characteristics using SAR and MSI in three Irrigation Areas (DI). The study used the GEE platform and Google Colab to process data and build algorithm models. The spectral indices used were NDVI, TNDVI, GNDVI, SAVI, IRECI, S2REP and PSSRa. The results showed that the RF model successfully identified plant species for SAR, MSI, and integrated data inputs. The highest accuracy was obtained in the integration of the two images, namely 71.5% with a kappa of 0.68. For a single image, SAR achieved an accuracy of 50.4% and MSI achieved 66.2%. The growth phase was identified through the extracted spectral indices in the classification of plant species. Research shows that the model can be further developed to predict crop water requirements, crop yields, and abnormal growth around the DI area.

Kata kunci

Pembimbing 1

Pembimbing 2

Pembimbing 3

Tahun

Jumlah Halaman