Update Artikelilmiah: 55019

MOHAMAD ZAKI AL FATIH

NIM

Judul Artikel

Abstrak (Bhs. Indonesia)

Pemantauan kesehatan tanaman padi secara konvensional seringkali terkendala oleh faktor subjektivitas, waktu yang lama, serta efisiensi yang rendah pada lahan luas. Penelitian ini bertujuan untuk mengetahui pemanfaatan penginderaan jauh menggunakan Unmanned Aerial Vehicle (UAV) multispektral dalam mengekstraksi nilai indeks vegetasi (Normalized Difference Vegetation Index / NDVI, Modified Soil-Adjusted Vegetation Index / MSAVI, dan Wide Dynamic Range Vegetation Index / WDRVI) serta mengukur tingkat akurasi algoritma machine learning Random Forest dalam mengklasifikasikan tingkat kesehatan tanaman padi di Kabupaten Banyumas. Penelitian dilaksanakan menggunakan metode survei dengan pendekatan purposive sampling di sembilan kecamatan yang mewakili variasi tingkat produksi dan topografi. Pengambilan foto udara dilakukan menggunakan drone DJI Mavic 3M, dilanjutkan dengan ekstraksi nilai indeks vegetasi, pemodelan klasifikasi Random Forest, serta validasi menggunakan Confusion Matrix. Hasil penelitian menunjukkan bahwa indeks MSAVI efektif mereduksi bias latar belakang tanah dan genangan air pada area berkanopi jarang, sedangkan WDRVI dan NDVI optimal mendeteksi variasi biomassa pada tajuk rapat. Pemodelan klasifikasi Random Forest dengan penyederhanaan tiga kelas utama menghasilkan akurasi keseluruhan (Overall Accuracy) sebesar 66,67% dengan koefisien Kappa sebesar 0,4486. Analisis tingkat kepentingan variabel (Variable Importance) mencatat WDRVI sebagai variabel tertinggi (74,40), diikuti oleh MSAVI (74,19), dan NDVI (70,77). Pemetaan status kesehatan tanaman padi secara umum didominasi oleh kelas "Tidak Sehat & Kurang Sehat", yang mencerminkan variasi fase pertumbuhan vegetatif pertengahan dengan penutupan kanopi yang belum merata secara optimal.

Abtrak (Bhs. Inggris)

Conventional rice health monitoring is often constrained by subjectivity, time consumption, and low efficiency over large areas. This study aims to analyze the utilization of remote sensing using a multispectral Unmanned Aerial Vehicle (UAV) to extract vegetation index values (NDVI, MSAVI, and WDRVI) and to measure the accuracy of the Random Forest machine learning algorithm in classifying the health level of rice plants in Banyumas Regency. The research was conducted using a survey method with a purposive sampling approach in nine sub-districts representing variations in production levels and topography. Aerial image acquisition was carried out using a DJI Mavic 3M drone, followed by vegetation index extraction, Random Forest classification modeling, and validation using a Confusion Matrix. The results showed that the MSAVI index effectively reduced soil background and water puddle biases in sparse canopy areas, while WDRVI and NDVI optimally detected biomass variations in dense canopies. Random Forest classification modeling simplified into three main classes yielded an Overall Accuracy of 66.67% with a Kappa coefficient of 0.4486. Variable Importance analysis recorded WDRVI as the highest variable (74.40), followed by MSAVI (74.19), and NDVI (70.77). The mapping of rice health status was generally dominated by the "Unhealthy & Less Healthy" class, reflecting variations in the mid-vegetative growth phase with suboptimal canopy closure.

Kata kunci

Pembimbing 1

Pembimbing 2

Pembimbing 3

Tahun

Jumlah Halaman