| NIM | A1C021078 |
|---|
| Namamhs | MUTIARA SAKINAH YUSUF |
|---|
| Judul Artikel | ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) SEBAGAI PENDUGAAN CROP CHARACTERISTIC MENGGUNAKAN SENTINEL-1 DAN SENTINEL-2 |
|---|
| Abstrak (Bhs. Indonesia) | Jumlah produksi tanaman pangan mengalami penurunan dari tahun 2021-2024. Pemantauan karakteristik tanaman dengan remote sensing dilakukan untuk meningkatkan produktivitas pertanian menggunakan citra satelit. Penelitian ini bertujuan untuk mengidentifikasi jenis dan fase pertumbuhan tanaman dari citra Sentinel-1 dan Sentinel-2 menggunakan algoritma Convolutional Neural Network (CNN) di beberapa daerah irigasi. Penelitian menggunakan platform Google Colab dan GEE untuk mengolah indeks spektral dan membangun model CNN. Indeks spektral yang digunakan dari Sentinel-2 meliputi NDVI, GNDVI, TNDVI, SAVI, IRECI, S2REP, dan PSSRa. Sedangkan dari Sentinel-1 meliputi RVI, Diff dan Ratio. Hasil menunjukkan bahwa model CNN berhasil mengidentifikasi jenis tanaman pada citra Sentinel-1, Sentinel-2 dan citra kombinasi. Akurasi keseluruhan model CNNN citra kombinasi yaitu 66,2%. Angka tersebut lebih baik dari akurasi keseluruhan Sentinel-2 (59,1%) dan Sentinel-1 (44,9%). Fase pertumbuhan teridentifikasi melalui indeks spektral citra. Penelitian ini menunjukkan model dapat dikembangkan lebih lanjut untuk pemantauan tanaman dan memberikan kontribusi dalam menjaga ketahanan pangan terutama di daerah irigasi. |
|---|
| Abtrak (Bhs. Inggris) | The production of food crops has declined from 2021-2024. Remote sensing is used to monitor crop characteristics in order to improve agricultural productivity using satellite imagery. This study aims to identify crop types and growth phases from Sentinel-1 and Sentinel-2 imagery using a Convolutional Neural Network (CNN) algorithm in several irrigated areas. The study utilized the Google Colab and GEE platforms to process spectral indices and build the CNN model. The spectral indices used from Sentinel-2 include NDVI, GNDVI, TNDVI, SAVI, IRECI, S2REP, and PSSRa. From Sentinel-1, the indices include RVI, Diff, and Ratio. The results show that the CNN model successfully identified crop types in Sentinel-1, Sentinel-2, and combined images. The overall accuracy of the CNN model for combined images was 66.2%. This figure is better than the overall accuracy of Sentinel-2 (59.1%) and Sentinel-1 (44.9%). The growth phase was identified through the spectral indices of the images. This study shows that the model can be further developed for crop monitoring and contribute to maintaining food security, especially in irrigated areas. |
|---|
| Kata kunci | Deep learning, Indeks spektral, Klasifikasi tanaman, Sentinel-1, Sentinel-2 |
|---|
| Pembimbing 1 | Afik Hardanto, S.TP., M.Sc., Ph.D. |
|---|
| Pembimbing 2 | Dr. Ardiansyah, S.TP., M.Si. |
|---|
| Pembimbing 3 | |
|---|
| Tahun | 2025 |
|---|
| Jumlah Halaman | 16 |
|---|
| Tgl. Entri | 2025-08-15 12:56:26.34433 |
|---|