Identifikasi Varietas Jagung dari Data Citra Satelit Menggunakan Metode Linier Spectral Unmixing (Studi Kasus: Kabupaten Ngawi)
Keywords:
Jagung, Kabupaten Ngawi, Linier Spectral Unmixing, Spektral IndeksAbstract
Kabupaten Ngawi di Jawa Timur merupakan wilayah dengan sekitar 40% lahan pertaniannya digunakan untuk pertanian, termasuk budidaya jagung. Jagung adalah sumber karbohidrat yang penting bagi industri pangan dan permintaannya terus meningkat. Untuk meningkatkan potensi hasil pertanian jagung, penting untuk memantau lahan pertanian dengan menggunakan teknologi penginderaan jauh. Namun, diperlukan pemantauan lahan jagung yang spesifik. Oleh karena itu, dalam penelitian ini, bertujuan untuk mengidentifikasi lahan jagung dan sebaran varietas tanaman jagung di Kabupaten Ngawi menggunakan data citra satelit Landsat-9 dengan metode Random Forest dan Linier Spectral Unmixing. Selain itu, citra Sentinel-2 digunakan untuk menentukan fase tanam jagung menggunakan algoritma NDVI dan NDWI. Hasil klasifikasi lahan jagung dan non-jagung didapat overall accuracy sebesar 97,6%, kappa 84%, didapat lahan jagung seluas 64,756 dan diterapkan nilai threshold fase generatif akhir seluas 64,364 Sebaran varietas dominan yang terdeteksi dari hasil pengolahan adalah NK Sumo, NK Perkasa, NK Wirosableng, dan Varietas lain (selain Bisi-18, NK Sumo, NK Perkasa, dan NK Wirosableng) dengan luasan sebesar 0,000* atau 880 ; 7,800 ; 22,662 ; 33,900 . Namun, didapatkan perbedaan hasil yang diperoleh tersebut dapat didasarkan oleh beberapa faktor diantaranya adalah ketersediaan pustaka spektral dan resolusi spasial citra yang digunakan. Oleh karena itu, dilakukan uji akurasi RMSe menggunakan nilai Residual Erorr Piksel pada Citra Landsat-9 didapatkan hasil nilai 0,019–0,042 dengan nilai rata-rata yaitu sebesar 0,031. Hasil menunjukan pemisahan nilai fraksi campuran menggunakan metode LSU memiliki error sebesar ± 3,1%, hasil kesalahan error tersebut dapat memberikan nilai persentase fraksi endmember dari setiap varietas lahan jagung di Kabupaten Ngawi.
References
Argo Subekti. (2016). Morfologi Tanaman dan Fase Pertumbuhan Jagung. https://www.academia.edu/
BPS. (2023). Kabupaten Ngawi Dalam Angka. http://www.bps.go.id/
Breiman, L. (2001). Random Forests (Vol. 45). https://link.springer.com/article/10.1023/a:1010933404324
Cavalli, R. M. (2022). Spatial Validation of Spectral Unmixing Results: A Case Study of Venice City. Remote Sensing, 14(20). https://doi.org/10.3390/rs14205165
Cipta, I. M., Jaelani, L. M., & Sanjaya, H. (2022). Identification of Paddy Varieties from Landsat 8 Satellite Image Data 2 Using Spectral Unmixing Method in Indramayu Regency, Indonesia 3. ISPRS Int. J. Geo-Inf, 11. https://doi.org/10.3390/ijgi11100510 .
ESA. (2022). Sentinel-2 Products Specification Document. https://sentinels.copernicus.eu/web/sentinel/document-library/
Hikmawati M. (2019). AGRI-TEK: Jurnal Ilmu Pertanian,Kehutanan dan Agroteknologi. AGRI-TEK: Jurnal Ilmu Pertanian,Kehutanan Dan Agroteknologi. http://agritek.unmermadiun.ac.id/index.php/agritek
Kayad, A., Sozzi, M., Gatto, S., Marinello, F., & Pirotti, F. (2019). Monitoring within-field variability of corn yield using sentinel-2 and machine learning techniques. Remote Sensing, 11(23). https://doi.org/10.3390/rs11232873
Keshava, N. (2002). Spectral unmixing. IEEE Signal Processing Magazine, 19(1), 44–57. https://doi.org/10.1109/79.974727
Klein, A. G., & Isacks, B. L. (1999). Spectral mixture analysis of Landsat thematic mapper images applied to the detection of the transient snowline on tropical Andean glaciers. In Global and Planetary Change (Vol. 22). www.elsevier.comrlocatergloplacha
Landsat Missions. (2021). Landsat 9. USGS. https://www.usgs.gov/landsat-missions/landsat-9
Li, K., & Chen, Y. (2018). A Genetic Algorithm-based urban cluster automatic threshold method by combining VIIRS DNB, NDVI, and NDBI to monitor urbanization. Remote Sensing, 10(2). https://doi.org/10.3390/rs10020277
Lin, F., Zhang, D., Huang, Y., Wang, X., & Chen, X. (2017). Detection of corn and weed species by the combination of spectral, shape and textural features. Sustainability (Switzerland), 9(8). https://doi.org/10.3390/su9081335
Nadya Dwi M. (2021). Klasifikasi Lahan Pertanian Jagung Menggunakan Machine Learning Berdasarkan Data Citra LANDSAT-8. IPB Bogor. https://repository.ipb.ac.id/handle/123456789/110122
Nurlina. (2009). Analisis Spektral Campuran Linier untuk Deteksi Tutupan Lahan di Daerah Perkotaan menggunakan Data Satelit Landsat ETM+ (Studi Kasus Kota Banjarbaru dan Sekitarnya). Jurnal Fisika FlUX. https://ppjp.ulm.ac.id/journal/index.php/f/article/view/3045
Pemerintah Kabupaten Ngawi. (2020). Letak Geografis. https://ngawikab.go.id/letak-geografis/
Phiri, D., Simwanda, M., Salekin, S., Nyirenda, V. R., Murayama, Y., & Ranagalage, M. (2020). Sentinel-2 data for land cover/use mapping: A review. In Remote Sensing (Vol. 12, Issue 14). MDPI AG. https://doi.org/10.3390/rs12142291
Salehi S, H. (2020). Automatic silage maize detection based on phenological rules using Sentinel-2 time-series dataset. International Journal of Remote Sensing, 41(21), 8406–8427. https://doi.org/10.1080/01431161.2020.1779377
Shen, R., Dong, J., Yuan, W., Han, W., Ye, T., & Zhao, W. (2022). A 30 m Resolution Distribution Map of Maize for China Based on Landsat and Sentinel Images. Journal of Remote Sensing, 2022. https://doi.org/10.34133/2022/9846712
Syngenta. (2022). Syngenta Indonesia. https://www.syngenta.co.id/products/search/seed
Tian, J., Wang, L., Yin, D., Li, X., Diao, C., Gong, H., Shi, C., Menenti, M., Ge, Y., Nie, S., Ou, Y., Song, X., & Liu, X. (2020). Development of spectral-phenological features for deep learning to understand Spartina alterniflora invasion. Remote Sensing of Environment, 242. https://doi.org/10.1016/j.rse.2020.111745
Wulandari, B. A., & Muhamad Jaelani, L. (2019). Artikel ini dapat ditemukan di Identifikasi Fase Pertumbuhan Tanaman Jagung Menggunakan Citra SAR Sentinel-1A (Studi Kasus: Kecamatan Gerung, Lombok Barat, NTB). http://jurnal.mapin.or.id/index.php/jpji/issue/archive
Zhong, L., Hu, L., Yu, L., Gong, P., & Biging, G. S. (2016). Automated mapping of soybean and corn using phenology. ISPRS Journal of Photogrammetry and Remote Sensing, 119, 151–164. https://doi.org/10.1016/j.isprsjprs.2016.05.014
