Hasil Pencarian  ::  Simpan CSV :: Kembali

"Gangguan pertumbuhan tanaman yang disebabkan oleh serangan hama dan penyakit dapat menganggu pencapaian program ketahanan pangan. Identifikasi gangguan pertumbuhan tanaman secara akurat dan cepat dapat dilakukan dengan teknologi pengideraan jauh. Serangan hama penggerek batang telah lama ditemui dan menjadi masalah di daerah produsen padi seperti Kecamatan Margoyoso, Kabupaten Pati. Tujuan dari penelitian ini adalah untuk menganalisis gangguan pertumbuhan pada tanaman padi berdasarkan nilai NDVI, NDWI, dan NDYI dari data citra Sentinel-2 pada lahan sawah irigasi di Kecamatan Margoyoso, Kabupaten Pati dan mensintesis pola spektral tanaman padi yang terserang HPT serta mengetahui hubungan antara parameter iklim dengan luasan lahan sawah yang terserang hama penggerek batang padi. Variabel yang digunakan adalah indeks pertumbuhan tanaman padi yang diakses dan diolah secara online menggunakan Google Earth Engine yang berbasis cloud computing. Penelitian ini menggunakan citra Sentinel-2 berbasis open source. Pada citra Sentinel-2 multispektral diterapkan algoritma NDVI, NDWI, dan NDYI untuk mengetahui ada atau tidak adanya gangguan pertumbuhan tanaman padi di Kecamatan Margoyoso, Kabupaten Pati. Pola spektral tanaman yang terinfeksi diketahui dengan menggunakan data spektrometer. Pengaruh parameter iklim terhadap luasan serangan hama diketahui berdasarkan pada analisis regresi. Hasil kajian diperoleh bahwa. Organisme Pengganggu Tamanan (OPT) yang menyebabkan kerusakan paling luas adalah penggerek batang padi. Terdapat dua kelas kondisi pertumbuhan tanaman mulai dari awal tanam sampai fase vegetatif maksimum, yaitu sehat dan terganggu. Kelas yang sehat seluas 522,51 Ha atau 57,42 %, sedangkan kelas terganggu luasnya 68,59 Ha atau 5,95 %. Sisanya termasuk kedalam tidak terkelaskan. Band NIR merupakan panjang gelombang yang paling sensitif terhadap serangan hama penggerek batang maupun WBC. Curah hujan dan suhu tidak memiliki korelasi dengan luasan serangan hama penggerek batang. Kelembaban dan energi matahari berkorelasi dengan luasan serangan hama penggerek batang. Informasi hubungan parameter iklim dengan serangan hama penyakit tanaman dapat digunakan sebagai antisipasi pencegahan terjadinya serangan hama penyakit tanaman, agar kehilangan hasil tanaman dapat ditekan.

---

Pest and disease infestation disturb plant growth as well as threaten food security. Identification of plant growth disorders accurately and quickly can be done with remote sensing technology. Stem borer infestation is endemic and become a problem in rice producing areas i.e., Margoyoso Sub-district, Pati Regency. The objective of this study was to analyze growth disturbances of rice based on NDVI, NDWI, and NDYI from Sentinel-2 image data on irrigated rice fields in Margoyoso District, Pati Regency, synthesize the spectral pattern of rice plants attacked by HPT and to investigate the relationship between climate parameters and pest-disease infestation. The variable used is the rice plant growth index which is accessed and processed online using the Google Earth Engine based on cloud computing. Sentinel-2 imagery based on open source was used in this study. During the usage of Sentinel-2 multi-spectral image, the NDVI, NDWI, AND NDYI algorithm was applied to determine the presence or absence of rice plant growth disturbances. The spectral pattern of infected plants is known by using spectrometer data. The regressions were done to analyze the effect of climate parameters on the pest-disease infestation. The results showed that the largest area of pest-disease infestation was caused by stem borer. There are two classes of plant growth conditions from the beginning of planting to the maximum vegetative phase, namely healthy and disturbed. The healthy class area is 522.51 ha or 57.42%, while the disturbed class is 68.59 ha or 5.95%. The rest are classified as unclassified. The NIR band is the most sensitive wavelength to stem borer and WBC attacks. There are no correlations between the stem borer infestation area and rainfall as well as temperature. There are correlations between the stem borer infestation area and both of humidity and solar energy. Information on the relationship between climate parameters and pest-disease infestation can be used to anticipate pest-disease infestation in future, so yield losses can be minimized."

"Beras merupakan makanan pokok mayoritas masyarakat Indonesia. Jika dibandingkan dengan konsumsi tahun 2019, konsumsi beras nasional meningkat sekitar 4,67 persen pada tahun 2021. Hal ini menunjukan bahwa setiap tahun konsumsi beras nasional akan meningkat karena seiring dengan pertumbuhan jumlah penduduk Indonesia. Sehingga dibutuhkan data produksi beras yang akurat dan tepat waktu untuk dapat menjaga ketersediaan stok beras nasional. Data citra satelit bisa menjadi alternatif untuk memprediksi produksi padi dikarenakan kekurangan yang dimiliki oleh metode survei yang dilakukan oleh BPS yaitu biaya yang cukup tinggi dan terdapat tenggang waktu diseminasi data. Gabungan citra SAR dan Optik dapat meningkatkan akurasi dari model yang dibangun. Selain itu penggunaan model deep learning memiliki akurasi yang lebih baik jika dibandingkan metode machine learning konvensional salah satunya kombinasi CNN dan Bi-LSTM yang mampu mengekstraksi fitur serta memiliki kemampuan untuk memodelkan data temporal dengan baik. Output yang diperoleh dengan menggunakan metode CNNBiLSTM untuk mengklasifikasikan fase pertumbuhan padi, menghasilkan akurasi yang terbaik dengan nilai akurasi 79,57 pada data testing dan 98,20 pada data training serta F1-score 79,78. Dengan menggunakan kombinasi data citra sentinel 1 dan 2 akurasi dari model LSTM dapat ditingkatkan. Selanjutnya akurasi yang didapatkan untuk model regresi produktivitas padi masih kurang baik. Akurasi terbaik dihasilkan oleh model random forest dengan nilai MAPE 0.1336, dan RSME 0,6871.

---

Rice is the staple food of the majority of Indonesian people. When compared to consumption in 2019, national rice consumption will increase by around 4.67 percent in 2021. This shows that every year rice consumption will increase in line with the growth of Indonesia's population. So that accurate and timely rice production data is needed to be able to maintain the availability of national rice stocks. Satellite imagery data can be an alternative for predicting rice production due to the drawbacks of the survey method conducted by BPS, which relatively high cost and the time span for data dissemination. The combination of SAR and Optical images can increase the accuracy of the model built. In addition, the use of deep learning models has better accuracy when compared to classical machine learning methods, one of them is the combination of CNN and Bi-LSTM which are able to extract features and have the ability to model temporal data properly. The output obtained using the CNNBiLSTM method to classify rice growth phases, produces the best accuracy with an accuracy value of 79.57 on testing data and 98.20 on training data and an F1-score of 79.78. By using a combination of sentinel 1 and 2 image data, the accuracy of the LSTM model can be improved. Furthermore, the accuracy obtained for the rice production regression model is still not good. The best accuracy was produced by the random forest model with a MAPE value of 0.1336 and RSME of 0.6871."