Hasil Pencarian  ::  Simpan CSV :: Kembali

"Indonesia, sebagai salah satu negara agraris terbesar di dunia, memiliki sektor pertanian padi yang berperan penting dalam ketahanan pangan dan kontribusi sebesar 2,32% terhadap PDB nasional pada tahun 2022. Upaya dalam menjaga ketahanan pangan yang juga menjadi prioritas utama dalam Sustainable Development Goals (SDGs) ini mengalami tantangan-tantangan yang harus dihadapi seperti perubahan iklim, alih fungsi lahan, dan peningkatan jumlah penduduk. Tantangan-tantangan tersebut membuat penerapan teknologi dan inovasi terbaru untuk pemetaan lahan sawah menjadi sangat penting dalam mengestimasi produksi padi secara akurat dan mendukung ketahanan pangan, seperti penggunaan metode machine learning terbaru. Metode TransUNet yang dikembangkan pada tahun 2021, akhir-akhir ini mulai banyak digunakan untuk analisis data vegetasi, dan metode ini menunjukkan potensi dalam penggunaan pemetaan lahan persawahan. Penelitian ini bertujuan untuk mengembangkan model pemetaan lahan sawah melalui integrasi data satelit Sentinel-1 dan Sentinel-2 menggunakan metode deep learning TransUNet. Menggunakan data gabungan dari satelit Sentinel-1 yang berbasis Synthetic Aperture Radar (SAR), dan data optik dari satelit Sentinel-2 beserta empat jenis indeks vegetasi, yaitu NDVI, EVI, LSWI, dan NDWI. Hasil terbaik diperoleh dari integrasi data Sentinel-1 (VV+VH speckle filter) dan Sentinel-2 (selected bands), menghasilkan performa segmentasi lahan sawah tertinggi dengan nilai Overall Accuracy (OA) sebesar 98.12%, precision sebesar 97.4%, recall sebesar 98.5%, dice coefficient sebesar 97.9%, dan Intersection over Union (IoU) sebesar 95.9%. Hasil penelitian ini menyimpulkan bahwa segmentasi lahan persawahan menggunakan model TransUNet dengan integrasi data dari dua satelit menghasilkan performa segmentasi yang lebih baik dibandingkan penggunaan data dari satu satelit saja.

---

Indonesia, as one of the largest agrarian countries in the world, has a rice farming sector that plays a crucial role in food security and contributed 2.32% to the national GDP in 2022. Efforts to maintain food security, which is also a primary priority in the Sustainable Development Goals (SDGs), face several challenges such as climate change, land-use conversion, and population growth. These challenges highlight the importance of applying the latest technologies and innovations for mapping rice fields to accurately estimate rice production and support food security, such as utilizing advanced machine learning methods. TransUNet, a method developed in 2021, has recently been widely applied in vegetation data analysis and shows potential for use in rice field mapping. This study aims to develop a rice field mapping model through the integration of Sentinel-1 and Sentinel-2 satellite data using the TransUNet deep learning method. It utilizes combined data from Sentinel-1's Synthetic Aperture Radar (SAR)-based data and optical data from Sentinel-2, along with four types of vegetation indices: NDVI, EVI, LSWI, and NDWI. The best results were achieved through the integration of Sentinel-1 data (VV+VH speckle filter) and Sentinel-2 data (selected bands), yielding the highest segmentation performance with an Overall Accuracy (OA) of 98.12%, precision of 97.4%, recall of 98.5%, dice coefficient of 97.9%, and Intersection over Union (IoU) of 95.9%. This study concludes that rice field segmentation using the TransUNet model with integrated data from two satellites achieves better segmentation performance compared to using data from a single satellite alone. "

"Meluasnya alih fungsi lahan sawah ke non-sawah menyebabkan susutnya lahan pertanian secara progresif sehingga mempengaruhi ketahanan pangan. Mengacu kepada program Sustainable Development Goals(SDGs) oleh Persatuan Bangsa Bangsa (PBB), terdapat 17 program yang bertujuan untuk mencapai kesejahteraan rakyat. Pemetaan lahan sawah dengan menggunakan penginderaan jauh merupakan salah satu metode yang dapat digunakan untuk mengukur luas lahan sawah secara lebih detail untuk mewujudkan ketahanan pangan di Indonesia. Kecerdasan Buatan (AI) merupakan metode unggul untuk deteksi objek yang dapat digunakan untuk mengurangi dampak alih fungsi lahan yang tidak terkendali. Pada penelitian ini dikembangkan metode klasifikasi luas lahan sawah per persil menggunakan metode kecerdasan buatan pada data citra satelit optik Pleiades Satelit Resolusi Sangat Tinggi (CSRST) yang memiliki resolusi sangat tinggi dengan arsitektur U-net untuk mengklasifikasikan lahan sawah dan non-sawah. Citra yang digunakan diambil pada tanggal 2 Juni 2022. Dataset yang digunakan berjumlah 757 citra images dan 757 citra masking dengan ukuran masing-masing 256×256 piksel dengan ukuran 3 channel (RGB). Beberapa parameter tuning diterapkan pada model ini berupa komposisi data 80:20, Learning Rate 1×10-2, dropout layer 0,5, maxpooling layer dan menggunakan fungsi aktivasi ReLU dan softmax. Model yang dibuat memiliki nilai accuracy 0,6085, serta F1 score 0,2438 (kelas non-sawah) dan 0,7359 (kelas sawah), nilai IoU yang didapatkan sebesar 0,1388 (kelas non-sawah), dan 0,5822 (kelas sawah)  dengan mengambil kawasan persawahan di Kecamatan Manisrenggo, Kabupaten Klaten, Jawa Tengah, diperoleh luasan sawah sebesar 1.393 (Ha). Performa ini lebih rendah dibandingkan metode R2U-net dengan Douglas-Peucker Algorithm (DPA) yang menghasilkan niai accuracy 84,15%. Hal tersebut terjadi karena kelas non sawah berupa bangunan dan jalan tidak dapat dideteksi secara akurat pada model yang telah dibuat.

---

The widespread conversion of rice fields to non-rice fields causes a progressive reduction in agricultural land, thereby affecting food security. Referring to the Sustainable Development Goals (SDGs) program by the United Nations (UN), there are 17 programs that aim to achieve people's welfare. Mapping rice fields using remote sensing is one method that can be used to measure the area of ​​rice fields in more detail to achieve food security in Indonesia. Artificial Intelligence (AI) is a superior method for object detection that can be used to reduce the impact of uncontrolled land conversion. In this research, a method for classifying the area of ​​rice fields per parcel was developed using artificial intelligence methods on Pleiades Very High Resolution Satellite (CSRST) optical satellite image data which has very high resolution with U-net architecture to classify rice fields and non-rice fields. The images used were taken on June 2 2022. The dataset used consisted of 757 images and 757 masking images with a size of 256×256 pixels each with a size of 3 channels (RGB). Several tuning parameters are applied to this model in the form of data composition 80:20, Learning Rate 1×10-2, dropout layer 0.5, maxpooling layer and using ReLU and softmax activation functions. The model created has an accuracy value of 0.6085, and an F1 score of 0.2438 (non-paddy field class) and 0.7359 (rice field class), the IoU values ​​obtained are 0.1388 (non-rice field class) and 0.5822 (rice field class) by taking the rice field area in Manisrenggo District, Klaten Regency, Central Java, we obtained a rice field area of ​​1,393 (Ha). This performance is lower than the R2U-net method with the Douglas-Peucker Algorithm (DPA) which produces an accuracy value of 84.15%. This happens because non-rice field classes in the form of buildings and roads cannot be detected accurately in the model that has been created."