Klasifikasi Fase Pertumbuhan Tanaman Padi Berdasarkan Data Citra Multitemporal Satelit Landsat-8 dengan Metode Convolutional Neural Network (Studi Kasus Sampel Survei KSA Kabupaten Poso, Provinsi Sulawesi Tengah)

Aniesiy, Syafniya Zilfah (2022) Klasifikasi Fase Pertumbuhan Tanaman Padi Berdasarkan Data Citra Multitemporal Satelit Landsat-8 dengan Metode Convolutional Neural Network (Studi Kasus Sampel Survei KSA Kabupaten Poso, Provinsi Sulawesi Tengah). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 06211840000026-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Survei KSA hasil kolaborasi antara BPS dengan BPPT pada tahun 2018 bertujuan untuk mengestimasi luas panen padi dengan mengamati fase pertumbuhan padi yang dilakukan dengan pengambilan sampel berukuran 300 meter 300 meter yang diambil secara acak. Namun Survei KSA tersebut cukup banyak mengeluarkan biaya dan sumber daya lainnya. Berbeda apabila menggunakan citra satelit dimana citra satelit sudah populer digunakan untuk memprediksi tanaman oleh komunitas penginderaan jauh karena memiliki banyak informasi vegetasi dengan cepat, global, dan gratis. Citra satelit yang digunakan adalah satelit Landsat-8 dengan akses gratis. Tidak seperti Survei KSA yang melakukan pengambilan sampel secara langsung, penelitian ini menggunakan metode CNN yang lebih terukur, murah dan real time dengan data penginderaan jauh yang tersedia untuk umum. Penelitian ini fokus klasifikasi fase pertumbuhan padi dilakukan di Kabupaten Poso, Provinsi Sulawesi Tengah, Indonesia sebagai studi kasus. Citra satelit yang digunakan adalah satelit Landsat-8. Untuk tahapan yang dilakukan pada penelitian ini dimulai dari pengambilan data dari citra satelit Landsat-8, melakukan pre-processing, kemudian membagi data menjadi training dan testing, dilanjutkan dengan penerapan metode CNN dan dilakukan evaluasi model dimana evaluasi model tersebut menggunakan sensitivity, specificity, accuracy, dan Cohen Kappa Index dan diperoleh nilai akurasi yang rendah, yaitu sebesar 0,2647, sensitivity sebesar 0,2488, specificity sebesar 0,2485 dan cohen kappa index sebesar 0,0648 sedangkan pada CNN dengan data hasil pre-processing brightness didapatkan akurasi 0,2687, sensitivity sebesar 0,25, specificity sebesar 0,2499 dan cohen kappa index sebesar 0,0673. Data padi yang digunakan pada sampel KSA ini cenderung lebih banyak pada fase panen dan cenderung sedikit pada fase persiapan lahan. Hasil prediksi panen tanaman padi diperoleh hasil yang tergolong buruk karena dianggap gagal dalam memprediksi panen tanaman padi.
==============================================================================================================================
The KSA survey as a result of the collaboration between BPS and BPPT in 2018 aims to estimate the rice harvested area by observing the rice growth phase which was carried out by taking a sample measuring 300 meters × 300 meters which was taken at random. However, the KSA survey was quite costly and other resources. It is different when using satellite imagery where satellite imagery has been popularly used to predict plants by the remote sensing community because it has a lot of vegetation information quickly, globally, and free of charge. The satellite imagery used is the Landsat-8 satellite with free access. Unlike the KSA Survey which conducted direct sampling, this study uses the CNN method which is more scalable, inexpensive and real time with publicly available remote sensing data. This research focuses on the classification of rice growth phases in Poso Regency, Central Sulawesi Province, Indonesia as a case study. The satellite image used is the Landsat-8 satellite. For the steps carried out in this study, starting from data collection from Landsat-8 satellite imagery, doing pre-processing, then dividing the data into training and testing, followed by the application of the CNN method and evaluation of the model where the evaluation of the model uses sensitivity, specificity, accuracy., and the Cohen Kappa Index and obtained a low accuracy value, which is 0.2647, sensitivity is 0.2488, specificity is 0.2485 and the Cohen Kappa index is 0.0648 while on CNN with data from pre-processing brightness the accuracy is 0..2687, sensitivity of 0.25, specificity of 0.2499 and the cohen kappa index of 0.0673. The rice data used in this KSA sample tended to be more in the harvest phase and less in the land preparation phase. The results of the prediction of the rice crop yields obtained are classified as poor because they are considered to fail in predicting the rice crop harvest.

Item Type:	Thesis (Other)
Additional Information:	RSSt 519.53 Ani k-1 2022
Uncontrolled Keywords:	CNN. Kerangka Sampel Area. Landsat-8. Padi. CNN, Kerangka Sampel Area, Landsat-8, Paddy.
Subjects:	H Social Sciences > HA Statistics
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	10 Jun 2026 04:25
Last Modified:	10 Jun 2026 04:25
URI:	http://repository.its.ac.id/id/eprint/133688

Actions (login required)

View Item