PRECISION AGRICULTURE BERBASIS CITRA REMOTE SENSING UNTUK MENENTUKAN KESESUAIAN VARIETAS TANAMAN PADI MENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)

Apriliani, Annisa and KUSUMANINGRUM, RETNO (2017) PRECISION AGRICULTURE BERBASIS CITRA REMOTE SENSING UNTUK MENENTUKAN KESESUAIAN VARIETAS TANAMAN PADI MENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ). Undergraduate thesis, Universitas Diponegoro.

[img]
Preview
PDF
Available under License Creative Commons Attribution Non-commercial Share Alike.

494Kb

Abstract

Padi (Oryza sativa L) merupakan bahan pangan utama bagi hampir seluruh rakyat Indonesia. Terdapat tiga varietas padi di Indonesia yakni hibrida, unggul dan lokal. Varietas padi unggul merupakan padi hasil persilangan terbaik yang sudah didistribusikan secara langsung oleh pemerintah. Tingginya tingkat konsumsi padi berbanding terbalik dengan hasil produksi padi dari para petani di Indonesia. Kurangnya produksi padi mendorong diperlukannya peningkatan penanaman padi. Semakin tinggi penanaman maka dibutuhkan lahan baru untuk dijadikan media tanam. Selama ini proses survey dilakukan secara manual dengan datang langsung lokasi. Hal ini menjadi kurang efektif karena memakan waktu dan biaya. Dalam remote sensing atau pengindraan jarak jauh dapat diketahui kondisi suatu wilayah tanpa peninjauan langsung ke lokasi. Kondisi suatu wilayah tersebut dapat ditentukan melalui pengolahan terhadap fitur-fitur citra satelit. Fitur-fitur yang dapat digunakan meliputi NDVI, NDSI, NDWI dan BI namun belum diketahui kombinasi terbaik dari keempat fitur tersebut yang dapat menghasilkan akurasi tertinggi. Sehingga perlu dilakukan suatu penelitian untuk mengetahui kombinasi terbaik terhadap fitur citra Remote Sensing menggunakan metode Learning Vector Quantization (LVQ) dengan inputan keempat fitur. Sedangkan lapisan keluaran merupakan 3 varietas padi unggul yakni INPARA, INPARI dan INPAGO. Data yang digunakan dalam penelitian ini berjumlah 150 data citra satelit Landsat-8 dengan jumlah seimbang untuk ketiga varietas padi, dimana 135 data digunakan sebagai data latih dan 15 data untuk data uji. Pengujian dilakukan dengan menggunakan K-Fold Cross Validation dengan nilai k = 10. Aplikasi ini menghasilkan arsitektur LVQ terbaik dengan alfa = 0.01, epsilon 0.001 dan maksimum epoch sebanyak 3000 epoch untuk kombinasi standar deviasi NDWI (sdNDWI) dan standar deviasi BI (sdBI) dengan akurasi sebesar 56%.

Item Type:Thesis (Undergraduate)
Subjects:Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76 Computer software
Divisions:Faculty of Science and Mathematics > Department of Computer Science
ID Code:60644
Deposited By:INVALID USER
Deposited On:09 Feb 2018 14:13
Last Modified:09 Feb 2018 14:13

Repository Staff Only: item control page