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. "

"Kabupaten Jember dan Banyuwangi merupakan sentra produksi padi di Jawa Timur. Perhitungan luas tanam, luas panen, dan produksi padi sawah secara konvensional telah dilakukan oleh berbagai instansi di Indonesia. Namun hasil perhitungan tersebut dipublikasi setahun kemudian. Pengumpulan data yang akurat dan dalam waktu yang relatif singkat serta bersifat kuantitatif maupun spasial dapat dilakukan dengan metode penginderaan jauh. Penelitian ini bertujuan mengetahui kemampuan MODIS untuk mengestimasi luas panen dan produksi padi. Metode menggunakan citra MODIS MSAVI2 16 harian dari bulan Januari 2014 hingga Januari 2016 yang kemudian dianalisis regresi linier berganda untuk mengidentifikasi piksel yang merupakan vegetasi padi. Hasilnya menunjukan distribusi spasial padi terlihat pada grup piksel F, P, dan S pada citra. Dari fenologi padi pada citra juga terlihat ketiga grup tersebut memiliki masa tanam yang relatif sama. Hasil perhitungan ini telah divalidasi dengan data BPS dan memiliki kesalahan perhitungan sebesar 33% untuk luas panen dan 30% untuk produksi padi. Besarnya standar eror estimasi ini disebabkan MODIS memiliki resolusi 1 pikselnya 250 m × 250 m atau sekitar 6,25 hektar. Sehingga sawah yang menempati kurang dari setengah piksel atau kurang dari 6,25 hektar akan teridentifikasi sebagai vegetasi lain dan terbuang dari klasifikasi sawah.

---

Jember and Banyuwangi are regencies with the highest rice production in East Java. Calculation of planting area, harvested area, and rice production have conventionally been carried out by various agencies in Indonesia. But the results can be seen a year later. Accurate data collection and in a relatively short time and both quantitatively and spatially can be done using remote sensing methods. This study aimed to study the ability of MODIS to estimate harvested area and production of rice. The method of using MODIS imagery MSAVI2 16 days composite from January 2014 to January 2016 were analyzed multiple linear regression to identify the pixels that constitute the vegetation of rice.

The result shows the spatial distribution of rice looks at the pixel group F, P and S in the image. Phenology of rice in the image is also shown relatively the same planting season. Calculation result has been validated by the BPS and has an error of 33% under estimate for harvested area and 30% under estimate for rice production. The magnitude of the estimated standard error caused MODIS has a pixel resolution of 250 m × 250 m or about 6,25 hectars. As a result the fields that occupy less than half the pixels or less than 6,25 hectares will be identified as other vegetation and eliminated from the classification of paddy."

"Beras merupakan bahan pangan pokok dengan tingkat kebutuhan tinggi di kawasan Asia Tenggara, termasuk Indonesia yang menjadi produsen padi terbesar di kawasan ini. Sektor pertanian, khususnya produksi padi, berperan penting dalam mendukung misi Sustainable Development Goals (SDGs) untuk mencapai ketahanan pangan. Namun, tantangan seperti alih fungsi lahan dan perubahan iklim mengancam keberlanjutan produksi padi, termasuk di Kabupaten Indramayu, salah satu lumbung padi utama di Jawa Barat. Untuk mendukung pengelolaan lahan pertanian yang berkelanjutan, pemetaan padi berbasis pengindraan jauh menjadi solusi yang efisien, memanfaatkan teknologi satelit seperti Sentinel-2 dan Landsat-8. Penelitian ini bertujuan untuk memetakan distribusi padi di Kabupaten Indramayu dengan mengintegrasikan metode Convolutional Neural Network (CNN) untuk ekstraksi fitur spektral-temporal dan algoritma Extreme Gradient Boosting (XGBoost) untuk klasifikasi. Hasil penelitian menunjukkan bahwa skema fitur terbaik, yaitu kombinasi data Raw Spectral Bands dengan NDVI, menghasilkan tingkat Overall Accuracy tertinggi sebesar 98,90%. Selain itu, metrik evaluasi lainnya seperti Recall, Precision, dan F1-Score juga menunjukkan hasil tertinggi, masing-masing sebesar 98,90%, yang mencerminkan kemampuan model yang konsisten dalam membedakan area padi dan non-padi. Model CNN-XGBoost menunjukkan kinerja yang lebih baik dibandingkan model CNN murni, dengan akurasi yang lebih tinggi dan hasil evaluasi yang lebih optimal. Dengan memanfaatkan data multispektral dan multitemporal dari kedua satelit, penelitian ini memberikan kontribusi signifikan dalam mendukung pengambilan keputusan berbasis data untuk pengelolaan pertanian yang berkelanjutan, sekaligus memperkuat upaya ketahanan pangan nasional.

---

Rice is a staple food with high demand in Southeast Asia, including Indonesia, which is the largest rice producer in the region. The agricultural sector, particularly rice production, plays a crucial role in supporting the Sustainable Development Goals (SDGs) for achieving food security. However, challenges such as land conversion and climate change threaten the sustainability of rice production, including in Indramayu Regency, one of the main rice granaries in West Java. To support sustainable agricultural land management, rice mapping based on remote sensing provides an efficient solution, utilizing satellite technologies such as Sentinel-2 and Landsat-8. This study aims to map the distribution of rice in Indramayu Regency by integrating the Convolutional Neural Network (CNN) method for spectral-temporal feature extraction and the Extreme Gradient Boosting (XGBoost) algorithm for classification. The results show that the best feature scheme, a combination of Raw Spectral Bands and NDVI, achieves the highest Overall Accuracy of 98.90%. Additionally, other evaluation metrics such as Recall, Precision, and F1-Score also show the highest values, each at 98.90%, reflecting the model's consistent ability to distinguish between rice and non-rice areas. The CNN-XGBoost model outperforms the pure CNN model, with higher accuracy and better evaluation results. By utilizing multispectral and multitemporal data from both satellites, this study significantly contributes to data-driven decision-making for sustainable agricultural management, while strengthening national food security efforts."

"

Kabupaten Subang merupakan penghasil padi ketiga terbanyak di Jawa Barat. Sekitar 41 % dari total luas wilayah kabupaten merupakan area persawahan. Penelitian ini dilakukan untuk mengetahui bagaimana pola spasial jumlah produksi lahan sawah dengan menggunakan citra satelit Sentinel-1A berdasarkan topografi dan hubungan antara produksi lahan sawah dengan karakteristik wilayah di Kabupaten Subang. Data citra Sentinel-1A yang digunakan dalam penelitian ini adalah citra Bulan Januari-Juni tahun 2018 dan 2019. Penelitian ini menggunakan Google Earth Engine untuk mengolah data citra Sentinel-1. Klasifikasi masa panen dan bukan panen menggunakan metode maximum likelihood. Karakteristik wilayah yang dianalisis dalam penelitian ini yaitu wilayah ketinggian, jenis tanah, dan ketersediaan air. Hasil penelitian ini menunjukkan bahwa perhitungan produksi padi dengan Citra Sentinel-1 memiliki nilai R² sebesar 0,58. Namun, nilainya akan semakin kecil pada wilayah yang tinggi dan bergelombang. Nilai R² pada wilayah ketinggian <100 mdpl sebesar 0,57, sementara nilai R² pada ketinggian 500-1.000 mdpl sebesar 0,09. Hal ini menunjukkan bahwa Sentinel-1 lebih baik digunakan untuk menghitung produksi pada wilayah datar dan rendah. Produksi padi di pada wilayah ketinggian rendah dan datar lebih banyak daripada produksi di wilayah tinggi dan berbukit. Produksi padi terbanyak ada pada Bulan April-Mei. Jenis tanah yang memiliki produksi paling banyak adalah jenis Typic Epiaquepts. Ketersediaan air juga mempengaruhi besarnya produksi padi.

---

Subang Regency is the third largest rice producer in West Java. Around 41 % of the total area of the regency is paddy fields. The study was conducted to find out how the spatial pattern of total rice field production using Sentinel-1A satellite imagery based on topography and the relationship between rice field production with regional characteristics in Subang Regency. Sentinel-1A image data used in this study are January-June 2018 and 2019 images. This study uses the Google Earth Engine (GEE) to process Sentinel-1 image data. Classification of harvest and non-harvest periods using the maximum likelihood method. The characteristics of the area analyzed in this study are the height, soil type, and water availability. The results of this study indicate that the calculation of rice production with Sentinel-1 Citra has an R² value of 0.58. The value of R² in altitude area <100 meters below sea level is 0,57, while the value of R² in the altitude area of 500-1.000 meters below sea level is 0,09. However, the value will be smaller in high and bumpy areas. The study concluded that Sentinel-1 is better used to calculate production in the flat and low regions. Rice production in low and flat altitude areas is more than production in high and hilly areas. The most rice production is in April-May. The type of soil that has the most production is Typic Epiaquepts. Water availability also affects the amount of rice production.

"

"Padi mempunyai peran penting dalam menjamin ketahanan pangan di Indonesia, sehingga penelitian terkait lahan sawah sangat penting. Identifikasi lahan sawah dari data penginderaan jauh dengan akurasi yang tinggi di wilayah tropik Indonesia merupakan tantangan penelitian. Metode yang paling akurat untuk identifikasi lahan sawah adalah dengan menggunakan pendekatan fenologi dan integrasi data multi-sumber. Namun, pendekatan ini tidak mempertimbangkan karakteristik spektral dan temporal yang rinci. Penelitian ini mengusulkan penggabungan semua fitur spektral dan fitur temporal yang rinci dengan mempertimbangkan periode musim tanam padi dari data sensor optik Sentinel-2 dan sensor SAR Sentinel-1 dengan tujuan mendapatkan klasifikasi lahan sawah dengan akurasi tinggi. Metode identifikasi lahan sawah dalam penelitian ini meliputi pengolahan awal, ekstraksi fitur temporal dengan kuantil rinci, seleksi fitur spektro-temporal dengan menggunakan Leave-One-Out (LOO), fusi fitur dan klasifikasi dengan algoritma machine learning. Hasil penelitian menunjukkan bahwa klasifikasi lahan sawah terbaik adalah dengan menggunakan periode tanam pada musim hujan. Fitur spektral dan temporal (spektro-temporal) terbaik untuk data optik adalah kuantil 30% dan 90% dari Short Wave Infra-Red-1 (SWIR1), RedEdge-4 (RE4), RedEdge-1 (RE1), dan RedEdge-2 (RE2). Fitur spektro-temporal terbaik untuk data SAR adalah kuantil 10% dan 90% dari hamburan balik polarisasi vertical transmit - horizontal receive (VH). Hasil fitur yang dipilih menggambarkan fenologi pertumbuhan padi selama penggenangan, maksimum vegetatif dan bera (pasca panen). Penggabungan fitur spektro-temporal dari data optik dan SAR meningkatkan akurasi klasifikasi menjadi 95,06±0,50%.

---

Rice plays an important role in ensuring food security in Indonesia. Therefore, paddy fields related research is important. Identifying paddy fields with high accuracy using remote sensing is a challenging in Indonesia. The most accurate method for paddy fields identification is using phenological approach and multi-source data integration. However, these approaches do not consider the comprehensive spectral and temporal characteristic data in tropical regions. This research proposed the fusion of all spectral and detailed statistical temporal features considering the period of the paddy growing season from Sentinel-2 optical and Sentinel-1 SAR data to achieve a high accuracy paddy fields classification. The paddy fields identification method in this research starts with preprocessing, temporal feature extraction using detail quantile, spektro-temporal fetaure selection using Leave-One-Out (LOO), feature fusion, and then applied machine learning classification algorithm. The results show that the best paddy fields classification is using the planting period during the rainy season. The best spectral and temporal (spectro-temporal) features for optical data are the 30% and 90% quantiles of Short Wave Infra-Red 1 (SWIR1), RedEdge-4 (RE4), RedEdge-1 (RE1), and RedEdge-2 (RE2). The best spectro-temporal features for SAR data are the 10% and 90% quantiles of VH backscatter. The selected feature results describe the phenology of paddy growth during flooding, maximum vegetative and bare land (post-harvest). The spectro-temporal features fusion of optical and SAR data increased the classification accuracy to 95,06±0,50%."

"Kabupaten Sragen dan Karanganyar merupakan dua kabupaten penyangga pangan di Provinsi Jawa Tengah dengan produksi padi sawah yang cukup tinggi. Fluktuasi nilai produksi padi selama lima tahun terakhir membuat kondisi produksi tidak menentu dan sulit diprediksi. Pemantauan kondisi padi sawah dan metode untuk menghasilkan estimasi luas panen dalam waktu yang singkat sangat diperlukan. Penelitian ini bertujuan untuk mengetahui efektifitas citra MODIS dengan indeks vegetasi TSAVI dalam mengestimasi luas panen dan produksi padi sawah. Citra MODIS temporal 16 harian dengan indeks vegetasi TSAVI diklasifikasi sesuai dengan bentuk pola dan nilai kehijauannya. MODIS TSAVI yang sudah diklasifikasi dilakukan analisis menggunakan regresi untuk mengetahui pola pertumbuhan tanaman padi sawah. Hasil penelitian menunjukkan distribusi spasial dan pola masa tanam tanaman padi sawah di Kabupaten Sragen dan Karanganyar memiliki pergerakan waktu tanam mengikuti aliran irigasi. Estimasi luas panen padi dari citra MODIS TSAVI temporal menghasilkan area seluas 87.227 hektar, atau sebesar 61,42% dari luas total panen eksisting. Kesalahan sebesar 38,58% dalam estimasi luas panen ini disebabkan resolusi spasial citra MODIS yang hanya bisa mencakup 250m x 250m atau sekitar 6,25 hektar di setiap pikselnya. Sehingga sawah yang luasnya kurang dari 6,25 hektar tidak dapat terdeteksi. Selain itu, gap yang diakibatkan oleh mosaic antar scene citra MODIS juga memperbesar standar eror dalam penelitian ini.

---

Sragen and Karanganyar are the two districts in Central Java that produce a high volume of paddy. The production of paddy in the last five years has been fluctuating, it makes the production of paddy inconsistent and difficult to predict. Monitoring the condition of paddy fields and and find a method to estimate the width of paddy production and harvested area in a short period of time is needed. This research aims to determine the effectiveness of MODIS imagery with TSAVI vegetation index in estimating harvest area and production of paddy. MODIS temporal imagery with TSAVI are classified by temporal pattern and greenness value. The classified MODIS TSAVI analyzed using multiple linear regression to determine the growth pattern of paddies.

The results of this research shows the spatial distribution and planting pattern of the rice paddy in Sragen and Karanganyar are following the movement of irrigation flow. The width of harvest from MODIS TSAVI temporal imagery is estimated to produce about 87.227 hectares, or 61.42% from the existing harvest. A fault of 38,58% in estimating the width of harvest is due to the spatial resolution of MODIS imagery that could only covers 250m x 250m or about 6.25 hectares in each pixel. As the result, the rice paddies fields which have area less than 6.25 hectares can‟t be detected. Moreover, the gap caused by inter-scene mosaic MODIS imagery also increases an error in this research."

"Penggunaan lahan di Jawa Barat khususnya di kabupaten Bandung mengalami perubahan yang signifikan yang disebabkan oleh meningkatnya jumlah pembangunan dan pemukiman. Indonesia merupakan salah satu negara yang rawan bencana, bencana alam ini mengakibatkan wilayahnya menjadi cepat berubah. Memantau penggunaan lahan dan tutupan lahan penting untuk memitigasi jika terjadi bencana alam. Untuk mendapatkan informasi klasifikasi tutupan dan penggunaan lahan dapat memanfaatkan teknologi penginderaan jauh. Penelitian ini menggunakan data satelit ALOS-2/ PALSAR-2 untuk membandingkan klasifikasi penggunaan dan tutupan lahan dengan dua metode yaitu Minimum Distance dan Maximum Likelihood. Metode Minimum Distance menggunakan teknik jarak minimal menggunakan vektor rata-rata endmember sedangkan Metode Maximum Likelihood selain rata-rata, juga memperhitungkan informasi variansi pada variable yang diukur. Hasil analisis menunjukan klasifikasi penggunaan dan tutupan lahan yang baik adalah metode Maximum Likelihood dengan hasil akurasi sebesar 68,6233% pada tahun 2014 dan 64,7608% pada tahun 2016. Sedangkan Metode Minimum Distance memiliki akurasi hanya sebesar 48,2307% pada tahun 2014 dan 43,4902% pada tahun 2016.

---

Land use in West Java, especially in Bandung regency, changes significantly caused by rapid development and sattlement. Since Indonesia is one of the country that is prone to disaster, natural disasters often occur and impact the land changes rapidly. The monitoring land use and land cover classification is important to mitigate any disasters if occured. To obtain land use and land cover classification profile, remote sensing technology can be used. In this research we use ALOS-2/PALSAR-2 satellite data to derive land use and land cover classification maps using two methods, i.e. Minimum Distance and Maximum Likehood. Minimum Distance uses minimum distance technique to measure endmember average vector while Maximum Likehood calculates variance information of measuring variable as well as the average. The analysis results showed that Maximum Likehood method is better for land use and land cover classification in Bandung regency with accuracy of 68,6233% in 2014 and 64,7608% in 2016 respectively while Minimum Distance method resulted in 48,2307% in 2014 and 43,4902% in 2016 respectively."

"Banjir merupakan fenomena yang hampir selalu terjadi setiap tahun di Jakarta. Banjir dipengaruhi oleh beberapa parameter, antara lain ketinggian permukaan air pada sungai, dimana sebagian besar kasus banjir berawal dari ketinggian kritis aliran sungai yang terlampaui, batas area banjir, dan bangunan-bangunan yang ada di daerah aliran sungai. Data historis banjir menunjukkan bahwa kejadian banjir di Jakarta terjadi terutama pada musim hujan (sekitar bulan Januari - Februari), namun luas daerah genangan banjir bervariasi setiap tahun. Penelitian ini bertujuan untuk memetakan daerah potensi banjir dengan melakukan segmentasi watershed terhadap data Digital Elevation Model (DEM). Hasil segmentasi yang didapatkan kemudian dioverlay pada citra Penginderaan jauh Landsat sebagai data sekunder dan dibandingkan dengan data banjir Pemda DKI Jakarta tahun 2007. Dari perbandingan tersebut, diketahui perbedaan posisi daerah potensi banjir dengan daerah genangan banjir 2007 dan terdapat perbedaan luas wilayah banjir antara prediksi seluas 417,385 hektar dengan data peta genangan yang luasnya hanya 265,39 hektar.

---

Jakarta is situated at an altitude just above sea level and has naturally always been subject to regular flooding by the waterways cutting through the city, such as the Cisadane, Angke, Ciliwung, Bekasi and Citarum Rivers. Flood is influenced by some parameters like ground elevation and water level which most flood cases started from water overflowing the riverbank, the flood area boundary, and buildings along the river. Flood history data in Jakarta shows that flood occurs mainly during rainy season around January - February each year, but flood area varies each year. This research is aimed to map potential flood areas by segmenting the Digital Elevation Model (DEM) data using watershed segmentation method.

The segmentation result is then mapped on Landsat 7 image as secondary data and compared to the flood data from Pemda DKI Jakarta in 2007. The analysis showed that there are differences between the location of the potential flooding area and the 2007 flood data map. The difference of flood area from the segmentation and 2007 flood data are 417,385 hectares and 265,39 hectares, respectively."

"Kabupaten Bandung sebagai salah satu kabupaten dengan penduduk terbanyak di Indonesia memiliki sumber daya alam yang beragam dengan segala pemanfaatannya sehingga jenis tutupan lahan yang ada pun berbeda-beda. Pemantauan terhadap penggunaan lahan perlu dilakukan untuk mencegah penyalahgunaan lahan dan penanggulangan akan bencana alam. Metode untuk pemantauan dapat dilakukan dengan klasifikasi jenis tutupan lahan menggunakan teknik penginderaan jarak jauh seperti penggabungan data satelit aktif dan pasif. Pada penelitian ini menggunakan citra satelit aktif (ALOS-2/PALSAR-2) dan satelit pasif (Landsat 8) untuk mendapatkan citra yang mudah untuk diinterpretasi dan terbebas dari gangguan atmosfer. Salah satu metode klasifikasi yang dapat dilakukan adalah maximum likelihood, yaitu metode yang menggunakan data acuan (training sample) serta kemungkinan suatu piksel terkelompok dalam suatu kelas. Penggunaan citra gabungan dengan metode maximum likelihood menghasilkan keakurasian citra lebih dari 60% dan lebih tinggi dari citra ALOS-2/PALSAR-2 yang diklasifikasikan tanpa Landsat 8 (40%).

---

Bandung regency is one of the biggest regency in Indonesia with large number of population which has nature resources with different utilization that cause land cover diversity. Land cover monitoring is necessary to prevent any land misuses and nature disasters. A way to monitor land cover is to classify the land cover uses remote sensing technique such as joint data of active and passive. This research is analyzing active satellite image (ALOS-2/PALSAR-2) and pasive satellite image (Landsat 8) that are being used to produce an image which is easy to interpret with less atmospheric disruption. One of the methods that can be used is maximum likelihood. Maximum likelihood is a supervised classification method which uses reference data (training sample) and probability of a pixel is clustered in a spesific class. The use of joint processing data with maximun likelihood method results in accuracy greater than 60% and is better than accuracy of ALOS-2/PALSAR-2?s image itself (40%)."