Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Ketahanan pangan dipengaruhi oleh beberapa faktor yaitu ketersediaan pangan, aspek pangan, pemanfaatan pangan dan kerentanan pangan. Aspek yang dapat mempengaruhi  kerentanan pangan adalah penurunan produktivitas pangan, salah satunya adalah tanaman padi yang merupakan pangan pokok di Indonesia. Penyebab penurunan produktivitas padi adalah kondisi kerentanan lingkungan suatu wilayah. Tujuan penelitian ini adalah menyusun model spasial produktivitas padi berdasarkan kerentanan lingkungan pada tiap fase tanam dengan menggunakan pendekatan teknologi inderaja dan SIG. Model spasial ini disusun berdasarkan hasil aplikasi dua model yaitu model spasial fase tanam dan model produktivitas padi. Pemodelan spasial untuk melihat sebaran fase tanam padi menggunakan metode klasifikasi random forest mempunyai akurasi keseluruhan sebesar 0,92 yang membagi fase tanam padi menjadi fase awal tanam, fase vegetatif, fase generatif dan fase bera. Variabel yang digunakan untuk membangun model spasial fase tanam padi adalah kombinasi indeks vegetasi yaitu NDVI, EVI, SAVI, NDWI, dan variabel waktu. Pemodelan spasial untuk estimasi produktivitas padi juga menggunakan model regresi dengan variabel rawan bencana yaitu bencana banjir, kekeringan, longsor dan variabel curah hujan. Algoritma dibangun berdasarkan kondisi fase tanam padi. Estimasi produktivitas padi berdasarkan pengaruh kerentanan lingkungan ini memiliki akurasi paling baik dilakukan pada fase vegetatif yaitu sebesar 0,63  dan fase generatif sebesar 0,61, sedangkan pada fase awal tanam tidak dapat digunakan untuk mengestimasi produktivitas padi karena memiliki hubungan yang lemah dengan  akurasi sebesar 0,35.

---

Food security is influenced by several factors, such as food availability, food aspect, food utilization and food vulnerability. An aspect that can affect food vulnerability is food productivity decline, such as rice. Since rise is the staple food in Indonesia, its productivity decline most likely will affect Indonesia`s food vulnerability. The cause of the rice productivity decrement is the condition of environmental vulnerability of a region. The purpose of this study is to build a spatial model of rice productivity based on environmental vulnerability in each planting phase using remote sensing and GIS technology. Spatial model is built based on the result of implementation of two models which are planting phase model and rice productivity model. Spatial modelling that is built to understand the distribution of rice planting phases applied random forest classification method with an overall accuracy of 0,92. The classification result divides the rice planting phase into the initial phase of planting, vegetative, generative and fallow phase. The variables used to build spatial model of the rice planting phase are a combination of vegetation indexes namely NDVI, EVI, SAVI, NDWI, and time variables. Spatial modeling for estimating rice productivity also uses regression model with disaster-prone variables, namely floods, droughts, landslides and rainfall variables. The algorithm is built based on the condition of the rice planting phase. Estimation of rice productivity based on the influence of environmental vulnerability has the best accuracy in the vegetative phase equal to 0,63 and generative phase 0,61, whereas in the initial phase of planting it cannot be used to estimate rice productivity due to its weak relationship with accuracy 0,35.

"

"ABSTRAKBalai Jaringan Informasi dan Komunikasi (BJIK) sebagai salah satu balai di Badan Pengkajian dan Penerapan Teknologi (BPPT) memiliki tugas dalam penerapan teknologi informasi dan komunikasi (TIK) untuk kepentingan pemerintah pusat, daerah, publik, komunitas ilmu pengetahuan teknologi, dan industri. Tugas tersebut diwujudkan salah satunya dengan membangun sistem informasi monitoring teknologi informasi dan komunikasi yang bernama Simontik. Kemajuan tren teknologi dan ancaman siber yang tidak dapat dihindari membutuhkan adanya penerapan data mining untuk monitoring intrusi dalam melindungi informasi penting dimana perangkat lunak anti virus dan firewall tidak cukup memberikan perlindungan penuh sesuai dengan kondisi BJIK saat ini. Sejalan dengan hal tersebut, beberapa penelitian terdahulu juga menjelaskan teknik deep learning atau deep neural network pada data mining yang telah mencapai keberhasilan jauh lebih baik di berbagai aplikasi khususnya big data sets classification karena memberikan hasil yang akurat dalam menyelesaikan permasalahan sistem monitoring intrusi. Berdasarkan hal tersebut, penelitian ini menggunakan teknik classification dengan algoritme deep learning, support vector machine, dan random forest sebagai pembanding. Penelitian ini menggunakan metodologi knowledge discovery from data (KDD) dimana data mining hanya merupakan suatu langkah penting dalam urutan prosesnya. Hasil akhir dari penelitian ini merupakan model prediksi yang dikemudian diuji dengan dataset Simontik untuk diketahui akurasinya. Hasil yang didapatkan dari penelitian ini adalah algoritme deep neural network dan random forest menghasilkan akurasi yang paling baik, yaitu sebesar 99,91% dibandingkan dengan algoritme support vector machine yang memiliki akurasi sebesar 98,11%.ABSTRACTThe Information and Communication Network Center (BJIK) as one of the centers in the Agency for the Assessment and Application of Technology (BPPT) has the task of implementing information and communication technology (ICT) for the benefit of the central, regional, public, technological and industrial science communities. One of the tasks is realized by building an information and communication technology monitoring information system called Simontik. The unavoidable progress of technological trends and cyber threats requires the application of data mining for intrusion monitoring in protecting important information where anti-virus software and firewalls do not provide full protection in accordance with current BJIK conditions. In line with this, several previous studies also explained that deep learning techniques or deep neural networks in data mining that have achieved success are far better in various applications, especially the big data sets classification because they provide accurate results in solving intrusion monitoring system problems. Based on this, this study uses classification techniques with deep learning algorithms, support vector machines, and random forest as a comparison. This study uses the knowledge discovery from data (KDD) methodology where data mining is only an important step in the sequence of the process. Result of this study is a prediction model which is then tested with the Simontik dataset to determine its accuracy. The results obtained from this study are that deep neural network and random forest algorithms produce the best accuracy, which is 99.91% compared to the support vector machine algorithm which has an accuracy of 98.11%."