Segmentasi Pertumbuhan Padi berbasis Aerial Image menggunakan Fitur Warna dan Tekstur untuk Estimasi Produksi Hasil Panen

Penulis

Muhammad Jainal Arifin, Achmad Basuki, Bima Sena Bayu Dewantara

Abstrak

Pertumbuhan padi di daerah yang luas seringkali tidak ideal. Ini dapat disebabkan oleh faktor alam, jenis varietas padi, dan model perawatan yang digunakan. Ini juga akan mempengaruhi hasil panen. Luasnya lahan membuat petani sulit untuk memantau bagian yang tidak terjangkau. Seringkali pemantauan perkembangan padi dilakukan di tepi sawah tetapi tidak mencapai area tengah. Studi ini mengusulkan sistem pemantauan untuk pengembangan padi yang dapat menjangkau secara lebih luas dan memperkirakan hasil padi di setiap area lahan pertanian. Sistem ini menggunakan gambar udara untuk menjangkau area yang lebih luas dan kemudian memperkirakan produksi pertanian. Estimasi produksi dilakukan dengan mengelompokkan gambar kawasan pertanian menggunakan metode K-Means. Pengelompokan ini menggunakan parameter warna HSV dan tekstur Gabor sebagai fitur dari setiap bagian gambar. Hasilnya adalah segmen area padi berdasarkan pertumbuhannya. Jumlah segmen yang sesuai dengan usia Padi nyata akan menentukan nilai estimasi hasil. Penelitian menunjukkan bahwa tiga segmen pengembangan padi, dan memperkirakan produksi adalah 1.787 ton dengan perkiraan panen maksimum 1.924 ton dari data nyata 1,80 ton. Dan dengan skala kesalahan persentase rata-rata absolut 0,72% dan perbedaan 0,013 ton.

 

Abstract

Paddy growth in large areas is often not ideal. This can be caused by natural factors, types of rice varieties, and the treatment model used. This will also affect crop yields. The extent of land makes it difficult for farmers to monitor the unreachable part. Often monitoring of rice developments is done on the edge of the field but does not reach the middle area. This study proposes a monitoring system for rice development that can reach more broadly and estimate the yield of rice in every area of agriculture land. This system uses aerial images to reach a wider area and then estimates of agricultural production. Estimation of production is done by clustering images of agricultural areas using the K-Means method. This clustering uses HSV color parameters and Gabor textures as features of each part of the image. The result is a segment of the paddy area based on its growth. The number of segments corresponding to the age of the real Paddy will determine the estimated value of the yield. The research shows that three segments of rice development, and estimates the production is 1,787 tons with a maximum estimated harvest of 1,924 tons from the real data of 1, 80 tons. And with a mean absolute percentage error scale of 0.72% and a difference of 0.013 tons.


Teks Lengkap:

PDF

Referensi


TAKARIYANA HENI A. 2015. Outlook Komoditas Pertanian Tanaman Pangan Padi, Pusat Data dan Sistem Informasi Pertanian Kementerian Pertanian.

KEMENTAN. 2018. Data Lima Tahun akhir Luas dan Panen Pertanian Padi, diakses 5 Maret 2020: https://www.pertanian.go.id.

MAHANANTO, S. SUTRISNO, ANANDA CANDRA F . 2009. Faktor- Faktor Yang Mempengaruhi Produksi Padi Studi Kasus di Kecamatan Nogosari, Boyolalali, Jawa Tengah. Vol. 12, No. 1, pp 10 – 11.

H. V. T. MINH, R. AVTAR, G. MOHAN, P. M . 2019. Monitoring and Mapping of Rice Cropping Pattern in Flooding Area in the Vietnamese Mekong Delta Using Sentinel – 1A Data : A Case of An Giang Province. IJGI. Vol. 8, No. 211, pp 1-22.

ARYA, YUNITA PUTRI & RADEN, SUMIHARTO. 2016. Purwarupa Sistem Prediksi Luas dan Hasil Panen Padi suatu Wilayah menggunakan Pengolahan Citra Digital dengan Metode Sobel dan Otsu 1,” vol. 6, no. 2, pp. 187–198.

M. N. REZA, I. S. NA, S. W. BAEK, & K. H. LEE. 2018. Rice yield estimation based on K-means clustering with graph-cut segmentation using low-altitude UAV images. Biosyst. Eng., no. 2018, pp. 1–13.

M. HASSANEIN, Z. LARI, & N. EL-SHEIMY. 2018. A new vegetation segmentation approach for cropped fields based on threshold detection from hue histograms. Sensors (Switzerland). Vol. 18, no. 4, pp. 1–25.

O. HALL, S. DAHLIN, H. MARSTORP, M. ARCHILA BUSTOS, I. ÖBORN, & M. JIRSTRÖM. 2018. Classification of Maize in Complex Smallholder Farming Systems Using UAV Imagery. Drones, vol. 2, no. 3, p. 22.

X. JIN, S. LIU, F. BARET, M. HEMERLÉ, & A. COMAR. 2017. Estimates of plant density of wheat crops at emergence from very low altitude UAV imagery. Remote Sens. Environ., vol. 198, no. June, pp. 105–114.

Y. A. SARI, R. K. DEWI, & C. FATICHAH. 2014. Seleksi Fitur Menggunakan Ekstraksi Fitur Bentuk, Warna, Dan Tekstur Dalam Sistem Temu Kembali Citra Daun. JUTI J. Ilm. Teknol. Inf., vol. 12, no. 1, p. 1, 2014.

X. ZHANG, J. CUI, W. WANG, AND C. LIN. 2017. A study for texture feature extraction of high-resolution satellite images based on a direction measure and gray level cooccurrence matrix fusion algorithm. Sensors (Switzerland), vol. 17, no. 7.

S. S. S. S. PANDA, S. S. PANIGRAHI, AND D. P. D. P. AMES. 2010. Crop Yield Forecasting from Remotely Sensed Aerial Images with Self-Organizing Maps. Trans. ASABE, vol. 53, no. 2, pp. 323–338.

DEHARIYA, V.K., SHRIVASTAVA, S.K., & JAIN, R. 2010. Clustering of image data set using K-Means and Fuzzy K-Means algorithms. In International Conference on Computational Intelligence and Communication Network (CICN) .Bhopal, India: IEEE, pp. 386-391.




DOI: http://dx.doi.org/10.25126/jtiik.0813438