BAB I. PENDAHULUAN
1.1.
Latar Belakang Pada negara-negara di Asia terutama Indonesia, padi adalah salah satu
tanaman pertanian yang penting dan merupakan makanan pokok. Berkurangnya produksi padi akan berdampak langsung pada sekuritas makanan nasional pada Indonesia (Takayama et al., 2012). Seiiring dengan pertumbuhan populasi di Indonesia yang telah mencapai sekitar 220 juta orang dengan rata-rata 1.3% per tahun, ketersediaan lahan pertanian terutama padi semakin berkurang dikarenakan kebutuhan lahan yang digunakan untuk rumah, sekolah, pasar dan infrastruktur (Widjaja, Darmawan, & Mulyono, 2012). Menurut data Badan Pusat Statistik tahun 2012, pada tahun 2011 Indonesia memiliki jumlah produksi berats sekitar 65.740.946 ton, namun produksi beras tersebut belum mencukupi kebutuhan pangan penduduk Indonesia sehingga impor beras menjadi satu-satunya jalan keluar untuk memenuhi kebutuhan pangan. Dalam perhitungan impor beras masih mengalami kendala akibat kurangnya informasi yang akurat mengenai produktivitas padi di seluruh wilayah Indonesia. Hal ini di karenakan waktu tanam yang tidak seragam dan metode penghitungan produksi beras yang masih menggunakan metode konvensional (Maspiyanti, Fanany, & Arymurthy, 2013). Petugas lapangan biro pertanian wilayah kabupaten biasanya melakukan estimasi daerah panen dengan melihat langsung sekitar beberapa daerah sampel lahan padi. Pengumpulan dan kompilasi data untuk daerah kabupaten hingga tingkat nasional dengan metode ini sangat memakan
1
2
waktu dan melelahkan. Selain itu, data yang di kumpulkan hingga tingkat nasional kekurangan validitas karena estimasi lahan panen yang di lakukan pada daerah kabupaten tidak tepat maupun teliti (Mulyono, Fanany, & Basaruddin, 2012). Untuk menghitung jumlah hasil panen dengan akurat dapat di prediksi dengan mengetahui fase tumbuh padi pada periode tertentu.Fase pertumbuhan padi berdasarkan International Rice Research Institute (IRRI) dibagi menjadi 9 fase(Maspiyanti et al., 2013). Berkembangnya teknologi penginderaan jauh beserta citra hiperspektral dianggap mampu mengatasi masalah penentuan fase pertumbuhan padi (Maspiyanti et al., 2013). Di Indonesia saat ini, penerapan prediksi padi menggunakan penginderaan jauh masih belum diterapkan. Pengumpulan informasi produktifitas padi dikumpulkan dengan pemantauan langsung di lahan pertanian. Walaupun demikian, Badan Pengkajian dan Penerapan Teknologi (BPPT)
telah
mengembangkan
aplikasi
SIMTAPAT
(Sistem
Informasi
Menejemen Pertanian Terpadu). Sistem ini akan diaplikasikan pada sistem pertanian di Bojonegoro. Dengan sistem tersebut, perkiraan produktifitas padi dapat ditentukan dengan mengetahui fase tumbuh tanaman padi.
3
Gambar 1.1 Tampilan halaman web aplikasi SIMTAPAT dikutip dari http://geostech.org/e-sky/index.php Citra hiperspektral adalah citra yang memiliki informasi dari beragam spektrum elektromagnetik yang disimpan dalam bentuk tumpukan (layer) citra yang masing-masing memiliki rentang spektrum elektromagnetik yang disebut spektral band (Maspiyanti et al., 2013). Beberapa alat penginderaan jauh udara dan antariksa dengan lebih dari 200 bands telah dikembangkan dan digunakan. Karena citra hiperspektral memiliki band yang sempit maka data yang diperoleh harus dibandingkan dengan karakteristik rekflektan spectral objek dari pustaka spektral atau observasi lapangan (Yamazaki, Hara, & Liu, 2014). Observasi lapangan umumnya bertujuan untuk investigasi keragaman spektral pada permukaan pada suatu daerah pada jarak yang dekat. Tingginya kualitas data yang dihasilkan memberikan dukungan yang tidak ternilai untuk kalibrasi, pengolahan data dan validasi analisis citra. Observasi lapangan memberikan informasi tambahan untuk pra-pengolahan dan pengolahan gambar penginderaan jarak jauh, khususnya ketika digunakan pada satelit atau sensor multispektral atau hiperspektral udara. Pada observasi lapangan, spektroradiometer dibutuhkan untuk mempelajari data spektral (Pompilio, Villa, Boschetti, & Pepe, 2013).
4
Menurut Maspiyanti, Fanany, & Arymurthy (2013), penentuan fase tumbuh padi membutuhkan suatu model classifier yang tepat untuk menghasilkan keakuratan yang tinggi. Classifier adalah sebuah model hasil klasifikasi, yang menjelaskan mengenai bagian-bagian data yang penting. Beberapa metode klasifikasi yang terkenal dalam klasifikasi citra hiperspektral adalah Support Vector Machine (SVM), Naïve Bayes, k-Nearest-Neighbor(k-NN). SVM dan Naïve Bayes digunakan sebagai classifier dalam klasifikasi kontaminant dari gandum dengan menggunakan near-infrared hyperspectral imaging.SVM dan Naïve Bayes juga digunakan dalam klasifikasi zona iklim setempat dengan data observasi Bumi.Pada penelitian yang dilakukan oleh Hasanlou & Samadzadegan (2012), k-NN digunakan sebagai classifier untuk melakukan perbandingan teknik estimasi intrinsic dimensionalitydan reduksi dimensi pada citra hiperspektral. Oleh karena itu, penelitian ini menggunakan SVM, Naïve Bayes, dan k-NN sebagai classifier. Citra hiperspektral dapat membedakan fase tumbuh tanaman padi berdasarkan rekflektan spektrum tanaman (Senthilnath, Omkar, Mani, Karnwal, & P. B., 2012). Oleh karena itu, dimensi-dimensi pada data hiperspektral merupakan fitur yang akan digunakan dalam klasifikasi untuk menentukan fase pertumbuhan padi. Namun dengan banyaknya fitur yang dimiliki akan menimbulkan curse of dimentionality yaitu jumlah fitur yang banyak belum tentu menghasilkan akurasi yang maksimal dengan kemungkinan untuk menghilangkan fitur-fitur yang tidak terlalu berpengaruh sehingga akurasi lebih optimal(Maspiyanti et al., 2013).
5 Salah satu teknik untuk mengatasi masalah curse of dimentionality adalah teknik reduksi dimensi. Reduksi dimensi adalah proses pengurangan jumlah dari variabel atau atribut acak dengan kondisi tertentu (Han, Kamber, & Jian, 2011). Metode utama dari teknik reduksi dimensi adalah feature extraction dan feature selection(Fang et al., 2015). Pada penelitian ini metode yang akan digunakan adalah feature extraction.Feature extraction adalah metode untuk merubah fitur-fitur yang ada ke dalam ruang dimensi yang lebih rendah dimana beguna reduksi fitur agar menghindari redudansi di karenakan data berdimensi tinggi (Subasi & Gursoy, 2010). Salah satu metode unsupervised feature extraction yang terkenal adalah principal component analysis (PCA)(Cunningham, 2008). PCA adalah teknik reduksi dimensi yang dapat digunakan pada data linear, namun untuk melakukan reduksi dimensi pada data non-linear, PCA membutuhkan fungsi kernel untuk melakukan pemetaan non-linear pada data. Metode reduksi dimensi PCA untuk reduksi dimensi data non-linear adalah Kernel PCA(KPCA) (Maaten, 2007). Berdasarkan permasalahan tersebut, penelitian ini melakukan percobaan reduksi dimensi pada data hiperspektral tanaman padi. Penelitian ini akan menghasilkan analisa perbandingan metode reduksi dimensi untuk klasifikasi fase tumbuh tanaman padi. Analisa penelitian ini akan dilakukan berdasarkan akurasi klasifikasi dan waktu proses yang dihasilkan dengan menggunakan data tanpa reduksi dimensi dan data hasil reduksi dimensi. Teknik reduksi dimensi yang akan digunakan pada penelitian ini adalah PCA dan KPCA. Serta, metode klasifikasi yang digunakan adalah SVM, Naïve Bayes, dan k-NN. Hasil penelitian ini diharapkanimplementasi teknik reduksi dimensi pada data hiperspektral tanaman
6
padi mampu meningkatkan akurasi klasifikasi serta menghasilkan waktu proses yang lebih cepat.
1.2.
Perumusan Masalah Masalah pada penelitian ini adalah sebagai berikut: 1. Apakah implementasi teknik reduksi dimensi dapat menghasilkan waktu prosesklasifikasi yang lebih cepat dibandingkan waktu proses klasifikasi data tanpa reduksi dimensi? 2. Apakah implementasi teknik reduksi dimensi dapat menghasilkan akurasi klasifikasi yang lebih tinggi dibandingkan akurasi klasifikasi data tanpa reduksi dimensi? 3. Apakah teknik reduksi dimensi non-linear (KPCA) menghasilkan akurasi klasifikasi yang lebih tinggi serta waktu proses yang lebih cepat dibandingkan dengan teknik reduksi dimensi linear (PCA) untuk klasifikasi fase pertumbuhan tanaman padi?
1.3.
Tujuan Penelitian Tujuan dari penelitian ini yaitu menghasilkan analisa perbandingan teknik
reduksi dimensi yang sesuai untuk diimplementasi denganklasifikasi data spektral fase pertumbuhan tanaman padi.
1.4.
Manfaat Penelitian
7 Manfaat dari penelitian ini adalah hasil penelitian ini dapat dijadikan referensi dalam membangun sebuah model data training pada penginderaan jauh untuk memprediksi jumlah panen padi.
1.5.
Ruang Lingkup Ruang lingkup penelitian ini yaitu: 1. Penelitian ini membandingkan teknik reduksi dimensi berdasarkan waktu prosesyangdibutuhkandan akurasi klasifikasi. 2. Data yang digunakan adalah hasil analisa data hiperspektral pada lapangan dari Badan Pengkajian dan Penerapan Teknologi(BPPT).
