PEMBENTUKAN MODEL LEAF AREA INDEX (LAI) TANAMAN PADI PADA CITRA HYPERSPECTRAL BERBASIS SPEKTRAL IN SITU UNTUK PEMANTAUAN FASE TUMBUH PADI

Abdi Sukmono; Nurhadi Bashit

doi:10.14710/elipsoida.2019.6444

DOI: https://doi.org/10.14710/elipsoida.2019.6444

PEMBENTUKAN MODEL LEAF AREA INDEX (LAI) TANAMAN PADI PADA CITRA HYPERSPECTRAL BERBASIS SPEKTRAL IN SITU UNTUK PEMANTAUAN FASE TUMBUH PADI

Abdi Sukmono¹ , Nurhadi Bashit¹

¹Departemen Teknik Geodesi-Fakultas Teknik Universitas Diponegoro, Indonesia

²Departemen Teknik Geodesi-Fakultas Teknik Universitas Diponegoro

Received: 22 Nov 2019; Published: 22 Nov 2019.

BibTex Citation Data :

@article{ELIPSOIDA6444,
    author = {Abdi Sukmono and Nurhadi Bashit},
    title = {PEMBENTUKAN MODEL LEAF AREA INDEX (LAI) TANAMAN PADI PADA CITRA HYPERSPECTRAL BERBASIS SPEKTRAL IN SITU UNTUK PEMANTAUAN FASE TUMBUH PADI},
    journal = {Elipsoida : Jurnal Geodesi dan Geomatika},
  volume = {2},
    number = {02},
    year = {2019},
    keywords = {},
    abstract = { Leaf Area Index (LAI) atau indeks kerapatan daun pada tanaman padi sangat erat kaitannya dengan fase pertumbuhan tanaman. Dalam manajemen pertanian pemantauan fase pertumbuhan ini sangat penting untuk mengetahui luas lahan siap panen pada beberapa waktu ke depan. Teknologi penginderaan jauh dengan sensor hyperspectral dapat membantu untuk melakukan pemetaan distribusi kerapatan daun tanaman padi dalam wilayah yang luas secara efektif dan efisien . Dalam estimasi indeks kerapatan daun tanaman padi dengan citra hyperspectral diperlukan algoritma khusus untuk medapatkan akurasi yang baik. Dalam penelitian ini digunakan beberapa indeks vegetasi seperti Renormalized Difrerence Vegetation Index (RDVI), Multiple Simple Ratio (MSR), Modified Soil Adjusted Vegetation Index (MSAVI) dan bentuk modifikasi dari Trianggle Vegetation Index (MTVI 1 dan MTVI 2) untuk estimasi kerapatan daun tanaman padi. Pemodelan dilakukan menggunakan metode regresi dari data pengukuran spectral in situ dan kerapatan daun in situ. Selain itu dalam penelitian ini juga digunakan metode pendekatan model dengan Multiple Linear Regression (MLR) dan Partial Least Square Regression (PLSR). Hasil dari penelitian ini menunjukkan bahwa RDVI , MTVI 1 dan PLSR 44 Band pada PC no 07 cukup efektif untuk estimasi kerapatan daun tanaman padi. Model hubungan korelasi RDVI dengan kerapan daun mempunyai Koefisien determinasi (R2) sebesar 0.903 dan RMSE 0.62 LAI unit. ,untuk MTVI 1 mempunyai koefisien determinasi (R2) sebesar 0.886 dan RMSE 0.68 SPAD unit. Kemudian untuk PLSR 44 band mempunyai koefisien determinasi (R2) sebesar 0.938 dan RMSE sebesar 0.29 LAI unit. Hasil Validasi model dengan citra Airborne HyMap menghasilkan R2 sebesar 0.905 untuk RDVI , 0.89 untuk MTVI 1 dan 0.97 untuk PLSR 44 band. },
   issn = {2621-9883},   pages = {30--38}  doi = {10.14710/elipsoida.2019.6444},
    url = {https://ejournal2.undip.ac.id/index.php/elipsoida/article/view/6444}
}

Citation Format:

Abstract

Leaf Area Index (LAI) atau indeks kerapatan daun pada tanaman padi sangat erat kaitannya dengan fase pertumbuhan tanaman. Dalam manajemen pertanian pemantauan fase pertumbuhan ini sangat penting untuk mengetahui luas lahan siap panen pada beberapa waktu ke depan. Teknologi penginderaan jauh dengan sensor hyperspectral dapat membantu untuk melakukan pemetaan distribusi kerapatan daun tanaman padi dalam wilayah yang luas secara efektif dan efisien . Dalam estimasi indeks kerapatan daun tanaman padi dengan citra hyperspectral diperlukan algoritma khusus untuk medapatkan akurasi yang baik.
Dalam penelitian ini digunakan beberapa indeks vegetasi seperti Renormalized Difrerence Vegetation Index (RDVI), Multiple Simple Ratio (MSR), Modified Soil Adjusted Vegetation Index (MSAVI) dan bentuk modifikasi dari Trianggle Vegetation Index (MTVI 1 dan MTVI 2) untuk estimasi kerapatan daun tanaman padi. Pemodelan dilakukan menggunakan metode regresi dari data pengukuran spectral in situ dan kerapatan daun in situ. Selain itu dalam penelitian ini juga digunakan metode pendekatan model dengan Multiple Linear Regression (MLR) dan Partial Least Square Regression (PLSR).
Hasil dari penelitian ini menunjukkan bahwa RDVI , MTVI 1 dan PLSR 44 Band pada PC no 07 cukup efektif untuk estimasi kerapatan daun tanaman padi. Model hubungan korelasi RDVI dengan kerapan daun mempunyai Koefisien determinasi (R2) sebesar 0.903 dan RMSE 0.62 LAI unit. ,untuk MTVI 1 mempunyai koefisien determinasi (R2) sebesar 0.886 dan RMSE 0.68 SPAD unit. Kemudian untuk PLSR 44 band mempunyai koefisien determinasi (R2) sebesar 0.938 dan RMSE sebesar 0.29 LAI unit. Hasil Validasi model dengan citra Airborne HyMap menghasilkan R2 sebesar 0.905 untuk RDVI , 0.89 untuk MTVI 1 dan 0.97 untuk PLSR 44 band.

Fulltext View|Download

Article Metrics:

Article Info

Section: Articles

Language : ID

In Vol 2, No 02 (2019): Volume 02 Issue 02 Year 2019

Recent articles

VARIASI STRAIN DI SEKITAR SESAR BARIBIS BERDASARKAN DATA PENGAMATAN GPS KONTINYU (2016-2018) PERFORMA METODE PRECISE POINT POSITIONING (PPP) DENGAN KOREKSI IONOSFER ORDE 1 EKSTRAKSI BANGUNAN PADA ORTOFOTO MENGGUNAKAN TEKNIK KLASIFIKASI CITRA BERBASIS OBJEK More recent articles

Last update:

No citation recorded.

Last update:

No citation recorded.

Starting from 2021, the author(s) whose article is published in the Elipsoida : Jurnal Geodesi dan Geomatika attain the copyright for their article and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution-ShareAlike 4.0 International License. By submitting the manuscript to Elipsoida : Jurnal Geodesi dan Geomatika, the author(s) agree with this policy. No special document approval is required.

The author(s) guarantee that:

their article is original, written by the mentioned author(s),
has never been published before,
does not contain statements that violate the law, and
does not violate the rights of others, is subject to copyright held exclusively by the author(s), is free from the rights of third parties, and the necessary written permission to quote from other sources has been obtained by the author(s).

The author(s) retain all rights to the published work, such as (but not limited to) the following rights:

Copyright and other proprietary rights related to the article, such as patents,
The right to use the substance of the article in its own future works, including lectures and books,
The right to reproduce the article for its own purposes,
The right to archive all versions of the article in any repository, and
The right to enter into separate additional contractual arrangements for the non-exclusive distribution of published versions of the article (for example, posting them to institutional repositories or publishing them in a book), acknowledging its initial publication in this journal (Elipsoida : Jurnal Geodesi dan Geomatika).

Suppose the article was prepared jointly by more than one author. Each author submitting the manuscript warrants that all co-authors have given their permission to agree to copyright and license notices (agreements) on their behalf and notify co-authors of the terms of this policy. Elipsoida : Jurnal Geodesi dan Geomatika will not be held responsible for anything arising because of the writer's internal dispute. Elipsoida : Jurnal Geodesi dan Geomatika will only communicate with correspondence authors.

Authors should also understand that their articles (and any additional files, including data sets and analysis/computation data) will become publicly available once published. The license of published articles (and additional data) will be governed by a Creative Commons Attribution-ShareAlike 4.0 International License. Elipsoida : Jurnal Geodesi dan Geomatika allows users to copy, distribute, display and perform work under license. Users need to attribute the author(s) and Elipsoida : Jurnal Geodesi dan Geomatika to distribute works in journals and other publication media. Unless otherwise stated, the author(s) is a public entity as soon as the article is published.