Download ESTIMASI KANDUNGAN AIR PADA TUMBUHAN PADI MENGGUNAKAN MODIS SINTETIK and more Thesis Computer Science in PDF only on Docsity!
ESTIMASI KANDUNGAN AIR PADA TUMBUHAN PADI
MENGGUNAKAN MODIS SINTETIK
Michael 1)
1) (^) Teknik Informatika Universitas Tarumanagara Jl. Waspada II GG D2 No.17 RT010/RW012, Jakarta 11210 Indonesia Email : ivi1c@windowslive.com
ABSTRACT
Remote sensing is a technology that is used to gather all the information from the Earth without touching the object directly. In this case, precision farming used remote sensing to make better result for rice field agriculture. The aim of this research is to predict the water content. The prediction of water content result can be used for monitoring the condition of the paddy. In this research, the data training is from ground based spectrometer in Karawang, West Java with 4 bands, e.g. band 1, band 2, band 3, band 4. MODIS satellite of Karawang , West Java is used for testing. There are two steps in doing the experiment, training and testing. For the training, we use Modified Bootstrap Regression and Modified Robust Tukey Regression. For testing, we use the ordinary mutilinear regression to estimate the water content in the paddy. Modified Bootstrap Regression is not as good as Modified Robust Tukey Regression, because in training process, it needs longer time than Modified Robust Tukey Regression. For the evaluation, the testing data is the training data from ground based. Modified Bootstrap Regression and Modified Robust Regression got 34.44% as the highest.
Key words
Remote Sensing, Crop Estimation, Precision Farming, MODIS, Ground based, Modified Bootstrap Regression, Modified Robust Tukey Regression
1. Pendahuluan
Penginderaan jauh ( remote sensing ) adalah sebuah ilmu pengumpulan semua
informasi yang terdapat di Bumi tanpa melakukan kontak langsung. Semua itu dilakukan dengan penginderaan dan melakukan perekaman pada semua yang dipantulkan atau dipancarkan oleh energi, lalu dilakukan pengolahan, penganalisisan, dan penerapan terhadap informasi yang telah terkumpul tersebut. Penggunaan remote sensing antara lain seperti: mineral exploration, memonitor kelautan terkini, perencanaan tata guna lahan, memonitor kondisi hutan dan wilayah pertanian, pengolahan lingkungan.
Precision Farming didefinisikan sebagai sebuah informasi dan teknologi yang berdasarkan sistem pengolahan pertanian bertujuan untuk mengidentifikasi, menganalisa dan mengelola variabilitas di lahan pertanian, yang berguna untuk mendapatkan keuntungan yang maksimal, pelestarian, dan perlindungan pada sumber daya. [1]
Hasil yang diperoleh jika dilakukan tanpa dengan precision farming kurang baik, karena ada hal-hal yang tidak dapat dilihat hanya dengan mata biasa (telanjang mata). Dengan menggunakan precision farming ini pertanian di Indonesia dapat menghasilkan hasil yang maksimal. Terdapat 2 faktor yang mempengaruhi pertumbuhhan dari tumbuhan, yaitu: faktor internal dan faktor eksternal. Yang termasuk dalam faktor internal, seperti: hormon. Sedangkan makanan, air, suhu, kelembapan, cahaya, termasuk dalam faktor eksternal yang mempengaruhi pertumbuhan. Penelitian ini lebih memfokuskan kepada faktor eksternal, yaitu air.
Data input dalam penelitian ini, didapatkan dengan remote sensing, yaitu dengan alat Spektroradiometer. Terdapat 7 band (frekuensi) yang digunakan pada satelit MODIS (500m) untuk mendeteksi kondisi di daratan, tetapi pada penelitian ini hanya menggunakan 4 band , yaitu: band 1, band 2, band 3, band 4. Karena alat Spektroradiometer hanya dapat menangkap panjang gelombang hanya sampai 950 nm. Oleh sebab itu, pada rancangan estimasi kandungan air pada daun tumbuhan padi menggunakan spektral MODIS sintetik.
Daerah penelitian memilih daerah Karawang, Jawa Barat karena daerah ini merupakan salah satu lumbung padi di Indonesia. Selain itu Karawang merupakan daerah nomor dua yang memiliki areal panen padi terluas di Jawa Barat setelah Kabupaten Indramayu. Dari hasil penelitian ini dimaksudkan untuk dapat meningkatkan pertanian dalam segi perawatan tumbuhan.
Metode yang digunakan adalah Modified Bootstrap Regression , dan Modified Robust Regression. Modified Bootstrap Regression maksudnya adalah melakukan modifikasi dengan menyisipkan metode Jackknife pada Bootstrap Regression. Metode Bootstrap Regression digunakan untuk mengestimasi suatu data statistik dari sampel baru yang didapatkan secara acak. Metode Modified Bootstrap Regression bertujuan untuk memperbaki hasil regresi (nilai error ) dari metode Bootstrap Regression. Dan Metode Robust Regression digunakan untuk mengestimasi suatu data statistik dari sampel dengan memisahkan data yang memiliki kontribusi dengan data yang tidak memberikan kontribusi ( outlier ) terhadap data utama. Metode Modified Robust Regression bertujuan untuk memperbaiki hasil (nilai error ) yang didapatkan dari proses M-estimator pada metode Robus Tukey , sebelum melakukan regresi.
2. Padi Padi merupakan salah satu tumbuhan terpenting bagi mayoritas umat manusia. Tumbuhan ini merupakan penghasil bahan baku makanan yang mayoritas dikonsumsi oleh masyarakat dunia, terlebih di Indonesia. Padi merupakan sumber karbohidrat utama bagi penduduk dunia. Hasil dari pengolahan padi dinamakan beras. Masa hidup tumbuhan padi berkisar sekitar 120 hari. Pertumbuhan tumbuhan padi memiliki dua fase pertumbuhan, yaitu fase vegetatif dan fase generatif. Fase vegetatif berlangsung sekitar 55 hari sedangkan fase generatif berlangsung sekitar 65 hari. Fase generatif
terdiri dari fase reproduktif (berlangsung sekitar 30 hari) dan fase pematangan (berlangsung sekitar 35 hari).
3. Air Air merupakan senyawa yang sangat dibutuhkan oleh tumbuhan dalam pertumbuhan. Sebanyak 85%-90% dari bobot segar sel-sel dan jaringan tanaman adalah air. Peranan air pada tumbuhan adalah: sebagai pembentuk struktur tumbuhan, sebagai penunjang jaringan-jaringan agar kokoh, sebagai alat angkut materi dan nutrisi ke seluruh tubuh, sebagai pendingin atau menjaga suhu tumbuhan agar konstan, sebgai pelarut dan medium reaksi biokimia, memeberikan turgor (tekanan) bagi sel(penting untuk pembelahan sel dan pembesaran sel), dan sebagai bahan baku fotosintesis[2]. Banyaknya air yang dibutuhkan tumbuhan untuk kelangsungan hidupnya sama dengan jumlah air yang hilang melalui proses evapotranspirasi (perpaduan antara evaporasi dari permukaan tanah dengan transpirasi dari tumbuhan-tumbuhan atau proses total dari perpindahan air ke atmosfir dari permukaan tanah yang bervegeasi[3] yaitu sebesar 82,93gram setiap prosesnya[2].
Air pada tumbuhan sangatlah bermanfaat bagi kelangsungan hidup. Nilai kandungan air dapat diperoleh dari selisih berat biomass basah dengan berat biomas kering dengan satuan gram.[2] Dengan mengetahui kandungan air pada daun tumbuhan, kita dapat mengetahui tingkat kesehatan dari tumbuhan tersebut, dan pada penelitian ini dikhususkan pada tumbuhan padi.
4. Sistem Penginderaan Jauh Sistem penginderaan jauh adalah mendapatkan informasi tentang sebuah objek tanpa melakukan kontak fisik dengan objek tersebut[4]. Penelitian ini memanfaatkan penginderaan jauh dalam proses pengambilan data. Pengambilan data ini meliputi pengambilan data untuk tahap pelatihan dan tahap pengujian. Untuk tahap pelatihan, data yang digunakan adalah data yang didapatkan dengan cara Groundbased , sedangkan citra MODIS digunakan untuk tahap pengujian. Penggunaan kedua data ini yang telah diselaraskan disebut MODIS Sintetik.
4.1. Groundbased
Groundbased adalah pengumpulan data spektral dari tumbuhan padi dengan menggunakan alat bantu spektroradiometer yang diletakan 2 meter dari atas permukaan tanah. Alat spektroradiometer ini di hubungkan dengan komputer, untuk menampilkan nilai spektral..
5.1.1.1 BootstrapRegression Bootstrap Regression adalah penggunaan regresi linear pada hasil Bootstrap resample. Regresi linear digunakan untuk mengestimasi hasil. Terdapat dua macam regresi linear, yaitu: regresi linear sederhana dan regresi linear berganda. Secara umum regresi adalah hubungan antara dua variabel atau lebih yang memiliki hubungan atau saling berkaitan. [7]
Gambar 1 Ilustrasi Algoritma Bootstrap Sumber : Bradley Efron and Robert J. Tibshirani, An Introduction to the Bootstrap, (New York: Chapman & Hall, 1993), h.
5.1.1.2 Jackknife After Bootstrap
Metode Jackknife mempunyai kesamaan dengan metode Bootstrap, yaitu membuat resample secara acak dan mengestismasi standard error. Penggunaan Jackknife After Bootstrap bertujuan untuk memperbaiki hasil estimasi Bootstrap Regression. Karena Jackknife dapat secara otomatis mengatasi kesalahan dalam situasi yang rumit, dimana terdapat banyak variabel untuk menghitung error dalam kontribusi pada model.[8] Proses pembuatan resample Jackknife adalah dengan membuat sebanyak n data kurang satu (n-1). Misalkan data asli berjumlah 50, makan jumlah data pada resample Jackknife adalah 49, dengan asumsi resample menggunakan seluruh data asli. Algoritma Jackknife After Bootstrap adalah sebagai berikut:[9]
1) Memasukkan data asal atau data utama yang
berukuran n (hasil Bootstrap ).
2) Ulangi pembuatan sampel baru dengan kondisi:
- Untuk pengamatan ke-i , menghilangkan data ke-i. Dengan i=1, 2, … , n.
X(i) =(X 1 ,X 2 ,…,Xi-1 ,X (^) i+1,…,Xn )
3) Menghitung rata-rata nilai koefisien regresi hasil
Bootstrap dari proses Jackknife.
4) Gunakan model dari no.3 untuk menghitung.
5) Menghitung nilai standard error Jackknife , dengan
rumus:
(7)
2.2 Modified Robust Tukey Regression
Penggunaan metode Robust Tukey bertujuan untuk mencari data outlier dengan memberikan nilai bobot ( weight ) pada setiap data utama yang akan digunakan. Nilai bobot akan selalu berubah dari satu iterasi ke iterasi berikutnya. Perubahan nilai bobot bertujuan untuk mencari data yang paling berkontribusi terhadap data utama. Nilai bobot yang digunakan adalah 0-1, nilai 0 berarti data tersebut tidak memberikan kontribusi terhadap data utama, dan nilai 1 berarti data tersebut memberikan kontribusi yang besar. Nilai breakdown point (batas) yang ditentukan sendiri pada kasus ini adalah 4.685. Biasanya batas yang digunakan adalah 4-6. Algoritma Robust Tukey Regression adalah sebagai berikut:[10]
1) Mencari model regresi untuk data utama. Mencari
nilai koefisien model regresi dengan regresi linear sederhana atau regresi linear berganda.
2) Menghitung nilai untuk data utama:
untuk regresi linear berganda
Untuk regresi linear sederhana
Ŷ = a + bX (9)
3) Menghitung nilai Error dari data utama
4) Menggunakan nilai Error sebagai X pada penetuan
nilai bobot
5) Memberikan nilai bobot (W) mula-mula sama besar
pada setiap data
Keterangan:
W = nilai bobot
n = jumlah data
6) Menghitung M-estimator
Keterangan:
Xi = data ke–… (dalam bentuk angka)
= M-estimator
W (^) i = Nilai bobot (0-1)
Yang dipengaruhi oleh
(13)
Keterangan:
u= parameter penentu M-estimator
= MAD (Median Absolute Deviation)
7) Menentukan pemberian bobot untuk iterasi
berikutnya
(14)
8) Proses di no.7 terus dilakukan sampai iterasi ke-
atau nilai W yang konvergen.[11]
9) Setelah no.8 , dilihat nilai bobotnya, melakukan
pemisahan data yang memiliki nilai bobot yang bernilai 0 dengan nilai bobot yang tidak bernilai 0.
10) Pisahkan data yang memiliki nilai bobot lebih besar
dari 0 (W>0)
11) Gunakan data yang berbobot lebih dari 0 untuk
membuat model regresi.
12) Dari model regresi yang didapatkan dari no.11,
lanjutkan mencari ŶRobust , dan Error (seperti no.3).
13) Hitung Standard Error (SE) dari Ŷ Robust
dengan, n = jumlah data
2.2.1 Jackknife After Robust
Proses kerja metode Jackknife Ater Robust hampir sama dengan metode Jackknife After Bootstrap sebelumnya. Penggunaan Jackknife After Robust bertujuan untuk memperbaiki hasil estimasi Robust Tukey Regression. Karena Jackknife dapat secara otomatis mengatasi kesalahan dalam situasi yang rumit, dimana terdapat banyak variabel untuk menghitung error dalam kontribusi pada model. Proses kerja dari metode jackknife adalah dengan membuat sebanyak n data kurang satu (n-1). Misalkan data asli berjumlah 50, maka jumlah data pada setiap resample Jackknife adalah 49 dan banyaknya resample adalah 50, dengan asumsi resample menggunakan seluruh data asli. Algoritma Jackknife After Robust adalah sebagai berikut: [9]
1) Memasukkan data asal atau data utama yang berukuran n
(hasil Robust ).
2) Ulangi pembuatan sampel baru dengan kondisi:
- Untuk pengamatan ke-i , menghilangkan data ke-i. Dengan i=1, 2, … , n.
3) Mencari nilai koefisien regresi pada setiap sampel baru
untuk mencari model regresi.
4) Mencari nilai rata-rata dari koefisien regresi yang
didapatkan pada no..
5) Gunakan model dari no.4 untuk menghitung.
6) Menghitung nilai standard error Jackknife , dengan rumus:
(16)
3. Hasil Percobaan
Percobaan dilakukan dengan citra MODIS daerah Karawang, Jawa Barat dengan tanggal 30 Maret 2012. Citra MODIS daerah karawang dapat dilihat pada Gambar
Gambar 3. Hasil Pengujian Dengan Metode Modified Robust Tukey Regression
Gambar 4. Hasil Pengujian Dengan Metode Modified Bootstrap Regression
Tahap evaluasi terhadap model regresi hasil pelatihan adalah dengan melakukan pengujian terhadap data pelatihan. Rincian dari tahap evaluasi dapat dilihat pada Tabel 3 dan Tabel 4.
Tabel 3. Hasil Evaluasi Modified Bootstrap Regression No N Fase Resample R-Sq Evaluasi 1 10 Veg 416 88.97% 34.44% Rep 1788 92.70% 2 15 Veg 110 90.45% 33.33% Rep 220 16.11% 3 20 Veg 156 88.78% 33.33% Rep 148 44.39%
Tabel 4. Hasil Evaluasi Modified Robust Tukey Regression No C Fase Iterasi R-Sq Evaluasi 1 4.5 Veg 10 88.97% 34.44% Rep 92.70% 2 4.8 Veg 90.45% 33.33% Rep 16.11% 3 5 Veg 88.78% 33.33% Rep 44.39% 4 5.5 Veg 92.85% 31.11%
Rep 93.37% 5 6 Veg 20 91.98% 34.44% Rep 96.31% 6 6 Veg 30 91.98% 34.44% Rep 96.31%
Pada tahap pengujian ini juga menjelaskan tentang hasil pengujian dengan data simulasi. Pengujian dengan data simulasi bertujuan untuk menunjukkan jika data yang digunakan pada tahap pelatihanlah yang bermasalah, tidak dengan metode-metode yang digunakan. Pengujian simulasi ini menggunakan sebanyak 70 data yang berbentuk linear, dengan asumsi menggunakan 5 nilai band dan 1 variabel bebas Y. Data simulasi digunakan untuk pelatihan dengan tiga buah metode, yaitu metode Classic , metode Modified Bootstrap Regression , dan metode Modified Robust-Tukey Regression. Metode Classic adalah metode regresi linear berganda biasa. Setelah tahap pelatihan, data simulasi ini juga dilakukan evaluasi dengan melakukan pengujian terhadap data pelatihan simulasi. Hasil perbandingan dari ketiga metode dapat dilihat pada Tabel 5.
Tabel 5. Hasil Evaluasi Data Simulasi No Metode Cut N Iterasi RMSE 1 C - - - 17. 2 B - 20 49 14.
- 25 439 14.
- 30 224 14. 3 R 4 - 7 12. 4.5 - 11. 4.7 - 11. 5 - 11. 4 - 20 12. 4.5 - 20 11.
Tabel 5. (Lanjutan) No Metode R-Sq Waktu (mS)
Evaluasi
1 C 98.03 7214 94.29% 2 B 85.86 14295 90.17% 93.46 52209 92.86% 93.03 19562 94.29% 3 R 98.63 208058 72.86% 98.33 198561 91.43% 98.92 191539 91.43% 97.85 185214 92.86% 98.63 261180 72.86% 98.33 307135 91.43%
C : Metode Classic
B : Metode Modified Bootstrap Regression
R : Metode Modified Robust Tukey Regression
Cut : Nilai cut off (batasan)
N : Banyak anggota pada setiap resampling
4. Kesimpulan Dan Saran
Berdasarkan hasil pengujian yang telah dilakukan, dapat disimpulkan bahwa:
1. Dari hasil pelatihan diperoleh model untuk setiap
fase, yaitu fase vegetatif dan fase reproduktif di masing-masing metode yang digunakan.
2. Metode Modified Bootstrap Regression melakukan
proses pelatihan yang relatif cukup lama, karena mencari nilai error sampai konvergen.
3. Hasil kebenaran evaluasi yang dilakukan ini masih
sangat rendah yaitu sekitar 30 persen.
Saran yang dapat diberikan bagi mereka yang ingin mengembangkan penelitian ini adalah:
1. Perlu pemeriksaan lebih lanjut tentang cara
penyelarasan antara data latih Groundbased dengan data uji MODIS.
2. Perlu ada normalisasi pada data latih yang asli,
dikarenakan adanya persebaran data yang tidak normal.
3. Jika ingin mendapatkan hasil yang lebih baik lagi
untuk metode Modified Robust Regression, dibutuhkan teknik lain dalam hal penentuan batasan ( cut off ).
4. Perlu penelitian lebih lanjut dalam hal penentuan
batasan( range ) untuk kategori kurang atau cukup.
5. Proses linearisasi jika ingin melakukan perhitungan
secara linear.
REFERENSI
[1] Agus Wibowo et al., ”Pemilihan Kanal yang Optimal Untuk Model Prediksi kandungan Air Daun Padi dengan Data Field-Spectrometer dan Airborne-Hyperspectral”. Jurnal sains dan Teknologi Indonesia (JSTI) Vol. 12, No 2, Agustus
[2] Hikmah, Luluk Ainul; Kurniasari, Nurina; Rustami, Bestina; Hartati, Citra; Pradeksa, Yogi dan Arta, Sandy Budi. LAPORAN RESMI PRAKTIKUM DASAR-DASAR ARGONOMI. http://www.scribd.com/doc/56609284 / Laporan-Resmi-Praktikum-Dasgro.
[3] Avatarnet. Evapotranspirasi. http://wwww.scribd.com/ 68570956/evapotranspirasi,
[4] Wim Bakker, Remote Sensing Definition, http:// members.home.nl/wim.h.bakker/rsdef.html.
[5] Kamus Ilmiah, MODIS, Mengamati Lingkungan Global dari Angkasa , http://www.kamusilmiah.com/elektronik/ modis-mengamati-lingkungan-global-dari-angkasa/
[6] Bradley Efron and Robert J. Tibshirani, An Introduction to the Bootstrap, (New York: Chapman & Hall, 1993)
[7] Mokhamad Midori, Regresi Dan Korelasi, http:// blog.ub.ac.id/midori/2012/04/03/regresi-dan-korelasi/
[8] Peter Young, Jackknife and Bootstrap Resampling Methods in Statistical Analysis to Correct for Bias, http:// physics.ucsc.edu/~peter/jackboot.pdf
[9] Raoul Lepage dan Lynne Billard, Exploring The Limits of Bootstrap, (New York: John Wiley & Sons, Inc., 1992)
[10] George W.Dombi, Using Biweight for Handling Outliers, http://www.mwsug.org/proceedings/2006/stats/ MWSUG-2006-SD01.pdf
[11] Sas,M-Estimation, http://support.sas.com /documentation / cdl/en/statug/63033/HTML/default/ viewer.htm#statug_rreg_sect017.htm
