1 PENDAHULUAN Latar Belakang Teknologi hyperspectral

PENDAHULUAN
Latar Belakang
Teknologi
hyperspectral
merupakan
teknologi baru dalam bidang penginderaan jauh
(remote sensing) yang mampu merekam ratusan
sampai ribuan band dalam sekali pengambilan
data. Dengan hyperspectral, tutupan lahan
dapat dikenali lebih rinci sampai jenis dan
kondisi tanamannya.
(LAI) dan kandungan klorofil kanopi pada
padang rumput Mediterania menggunakan tiga
teknik yaitu partial least square regression
(PLSR), band sempit (narrow band indices) dan
titik infleksi red edge. Penelitian tersebut
memperlihatkan bahwa PLSR memberikan hasil
yang lebih baik dengan R2 0.69 untuk LAI dan
0.74 untuk kandungan klorofil.
Teknologi hyperspectral telah menarik
perhatian Pusat Teknologi Inventarisasi Sumber
Daya Alam Badan Pengkajian dan Penerapan
Teknologi (PTISDA BPPT) untuk diterapkan
pada
permasalahan
pertanian
nasional.
Permasalahan pertanian yang muncul saat ini
salah satunya adalah belum digunakan data
yang aktual untuk memprediksi hasil panen padi
di Indonesia. BPPT mengadakan projek
penelitian yang diberi nama HyperSri untuk
memprediksi jumlah produksi padi per tahun di
Indonesia menggunakan data hyperspectral.
Di dalam proyek HyperSri dikaji beberapa
algoritme untuk memprediksi indeks luas
permukaan daun (Leaf Area Index/LAI), jumlah
kandungan klorofil (SPAD), dan hasil panen
(yield).
Secara
khusus
penelitian
ini
mempelajari algoritme partial least square
regression (PLSR). Hasil pemodelan yang
diperoleh dari penelitian ini diharapkan dapat
digunakan untuk memprediksi hasil panen padi
per tahun dari data citra satelit.
Patelet al. (2001) dalam Borengasser et al.
(2008) telah melakukan penelitian
untuk
menemukan hubungan antara inflection
wavelength dengan LAI dan kandungan klorofil
untuk gandum. Grafik hubungan antara
inflection wavelength dengan LAI gandum
dapat dilihat pada Gambar 1, sedangkan
hubungan antara inflection wavelength dengan
kandungan klorofil gandum dapat dilihat pada
Gambar 2.
Gambar 1 Hubungan inflection wavelength
dengan LAI gandum (Patel et al.
2001).
Gambar 2 Hubungan inflection wavelength
dengan kandungan klorofil gandum
(Patel et al. 2001).
Dari Gambar 1 dan Gambar 2 terlihat
hubungan linear antara perubahan panjang
gelombang dengan LAI dan kandungan klorofil
gandum. Secara berurutan koefisien determinasi
(R2) hubungan tersebut yaitu 0.62 dan 0.32.
Patel et al. (2001) dalam Borengasser et al.
(2008) menyatakan bahwa hasil R2 tersebut
mengindikasikan bahwa resolusi tinggi data
spektral dapat digunakan untuk memperkirakan
kondisi pertumbuhan hasil panen dan
mengidentifikasi tekanan hasil panen.
Tujuan
Darvishzadeh et al. (2008) melakukan
penelitian yang memprediksi Leaf Area Index
Data hyperspectral yang digunakan terdiri
atas nilai-nilai reflectance dan panjang
Tujuan dari penelitian ini yaitu memprediksi
LAI, SPAD, dan yield padi dengan
menggunakan algoritme partial least square
regression (PLSR).
Ruang Lingkup
Data
yang
digunakan
yaitu
data
hyperspectral dan data crop variable milik
PTISDA BPPT yang bekerja sama dengan
ERSDAC Jepang.
1
gelombang padi. Pada data yang akan
digunakan, penentuan kelas telah ditentukan
berdasarkan wilayah, jenis padi, masa
pertumbuhan, dan ketinggian pengambilan data.
Wilayah yang digunakan yaitu Indramayu dan
Subang, masa pertumbuhan tanaman padi yaitu
vegetatif, reproduktif, dan ripening, sedangkan
ketinggian pengambilan data spektral yaitu 10
cm, 50 cm, dan HyMap (2000 m). Data untuk
ketinggian 10 dan 50 cm disebut data
Field_Spect 10 dan Field_Spect 50. Hasil
prediksi dievaluasi menggunakan nilai koefisien
determinasi (R2) dan sebagai pembanding
kebaikan hasil prediksi juga digunakan Root
Mean Square Error (RMSE).
Manfaat
Manfaat dari penelitian ini yaitu membantu
mendapatkan nilai akurasi dari algoritme PLSR
sehingga didapatkan model yang dapat
digunakan pada citra satelit untuk prediksi hasil
panen padi per tahun di Indonesia.
TINJAUAN PUSTAKA
Hyperspectral
Teknologi yang memanfaatkan pencitraan
jarak jauh (remote sensing) telah banyak
mengalami kemajuan. Teknologi yang saat ini
masih termasuk muda adalah hyperspectral.
Hyperspectral remote sensing merupakan suatu
teknologi pencitraan jarak jauh yang merupakan
adaptasi dari multispectral remote sensing.
Multispectral menghasilkan gambar dengan
beberapa band panjang gelombang yang relatif
luas, sedangkan hyperspectral mengumpulkan
data gambar secara bersamaan dalam ratusan
atau ribuan band spektral yang berdekatan. Data
citra hyperspectral dihasilkan oleh alat yang
disebut
spektrometer
yang
melibatkan
konvergensi dua teknologi yaitu spektroskopi
dan pencitraan jauh (Smith 2006).
Smith (2006) menyatakan bahwa spektrum
gambar hasil penyesuaian sensor, atmosfer, dan
efek medan dibandingkan dengan spektrum
reflectance lapangan atau laboratorium untuk
memetakan material permukaan objek yang
terkait.
Reflectance adalah persentase cahaya yang
dipantulkan oleh suatu material (Borengasser et
al. 2008). Nilai reflectance bervariasi untuk
setiap benda dengan bahan yang berbeda.
Contoh grafik perbandingan nilai reflectance
dapat dilihat pada Gambar 3.
Gambar 3 Grafik perbandingan
(Smith 2006).
reflectance
Pada umumnya, sensor mengumpulkan data
secara pasif atau aktif. Sensor pasif
mengumpulkan
dan
merekam
energi
elektromagnetik
yang
dipantulkan
atau
dipancarkan oleh permukaan suatu fitur
tertentu, khususnya terusan dari sebuah lensa
optik. Sensor aktif menghasilkan energi
pemiliknya dan kemudian mengumpulkan
sinyal yang dipantulkan dari permukaan bumi.
Pada citra hyperspectral, sumber data
memasukkan 10 atau lebih data band. Lebar
band data memiliki range 1 sampai 15
nanometer sedangkan pada multispectral lebar
band berkisar antara 50 sampai 120 nanometer.
Data
multispectral
bisa
memiliki
celah/renggang antara spectral band yang
dikumpulkan, sedangkan data hyperspectral
memiliki kumpulan band yang kontinyu
(Borengasser et al. 2008).
Sampai saat ini PTISDA BPPT melakukan
penelitian untuk memprediksi jumlah produksi
padi per tahun dengan menggunakan data
hyperspectral. Panjang gelombang yang
digunakan antara 350 sampai 2500 nanometer,
band yang digunakan sebanyak 114 band.
Variabel pertanian yang diukur yaitu LAI,
SPAD, dan yield. Pada penelitian tersebut telah
dilakukan analisis regresi menggunakan
algoritme multiple linear regression (MLR) dan
principal components regression (PCR) (Evri
2009).
Regresi Linear
Pada pengolahan data, peneliti selalu
berkepentingan untuk menentukan hubungan
antara dua atau lebih peubah. Hubungan
tersebut mungkin renggang, seperti dalam
asosiasi, atau mungkin pula erat. Pada kondisi
tertentu, dua peubah mungkin bebas satu sama
lain. Hal tersebut berarti korelasinya nol. Pada
kondisi lain, peubah bergantung sepenuhnya
pada peubah yang lain. Jika hubungan kedua
2