KEBUTUHAN STANDAR TEKNOLOGI HIPERSPEKTRAL DAN KESIAPAN TEKNOLOGINYA DI INDONESIA

Meilinda Ayundyahrini, Endi Hari Purwanto, Reza Lukiawan, Ajun Tri Setyoko

Abstract

Hyperspektral merupakan teknologi yang memanfaatkan radiasi elektromagnetik dan cahaya. Teknologi ini dimanfaatkan dalam pemetaan bumi baik pada satelit maupun insitu. Selain hiperspektral, terdapat multi spketral yang memiliki perbedaan pada jumlah kanal (band) yaitu mencapai 100-500 band pada hiperspektral. Tingginya band ini menghasilkan data yang kaya informasi, spesifik dan detail. Sensor dapat menangkap reflektansi atau pantulan spektrum gelombang tampak yang kembali dari permukaan bumi. Kompleksitas dan beragamnya pengolahan hiperspektral berdampak pada akurasi citra yang berbeda-beda. Sampai saat ini belum ada prosedur atau standar yang berlaku secara internasional, namun beberapa instansi internasional telah mengarah pada penyusunan standar terkait. Mengingat teknologi dan pemanfaatan hiperspektral di dunia yang kembali berkembang, sehingga perlu disusun sebuah standar agar citra yang didapat memiliki tingkat akurasi yang baik dan layak dijadikan dasar kebijakan. Tentunya dalam penyusunan standar perlu diawali dengan mengetahui kesiapan standar dan persepsi stakeholder. Penelitian ini menggunakan metode deskriptif kuantitatif untuk menjelaskan fenomena yang terjadi dan analisa SWOT. Hasil dari penelitian ini menunjukkan bahwa perlu disusun standar pengukuran spektral dengan nilai 100%, standar kalibrasi peralatan dengan persentase setuju 93,3% dan rata-rata likert 4,47, dan komponen utama hiperspektral sebesar 93,3% dengan rata-rata likert 4,27. Responden yang menyampaikan bahwa Indonesia belum siap mengembangkan teknologi hiperspektral sebesar 72,86% dan 20% diantaranya harus segera memulainya. Urgensi penerapan hiperspektral di Indonesia adalah di bidang pertanian yang mana dapat mendukung precision agriculture dalam rangka mendukung program ketahanan pangan.

Keywords

kesiapan, standar, hiperspektral

Full Text:

PDF

References

Agustina, S. D., Mustakim, Okfalisa, Bella, C., & Ramadhan, M. A. (2018). Support Vector Regression Algorithm Modeling to Predict the Availability of Foodstuff in Indonesia to Face the Demographic Bonus. Journal of Physics: Conference Series, 1028(1). https://doi.org/10.1088/1742-6596/1028/1/012240

Ali, A. M., Darvishzadeh, R., Skidmore, A. K., & van Duren, I. (2017). Specific leaf area estimation from leaf and canopy reflectance through optimization and validation of vegetation indices. Agricultural and Forest Meteorology, 236, 162–174. https://doi.org/10.1016/j.agrformet.2017.01.015

Arikunto. (2010). Prosedur Penelitian: Suatu Pendekatan Praktek. Jakarta: Rineka Cipta.

Erwin, H. P., H, E. W., Pengelolaa, B., Aaliran, D., Tondano, S., Taman, B., & Bunaken, N. (2013). Kajian teknis penggunaan citra satelit eo-1 hyperion untuk pemetaan habitat terumbu karang di pesisir utara taman nasional bunaken. Info BPK Manado, 3(1), 65–78.

Farahidy, I., Sadly, M., Kristijono, A., Sanjaya, H., & Frederik, M. (2005). Application of Hyperspectral Technology in Indonesia : Overview on Bppt Hyperspectral Program. In Pertemuan Ilmiah Tahunan MAPIN XIV (p. TIS-329-TIS-336).

Kamal, M., & Arjasakusuma., S. (2010). Ekstraksi Informasi Penutup Lahan Menggunakan Spektrometer Lapangan Sebagai Masukan Endmember Pada Data Hiperspektral Resolusi Sedang. Jurnal Ilmiah Geomatika, 16(2), 10–22.

Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Möckel, R., Hödl, P., … Gloaguen, R. (2018). Integration of Terrestrial and Drone-Borne Hyperspectral and Photogrammetric Sensing Methods for Exploration Mapping and Mining Monitoring. MDPI Journal, 10(9). https://doi.org/https://doi.org/10.3390/rs10091366

Kun Tan, Wu, F., Du, Q., Du, P., & Chen, Y. (2019). A Parallel Gaussian–Bernoulli Restricted Boltzmann Machine for Mining Area Classification With Hyperspectral Imagery. Applied Earth Observations and Remote Sensing, 12(2), 627–636. https://doi.org/10.1109/JSTARS.2019.2892975

Maspiyanti, F., Fanany, M. I., & Arymurthy, A. M. (2013). Klasifikasi Fase Pertumbuhan Padi Berdasarkan Citra Hiperspektral dengan Modifikasi Logika Fuzzy ( Paddy Growth Stages Classification based on Hyperspectral Image using Modified Fuzzy Logic). Jurnal Penginderaan Jauh, 10, 41–48.

Narieswari, L. (2012). Pembangunan pustaka spektral tanaman padi ( Development of Paddy Spectral Library as a Key. Globe, 14(2), 134–145.

Pattiasina, T. F. (2010). Potensi Penggunaan Data HYPERSPECTRAL untuk Pemetaan Sebaran Jenis- Jenis Mangrove ( The Potential of Hyperspectral data utilization for mapping distribution of mangrove species ). Warta Konservasi, 18(1), 16–17.

Perdinan, Dewi, N. W. S. P., & Dharma, A. W. (2018). Lesson learnt from Smart Rice Actions in Indonesia. Future of Food: Journal on Food Agriculture and Society, 6(2), 9–20. https://doi.org/10.17170/kobra-2018122067

Rusliyadi, M., Jamil, A. B. H. M., & Kumalasari, R. T. (2019). Analysis of household food security policy : case of food security village programme , indonesia. Asian Journal of Agriculture and Rural Development, 9(1), 19–32. https://doi.org/10.18488/journal.1005/2019.9.1/1005.1.19.32

S.Virgawati, Mawardi, M., Sutiarso, L., Shibusawa, S., Segah, H., & Kodaira, M. (2019). Exploration of soil spectral reflectance characteristics relating to the soil organic matter content. Jurnal Teknik Pertanian Lampung, 8(September), 214–223.

Sadly, M., Mulyono, S., & Sulaiman, A. (2013). Pengembangan Sistem Prediksi Produktifitas Padi dengan Pendekatan Integrasi Teknologi Hyperspectral Remote Sensing, Algoritma Genetika dan Model Pertumbuhan Ekonomi Pertanian berdasarkan Dinamika Nonlinier: -Sistem untuk Mendukung Program Ketahanan Pangan. In K. Wikantika & L. F. Yayusman (Eds.), Bunga Rampai Penginderaan Jauh Indonesia 2012 (pp. 2–22). Bandung: Pusat Penginderaan Jauh.

Sembiring, S. A. (2018). Analysis of rice policy based on presidential instruction on household food security: Simultaneous equation model. IOP Conference Series: Earth and Environmental Science, 122(1). https://doi.org/10.1088/1755-1315/122/1/012010

Sukojo, B. M., Nabilah, S., & Swastyastu, C. A. (2019). Landsat 8 satellite imagery analysis for rice production estimates (Case study: Bojonegoro regencys). Journal of Theoretical and Applied Information Technology, 97(1), 98–108.

Sun, Z., Wu, D., Lv, Y., & Zhao, Y. (2017). Polarized reflectance factors of vegetation covers from laboratory and field: A comparison with modeled results. Journal of Geophysical Research, 122(2), 1042–1065. https://doi.org/10.1002/2016JD025892

Thorp, K. R., Wang, G., Bronson, K. F., Badaruddin, M., & Mon, J. (2017). Hyperspectral data mining to identify relevant canopy spectral features for estimating durum wheat growth, nitrogen status, and grain yield. Computers and Electronics in Agriculture, 136, 1–12. https://doi.org/https://doi.org/10.1016/j.compag.2017.02.024

Transon, J., d’Andrimont, R., Maugnard, A., & Defourny, P. (2018). Survey of hyperspectral Earth Observation applications from space in the Sentinel-2 context. Remote Sensing, 10(2), 1–32. https://doi.org/10.3390/rs10020157

Widyasasi, D., Sukmono, A., Sukojo, B. M., Handayani, H. H., & Darmawan, A. (2013). Model Estimasi Kerapatan Daun Tanaman Padi Dengan Citra Hyperspectral Berbasis Spectral In Situ untuk Pemantauan Fase Tumbuh Padi. In Seminar Nasional Pendayagunaan Informasi Geospatial (pp. 148–154).

Wiweka. (2008). Kapabilitas citra hiperspektral. Berita Dirgantara, 9(3), 55–60.

DOI: http://dx.doi.org/10.31153/js.v22i3.844