Analisis LAI, LSM, LCC, dan LNC Tanaman Tebu Berdasarkan Data Remote Sensing Landsat 9
Tahun 2026 · Penulis: Aulia Ayu Rachmadini
Faculty of Mathematics and Natural Sciences, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/12046
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Produktivitas dan kualitas tebu, khususnya kadar gula rata-rata merupakan indicator penting dalam mendukung efisiensi produksi gula. Pengukuran kadar gula secara konvensional di lapangan membutuhkan waktu dan biaya yang relatif besar, sehingga diperlukan metode alternatif yang lebih efisien. Pemanfaatan teknologi penginderaan jauh melalui citra satelit Landsat 9 memungkinkan pemantauan kondisi biofisika dan biokimia tanaman secara spasial dan temporal. Parameter yang digunakan dalam penelitian ini meliputi Leaf Area Index (LAI), Leaf Surface Moisture (LSM), Leaf Chlorophyll Content (LCC), Leaf Nitrogen Content (LNC), serta Growing Degree Days (GDD) sebagai indikator akumulasi suhu pertumbuhan tanaman. Penelitian ini bertujuan untuk membangun model estimasi kadar gula rata-rata tanaman tebu menggunakan metode Multivariate Linear Regression (MLR). Data parameter vegetasi diperoleh melalui pengolahan citra Landsat 9 menggunakan Google Earth Engine (GEE), sedangkan data GDD dihitung berdasarkan data suhu. Parameter-parameter tersebut digunakan sebagai variabel independen, sedangkan kadar gula rata-rata digunakan sebagai variabel dependen. Hasil penelitian menunjukkan bahwa kombinasi parameter LAI, LSM, LCC, LNC, dan GDD memiliki hubungan yang sangat kuat dengan kadar gula rata-rata, dengan nilai koefisien determinasi (R²) sebesar 0,968. Hal ini menunjukkan bahwa model yang dihasilkan mampu melakukan estimasi kadar gula tanaman tebu dengan tingkat akurasi 96,8%. Dengan demikian, pendekatan penginderaan jauh dan pemodelan MLR dapat digunakan secara efektif untuk mengestimasi kadar gula tanaman tebu secara efisien.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,850
Tahun 2026 · Penulis: Irzaqun Nuril Maulidiya
Estimasi Produktivitas Tebu di Wilayah Perkebunan Glenmore Menggunakan Indeks Vegetasi Berdasarkan Analisis Truncated Spline
Perkiraan yang akurat tentang produktivitas tebu sangat penting untuk merencanakan dan mengelola produksi gula nasional. Namun, metode yang umum digunakan di lapangan untuk menentukan produktivitas tebu masih bergantung pada pengukuran konvensional yang memerl
- Cosine 0,842
Tahun 2026 · Penulis: Irzaqun Nuril Maulidiya
Estimasi Produktivitas Tebu di Wilayah Perkebunan Glenmore Menggunakan Indeks Vegetasi Berdasarkan Analisis Truncated Spline
Produktivitas tebu merupakan parameter penting dalam mendukung kebutuhan gula nasional, namun estimasinya di lapangan masih banyak dilakukan menggunakan metode konvensional yang memerlukan waktu dan biaya besar. Pemanfaatan penginderaan jauh melalui citra sate
- Cosine 0,842
Tahun 2026 · Penulis: Hoirul Anam
Komparasi Model Machine Learning untuk Estimasi Yield Tebu Berbasis Indeks Vegetasi Sentinel-2 di Kabupaten Jember
Perkiraan hasil tebu yang akurat sangat penting bagi para petani, industri gula, dan pembuat kebijakan pertanian, namun metode survei lapangan konvensional masih terbatas dalam cakupan spasial, ketepatan waktu, dan biaya operasional. Penelitian ini membandingk