UMSUMS

Forum GeografiForum Geografi

Kepanitiaan global tentang pembangunan berkelanjutan menyoroti masalah kelayakan masakan, dengan pertumbuhan populasi cepat, perubahan iklim, degradasi lahan, dan persaingan sumber daya alam yang meningkat. Manajemen pertanian yang ekologi dan pembuatan kebijakan yang diinformasikan memerlukan peta tanaman pangan yang akurat dan dapat diandalkan. Pemetaan tanaman pangan berbasis citra terpadu telah menjadi krusial, dan algoritma pembelajaran mesin (ML) dan pembelajaran mendalam (DL) kini menjadi semakin penting untuk meningkatkan akurasi dalam klasifikasi tanaman. Kajian literatur sistematis ini mengkaji efektivitas algoritma ML dan arsitektur DL dalam pemetaan tanaman pangan melalui citra satelit dan UAV, memanfaatkan panduan PRISMA, antara tahun 2017 dan Maret 2026. Dari 1.589 publikasi awal, 80 studi dipilih berdasarkan kriteria inklusi dan eksklusi, dengan variabel seperti jenis algoritma, spesies tanaman, modalitas sensor, platform spasial, metrik akurasi, dan strategi validasi. Analisis menunjukkan bahwa U‑Net, model penjelasan berbasis nilai, dan jaringan saraf konvolusi satu dimensi (Conv1D) memiliki akurasi rata-rata tertinggi. Namun, performa tetap bervariasi berdasarkan jenis tanaman, karakteristik sensor, dan kondisi agro‑ekologis. Temuan ini menawarkan kerangka kerja terorganisir bagi penelitian selanjutnya dalam manajemen dan pemantauan tanaman pangan, serta menunjukkan potensi pengembangan kebijakan berbasis data untuk mengoptimalkan penggunaan lahan, meminimalkan risiko lingkungan, dan meningkatkan keberlanjutan pangan global.

Metode pembelajaran mesin dan deep learning telah terbukti efektif dalam pemetaan tanaman pangan berbasis citra satelit dan UAV, dengan algoritma seperti Random Forest, Support Vector Machine, dan Long Short-Term Memory sering digunakan.Model berbasis U‑Net, penjelasan nilai, dan Conv1D menunjukkan kinerja terbaik, namun ketepatan masih dipengaruhi oleh variabilitas jenis tanaman, kondisi sensor, dan faktor agro‑ekologi.Untuk meningkatkan akurasi dan keserbagunaan, penelitian lanjutan perlu fokus pada model yang dapat beradaptasi lintas wilayah, penjelasan AI, dan fusi data multi‑sumber real‑time.

Berhubung keuncian pemantauan tanaman pangan, penelitian selanjutnya dapat mempelajari bagaimana model transfer learning yang dilatih pada dataset global dapat beradaptasi pada daerah dengan iklim ekstrem, sehingga memperluas cakupan dan akurasi klasifikasi tanpa memerlukan dataset berlabel lokal yang besar. Selanjutnya, integrasi data UAV dan citra satelit dalam sistem pemantauan real‑time dapat dijelajahi, bertujuan memanfaatkan keunggulan resolusi tinggi UAV untuk detail lahan dan keandalan temporal satelit untuk jangka panjang, sehingga membuka jalan bagi deteksi dini perubahan pola tanam dan penciptaan peringatan risiko. Akhirnya, studi eksploratif mengenai mekanisme penjelasan AI (XAI) yang dapat menafsirkan keputusan model deep learning akan memperkuat kepercayaan pengguna akhir, memungkinkan pengambil kebijakan untuk menyesuaikan strategi pertanian berbasis bukti secara lebih terukur dan transparan.

  1. Information processing of remotely sensed agricultural data | IEEE Journals & Magazine | IEEE Xplore.... doi.org/10.1109/PROC.1969.7019Information processing of remotely sensed agricultural data IEEE Journals Magazine IEEE Xplore doi 10 1109 PROC 1969 7019
  2. Effectiveness of Machine and Deep Learning Algorithms in Remote Sensing for Food Crop Mapping: A Systematic... journals2.ums.ac.id/fg/article/view/12235Effectiveness of Machine and Deep Learning Algorithms in Remote Sensing for Food Crop Mapping A Systematic journals2 ums ac fg article view 12235
Read online
File size513.28 KB
Pages21
DMCAReport

Related /

ads-block-test