Penulis Utama : Gilang Fajar Ramadhan
NIM / NIP : I0721027
×

Sektor pertanian berperan penting dalam perekonomian dan ketahanan pangan, namun menghadapi tantangan besar akibat perubahan iklim yang menyebabkan ketidakpastian pola curah hujan dan ketersediaan air untuk irigasi. Tanaman cabai yang sangat sensitif terhadap ketersediaan air menuntu adanya sistem irigasi yang lebih efisien dan adaptif. Penelitian ini mengusulkan pendekatan berbasis RL (Reinforcement Learning) dengan algoritma PPO (Proximal Policy Optimization) untuk mengoptimalkan pengaturan irigasi berdasarkan data SAVI (Soil Adjusted Vegetation Index) yang diperoleh dari citra satelit sentinel dan landsat. Kemudian untuk mengatasi masalah data null pada citra satelit, dilakukan interpolasi harian serta fallback musiman guna memastikan kontinuitas data sebagai input model RL. Dalam pendekatan ini, PPO bertugas untuk mempelajari pola kebutuhan air tanaman dengan mempertimbangkan kondisi vegetasi berdasarkan nilai SAVI yang terekam. Fungsi reward dirancang untuk mendorong agen memilih aksi irigasi yang paling sesuai, berdasarkan kesesuaian antara jumlah air yang diberikan dan kebutuhan tanaman yang tercermin pada nilai SAVI. Hasil penelitian menunjukkan bahwa model RL dengan algoritma PPO berhasil menerapkan kebijakan irigasi yang adaptif dan efisien, sehingga dapat meningkatkan efisiensi penggunaan air secara optimal. Dengan melakukan perbandingan terhadap baseline yang memberikan strategi irigasi tinggi setiap terdapat jeda tujuh hari, didapatkan hasil pada model PPO dengan dataset sentinel mengalami penghematan sebesar 11,2%. Sedangkan pada dataset landsat mengalami penghematan sebesar 58,9%.

×
Penulis Utama : Gilang Fajar Ramadhan
Penulis Tambahan : -
NIM / NIP : I0721027
Tahun : 2025
Judul : Penerapan Reinforcement Learning Pada Citra Satelit Lahan Pertanian Untuk Manajemen Irigasi
Edisi :
Imprint : Surakarta - Fak. Teknik - 2025
Program Studi : S-1 Teknik Elektro
Kolasi :
Sumber :
Kata Kunci : Irigasi, Pertanian Presisi, Reinforcement Learning, Proximal Policy Optimization, SAVI, Sentinel, Landsat
Jenis Dokumen : Skripsi
ISSN :
ISBN :
Link DOI / Jurnal : -
Status : Public
Pembimbing : 1. Dr. Eng. Ir. Faisal Rahutomo, S.T., M.Kom.
2. Ir. Meiyanto Eko Sulistyo, S.T., M.Eng.
Penguji : 1. Ir. Muhammad Hamka Ibrahim, S.T., M.Eng., Ph.D., IPM, ASEAN.Eng.
2. Ir. Subuh Pramono, S.T., M.T., Ph.D., IPM
Catatan Umum :
Fakultas : Fak. Teknik
×
Halaman Awal : Harus menjadi member dan login terlebih dahulu untuk bisa download.
Halaman Cover : Harus menjadi member dan login terlebih dahulu untuk bisa download.
BAB I : Harus menjadi member dan login terlebih dahulu untuk bisa download.
BAB II : Harus menjadi member dan login terlebih dahulu untuk bisa download.
BAB III : Harus menjadi member dan login terlebih dahulu untuk bisa download.
BAB IV : Harus menjadi member dan login terlebih dahulu untuk bisa download.
BAB V : Harus menjadi member dan login terlebih dahulu untuk bisa download.
BAB Tambahan : Harus menjadi member dan login terlebih dahulu untuk bisa download.
Daftar Pustaka : Harus menjadi member dan login terlebih dahulu untuk bisa download.
Lampiran : Harus menjadi member dan login terlebih dahulu untuk bisa download.