Pemilihan Fitur Citra Hiperspektral Hyma (1)

Pemilihan Fitur Citra Hiperspektral Hymap Dan Model Prediksi Panen Padi Menggunakan
Algoritma Genetika Dan Regresi Komponen Utama
(Feature selection of Hyperspectral remote sensing and prediction model with genetic algorithm
and principal component regression)
1

2

3

Sidik Mulyono , Erna Piantari , Mohamad Ivan Fanany , Tjan Basaruddin

3

1

Badan Pengkajian dan Penerapan Teknologi
Mahasiswa S1 Departemen Ilmu Komputer Institut Pertanian Bogor
3
Fakultas Ilmu Komputer, Universitas Indonesia

2

Abstrak
Citra hiperspektral Hymap yang terdiri dari jumlah band yang sangat banyak, memerlukan metode analisa yang
canggih untuk menganalisanya. Salah satu pendekatannya adalah mengurangi computational cost, dengan
mengeliminasi band yang tidak memberikan nilai tambah terhadap analisa maupun model prediksi yang akan
dilakukan, yaitu dengan menggunakan algoritma genetika yang dipadukan dengan regresi komponen utama. Nilai
fitness yang digunakan untuk menentukan jumlah band yang paling optimal adalah nilai error terkecil berdasarkan
kaidah norm dari model prediksi yang dibangun. Model prediksi yang terbangun ini dapat diaplikasikan ke dalam citra
hiperspektral Hymapuntuk mengetahui sebaran produksifitas padi di suatu wilayah.
Kata kunci: Citra hiperspektral, algoritma genetika, regresi komponen utama, produktifitas padi
Abstract
Hymap Hyperspectral image consists of large number of bands which require sophisticated method to analyze. One
approach to reduce computational cost and accelerate knowledge discovery, is to eliminate bands that do not add
value to the analysis and prediction models that will be applied, by using genetic algorithms combined with principal
component regression (GA-PCR). Fitness value that is used to determine the optimal number of band is defined as
the smallest error based on norm principle which analysed from PCR. Prediction model developed in this study is
then applied to the hyperspectral image to know the spatial distribution of paddy yield.
Index terms: Hymap hyperspectral image, genetic algorithms, principal component regression, paddy yield

1. Latar Belakang
Teknologi penginderaan jauh (inderaja) hiperspektral yang merupakan pengembangan teknologi inderaja
terkini memiliki beberapa keunggulan yang sangat nyata dibanding teknologi inderaja multispektral
sebelumnya. Dengan memiliki jumlah band yang berjumlah hingga ratusan kanal, membuat teknologi ini
sangat memungkinkan untuk dikaji secara lebih rinci dalam memantau vegetasi pada umumnya, maupun
yang lebih khusus seperti untuk memantau pertumbuhan dan perkembangan kondisi tanaman padi.
Teknologi inderaja memiliki potensi untuk memberikan informasi tentang tanaman pertanian secara
kuantitatif dan cepat, tanpa merusak tanaman itu sendiri di daerah cakupan yang sangat luas. Selain itu
juga karena inderaja dapat memberikan informasi tentang status sebenarnya dari tanaman pertanian,
maka integrasi antara data inderaja dan model simulasi pertumbuhan tanaman merupakan tren penting
untuk estimasi hasil dan prediksi, (Huang Jing-feng et al., 2002).
Akan tetapi, di balik dari keunggulan inderaja hiperspektral yang memiliki hingga ratusan band ini,
terdapat beberapa kelemahan. Biaya yang cukup mahal untuk melakukan pengambilan data di lapangan,
sehingga data yang terkumpul dan akan digunakan untuk analisis sangat terbatas sekali. Selain itu juga
kemungkinan terdapat hubungan multikolinear antar band yang saling berdekatan, yang dapat
menimbulkan kutukan dimensi (curse of dimension), sehingga hasil analisis akan mengalami overfitting
(Gustavo Camps-Valls et al, 2005). Untuk menghindari hal tersebut maka diperlukan pengembangan
metode baru untuk menganalisisnya.

1

Dalam makalah ini akan dibahas metode algoritma genetika yang dipadukan dengan regresi komponen
utama (GA-PCR). Algoritma genetika akan membentuk konfigurasi band hiperspektral Hymap dari mulai
pembentukan konfigurasi penuh seluruh band (berjumlah 116 band), dan melalui proses cross-over dan
mutasi, akan dibentuk generasi baru yang jumlah bandnya semakin berkurang, tetapi keakurasiannya
meningkat hingga mencapai titik konvergen. Setiap konfigurasi band yang terbentuk, akan dilakukan
regresi menggunakan PCR terhadap 3 parameter agronomi, yaitu terhadap indeks luas daun (LAI), nilai
kehijauan (yang direpresentasikan dalam bentuk nilai SPAD), serta produktifitas padi (yield). Penentuan
kecocokan (fitness) dalam proses genetika ini dilakukan berdasarkan nilai terkecil dari error berdasarkan
kaidah norm yang dianalisis menggunakan PCR, lalu dikalibrasi dan diuji menggunakan 8 kali putaran
sampling (8-fold train-test sampling). Proses genetika akan berhenti dengan sendirinya bila nilai fitness
sudah mencapai nilai jenuh (convergence), dan konfigurasi band yang terbentuk menunjukan band
optimal yang akan digunakan untuk membangun model prediksi tanaman padi.

2. Bahan dan Metoda (Teknik Analisis)
2.1 Area studi dan sampling
Studi dilakukan di 2 lokasi sentra produksi padi yaitu Kabupaten Subang (Koordinat : 107” 31’ - 107” 54’
Bujur timur dan 6” 1’ - 6” 49’ Lintang selatan) dan Kabupaten Indramayu (Koordinat : 107"51'- 108"36'
Bujur Timur dan 6"15' - 6"40' Lintang Selatan), propinsi Jawa Barat. Kedua kabupaten ini memiliki
kontribusi lebih dari 2% dari seluruh produksi padi nasional dengan kemampuan panen rerata sekitar 5.5

sampai dengan 6.0 ton/ha.

Gambar 1. Lokasi studi pengamatan spectral (Field campaign dan Airborne campaign)

2.2 Pengambilan data
Pengamatan data hiperspektral dilakukan selama kegiatan airborne campaign tanggal 26 - 28 Juni 2008,
menggunakan sensor Hymap yang dipasang di bawah lambung pesawat CESSNA 404 yang terbang
dengan ketinggian 2.000 meter di atas permukaan laut, dan melintas di atas wilayah Subang dan
Indramayu sebanyak 15 lintasan.
Objek pengukuran di kedua area studi, yaitu Kabupaten Subang dan Indramayu, yang masing-masing
tersebar di 10 segmen pengukuran, dan setiap segmen terdiri dari 10 petakan . Pengamatan parameter
agronomi (LAI dan SPAD) dilakukan di setiap petakan tersebut, dan masing-masing petakan sudah

2

diukur posisinya menggunakan D-GPS. Data GPS ini akan digunakan untuk menentukan posisi petakan
yang ada di dalam citra hiperspektral Hymap, dan menjadi acuan untuk mengekstrak data hiperspektral
setiap petakan. Sedangkan untuk pengamatan ubinan (yield) dilakukan setelah pengukuran lapangan,
yaitu menunggu waktu panen seluruh petakan yang menjadi objek pengamatan.
Data LAI, SPAD, dan yield disusun sedemikian rupa berdasarkan petakan, sehingga mudah untuk

dipasangkan dengan nilai reflektan di setiap petakan pada citra HyMap, dan memiliki nilai statistik seperti
yang ditunjukkan pada tabel 1.
Tabel 1. Nilai statistik dari hasil pengamatan LAI, SPAD, dan yield
Parameter yang
diamati
LAI (-)
SPAD (-)
Yield (ton/h)

Jumlah data
109
110
73

Nilai
Minimum
0.146
28.3
2.27

Nilai rerata
2.450
37.87
6.452

Nilai
Maksimum
5.432
44.3
9.87

Deviasi
standar
1.359
3.52
1.835

Jangkauan
5.286
16.0

7.60

2.3 Pemrosesan data
Pertama-tama dilakukan ekstraksi nilai spektral dari 126 band citra hiperspektral Hymap (yang sudah
dilakukan koreksi radiometrik, koreksi atmosferik, serta koreksi geometrik) untuk setiap petakan,
dengan menggunakan acuan data GPS setiap petakan. Dari hasil ekstrasi tersebut diperoleh data
spektral hanya untuk 76 petakan saja. Jumlah ini sebetulnya sangat sedikit dibanding dengan
rencana pengamatan di lapangan saat field campaign berlangsung, sehingga diperlukan suatu teknik
analisis yang handal untuk dapat membangun model prediksi yang akurat.
Data spektral yang sudah diekstrak tersebut kemudian diperiksa profil spektralnya yang mengalami
derau akibat ketidakmampuan sensor mendeteksi cahaya pada panjang gelombang tertentu, karena
telah diserap oleh uap air di udara (water absorption). Dari hasil pengamatan diketahui bahwa band
yang mengalami derau ada sebanyak 10 band, dan band-band tersebut dieliminasi dari data set
aslinya sehingga jumlah band yang tetap digunakan sebanyak 116 band.
Selanjutnya data spektral seluruh petakan yang sudah tereliminasi tersebut digabungkan ke dalam
bentuk matriks, dimana jumlah kolom menunjukkan jumlah band hiperspektral dan jumlah baris
menunjukkan jumlah petakan atau sampel spektral. Agar memudahkan dalam melakukan korelasi
terhadap parameter agronomi dan Yield, maka setiap baris matriks tersebut diberi kode nama
petakan. Dan untuk menghindari pengaruh ill condition dalam analisis, maka seluruh nilai spektral
tersebut dinormalisasi dengan satuan 10.000.

(a)

(b)

Gambar 2. Profil spektral hiperspektral Hymap (a) sebelum dan (b) sesudah eliminasi band

2.4

Kombinasi GA-PCR untuk menentukan jumlah band hiperspektral yang optimal
Algoritma genetika sangat dikenal kemampuannya secara efisien dapat mencari solusi terbaik dalam
suatu ruang yang luas, dan relatif tidak terlalu sensitif terhadap pengaruh derau ( Haleh Vafaie et al),

3

sehingga cocok diaplikasikan untuk pemilihan fitur dasar yang lebih handal dalam rangka
meningkatkan kualitas analisis dan kualitas model prediksi.
Algoritma Genetika adalah algoritma yang dikembangkan dari proses pencarian solusi menggunakan
pencarian acak, ini terlihat pada proses pembangkitan populasi awal yang menyatakan sekumpulan
solusi yang dipilih secara acak. Selanjutnya pencarian dilakukan berdasarkan proses-proses teori

genetika yang memperhatikan pemikiran bagaimana memperoleh individu yang lebih baik, sehingga
dalam proses evolusi dapat diharapkan diperoleh individu yang terbaik (Achmad Basuki, 2003).
Dalam penelitian ini algoritma genetika diaplikasikan ke dalam data hiperspektral untuk mencari
jumlah band yang optimal yang dapat digunakan untuk membangun model prediksi. Yang dimaksud
dengan jumlah band optimal adalah jumlah band yang relatif lebih sedikit dari data set aslinya, tetapi
dapat meningkatkan keakuratan model yang akan dibangun serta dapat mengurangi beban
komputasi (computational cost). Populasi awal yang dibentuk adalah sebanyak 20 individu dengan
116 gen biner, yaitu sesuai dengan jumlah band hiperspektral yang telah dieliminasi. Untuk generasi
pertama, seluruh individu dibuat memiliki nilai biner 1, sebagai acuan solusi untuk seluruh band yang
tersedia. Kemudian untuk generasi berikutnya akan dikombinasikan dengan pembangkitan acak,
seleksi, perkawinan silang (cross-over) dan mutasi gen.
Seleksi dilakukan berdasarkan nilai fitness setiap individu, dimana setiap individu memiliki nilai fitness
sesuai dengan gen yang terbentuk secara acak, yang merupakan penentu dari solusi yang paling
optimal. Nilai fitness ini diperoleh dari proses korelasi antara gen (yang merupakan representasi dari
jumlah band) yang terbentuk secara acak dalam proses seleksi dan dikorelasikan dengan suatu
variable terikat. Untuk mendapatkan korelasi tersebut sebagai acuan fitness, adalah dengan
mengaplikasikan regresi komponen utama (principal component regression) ke dalam algoritma
genetika.
Analisa komponen utama merupakan salah satu solusi untuk menghindari masalah multi kolinearitas.
Pada dasarnya analisa ini adalah bertujuan untuk menyederhanakan variabel yang diamati dengan

cara menyusutkan (mereduksi) dimensinya. Hal ini dilakukan dengan cara menghilangkan korelasi
diantara variabel bebas melalui transformasi variabel-variabel bebas asal ke variabel baru yang tidak
berkorelasi sama sekali atau yang biasa disebut dengan komponen utama ( principal component).
Setelah beberapa komponen utama yang bebas multikolinearitas diperoleh, maka komponenkomponen tersebut menjadi variabel bebas baru yang akan diregresikan atau dianalisa pengaruhnya
terhadap variabel tak bebas
dengan menggunakan analisis regresi. Salah satu cara untuk
mendapatkan komponen utama adalah dengan metode Singular Value Decomposition (SVD), yaitu
dengan memfaktorkan matrik yang terbentuk dari gen pada proses algoritma genetika, ke dalam 2
matrik orthogonal dan 1 matrik diagonal. Setelah komponen utama terbentuk, kemudian diregresikan
menggunakan metode kuadrat terkecil (least square method). Dan model prediksi yang terbentuk dari
hasil regresi komponen utama ( Bent Jørgensen et al, 2007) ditunjukan pada persamaan (1).
(1)

Dari hasil analisa regresi ini kemudian dihitung besar simpangan (error) terhadap nilai aslinya,
dengan menggunakan kaidah norm-p (T. Basaruddin, 2007) , ditunjukan oleh persamaan (2).

(2)

4

Dimana merupakan anggota dari [1,2,∞], adalah jumlah sampel, dan masing-masing adalah
nilai variabel terikat hasil pengukuran dan hasil prediksi. Norm-2 lebih dikenal sebagai euclidean
norm atau setara dengan nilai root mean square error (RMSE), sedangkan norm-1 merupakan
akumulasi jumlah error keseluruhan, dan norm-∞ merupakan nilai error maksimum yang ada diantara
seluruh sampel yang ada. Bila jumlah generasi yang dibangkitkan melalui algoritma genetika ini
dinotasikan sebagai , maka nilai fitness dari setiap tahapan seleksi dihitung menggunakan
persamaan (3).
(3)
2

Sedangkan koefisien determinasi (R ) yang menunjukan nilai kedekatan suatu model prediksi
terhadap variable terikat dihitung setelah proses fitness sudah mencapai kondisi konvergen pada
suatu titik, yang dihitung menggunakan persamaan statistik berikut ini.
(4)
Dimana,

Karena jumlah sampel yang sangat terbatas, maka untuk meningkatkan akurasi dalam proses
kalibrasi regresi (model prediksi), sampel yang tersedia dibagi ke dalam 8 bagian secara acak, yaitu
1 bagian merupakan data pengujian (test set), sedangkan sisanya merupakan data pelatihan (train
set). Proses kalibrasi dilakukan secara iterasi sebanyak 8 kali pelatihan dan pengujian. Dari hasil
pengujian diperoleh 8 alternatif hasil dan model yang terbaik dipilih berdasarkan nilai norm yang
paling minimum, hal ini mirip seperti metode penentuan nilai fitness pada persamaan (3).

Popu lasi
baru

Populasi
awal

Elitism

Seleksi
individu

PC

Evaluasi
fitness

No

Reproduksi:
Cross-Over dan
mutasi

Yes
Band optimal dan
model terbaik

Gambar 3. Siklus GA-PCR untuk pemilihan band optimal dan pembangunan model prediksi

5

3. Hasil dan Pembahasan
Kode program untuk algoritma genetika ini diadopsi dari IDL genetic algorithms Allard De Wit yang bebas
diunduh dan digunakan tanpa harus menggunakan lisensi hak cipta. Dengan sedikit modifikasi kode
program IDL yang dipadukan dengan kode program PCR, program ini dijalankan dengan membangkitkan
100 generasi, menggunakan data hiperspektral HyMap dan parameter agronomi serta yield sebagai data
input.
Gambar 4, 5, dan 6 masing-masing menunjukkan perubahan nilai fitness, jumlah band optimal, serta nilai
2
koefisien determinasi R selama proses generasi berlangsung yang dikorelasikan terhadap variabel
terikat LAI, SPAD, dan Yield. Secara umum dapat diketahui bahwa fitness yang menggunakan norm-∞
lebih cepat mencapai kondisi konvergen, karena penggunaan computational cost untuk norm-∞ adalah
yang paling sederhana dibanding dengan norm lainnya. Tetapi dilihat dari sisi capaian jumlah band dan
koefisien determinasi yang dihasilkan norm-∞ tidak seoptimal norm lainnya, sehingga dalam hal ini norm∞ tidak digunakan untuk penentuan band optimal, dan cenderung menggunakan norm-1 atau norm-2.
Untuk prediksi LAI dan SPAD, fitness yang paling tepat digunakan adalah error dengan kaidah norm-2
2
yang capaian jumlah band paling sedikit (52 band dan 62 band) dan capaian R paling tinggi (0.9998 dan
0.9972). Sedangkan untuk model prediksi Yield, fitness yang paling tepat digunakan adalah norm-1
2
dengan capaian jumlah band adalah 39 dan R mencapai 0.9996. Dengan memilih jumlah band paling
sedikit, diharapkan dapat mengurangi beban komputasi pada saat model ini diaplikasikan ke dalam citra
yang sesungguhnya dan tanpa mengurangi tingkat keakurasiannya.
Pada tabel 3a – 3c ditunjukkan konfigurasi band optimal dalam bentuk biner, dimana nilai 1 menunjukkan
band yang aktif, dan nilai 0 menunjukkan band yang tidak diperlukan. Dari bentuk biner kemudian
konfigurasi band optimal ini ditampilkan dalam bentuk pita hijau di atas profil hiperspektral,yang masingmasing digunakan untuk memprediksi LAI, SPAD, dan Yield, seperti yang ditunjukan pada gambar 7.
Dari gambar tersebut diketahui bahwa konfigurasi band optimal untuk LAI dan SPAD memiliki konfigurasi
yang unik, yaitu terdapat daerah blank spot (band kosong) yang hampir sama minimal di 2 lokasi,
masing-masing adalah 1280 ~ 1488 nm, dan 1736 ~ 1784 nm. Sedangkan untuk Yield terlihat terdapat
blank spot yang lebih luas lagi di sekitar 1543 ~ 2045 nm. Hal ini menunjukan bahwa untuk keperluan
prediksi, daerah-daerah blank spot tersebut tidak diperlukan sama sekali sehingga dapat dieliminasi dan
dapat meningkatkan kecepatan komputasi serta meningkatkan akurasi. Dari gambar ini juga dapat
diketahui bahwa pemilihan fitur hiperspektral menggunakan GA-PCR secara relatif dapat juga
menghilangkan pengaruh derau (water absorption) di sekitar 1280 ~ 1488 nm dan 1736 ~ 1784 nm, tetapi
tidak mampu mengeliminasi derau yang terjadi di atas 2000 nm, karena kemampuan algoritma genetika
yang tidak sensitive terhadap derau kecil.
Selain menghasilkan konfigurasi band optimal, metode GA-PCR ini juga sekaligus dapat menghasilkan
model prediksi dengan akurasi tinggi (error terendah). Tabel 4, 5, dan 6 menunjukkan nilai koefisien
untuk parameter
dan
yang diperlukan dalam model prediksi menggunakan PCR, yaitu dengan
cara memasukkan seluruh parameter tersebut ke dalam persamaan (1) yang dibangun ke dalam program
IDL (Interactive Data Language), kemudian diintegrasikan dengan data hiperspektral Hymap berdasarkan
konfigurasi band optimal pada tabel 3.

6

(LAI)

(SPAD)

(Yield)

Gambar 4. Nilai fitness terhadap perubahan generasi

(LAI)

(SPAD)

(Yield)

Gambar 5. Jumlah band optimal terhadap perubahan generasi

(LAI)

(SPAD)
(Yield)
Gambar 6. Koefisien determinasi terhadap perubahan generasi

Tabel 2. Kumulasi hasil pemilihan fitur (band) menggunakan GA-PCR
Parameter agronomi
LAI
SPAD
Yield

Norm-1
2
n band
R
64
0.9999
62
0.9910
39
0.9996

Norm-2
2
n band
R
62
0.9998
52
0.9972
54
0.9999

Norm-∞
2
n band
R
87
0.9997
82
0.9896
72
0.9998

Tabel 3a. Konfigurasi biner band optimal (459 ~ 1094 nm)
LAI
SPAD
Yield

011010001100101101011011000111011001110100100
010000001010100101100010110100111110001101101
110101000001101000010100011010101101011000101

LAI
SPAD
Yield

111110000110001101010110000110001101101000101
110111000101000000011000001000010010100011110
000101100000001011010100000000000000000000000

LAI
SPAD
Yield

10101011100001111101101111
01101111001010100111001100
00110000010010110100001111

Tabel 3b. Konfigurasi biner band optimal (1109 ~ 2006 nm)

Tabel 3c. Konfigurasi biner band optimal (2026~ 2460 nm)

7

Tabel 4. Koefisien regresi PCR untuk memprediksi LAI
Parameter

Koefisien
2.428555
0.056786
0.054742
0.059445
0.068623
0.064601
0.094055
0.203223
0.251788
0.289071
0.293180
0.295308
0.296028
0.264942
0.256644
0.256263
0.285634
0.260263
0.235519
0.221218
0.213531
0.080416
0.080627
0.089579
0.094927
0.115356
0.113776
0.110800
0.103576
0.027987
0.030984
0.054549
0.056408
0.057823
0.051655
0.047752
0.030402
0.028020
0.022009
0.017810
0.012857
-16.892390 -126.484863 114.771357 -124.694599 203.909398
-177.103891 149.206672 -143.411203
75.028737 -82.564502
63.768082
-29.914844
-88.077096
190.245826
107.056803
10.096588
-26.732899
33.234603
25.666785
86.762491
23.484548
55.210051
-10.284295
33.985064
-68.417900
201.255789
84.921864 -112.711190 -42.371022 -30.633941
-51.349776
-72.879617
16.906614 -150.872588
102.850438
-57.686070
98.653533
-1.815510
67.687109 -45.035643

0.058989
0.053156
0.052319
0.293351
0.292984
0.292886
0.269040
0.287912
0.289665
0.214696
0.204714
0.196664
0.117495
0.119908
0.118358
0.034999
0.042177
0.049438
0.043951
0.040378
0.036728
0.008799
122.919414 -318.774749 244.826381
-193.757924 255.519356 -49.024648
-231.683689
79.140493
9.476402
-168.822942
-41.422961
40.619380
-138.971852
-27.317412
0.053165
124.328039 133.554523 -140.447335
-55.852687
51.330448
73.026416
9.202556

Tabel 5. Koefisien regresi PCR untuk memprediksi SPAD
Parameter

Koefisien
37.749996
0.057146
0.295002
0.261020
0.220884
0.115918
0.049111
0.033248
388.418228
522.548986
-928.612533
-682.564494
671.844826
-83.127371
-692.192917
-310.268263

0.068904
0.062817
0.059323
0.052578
0.094434
0.141725
0.295906
0.292415
0.293466
0.294572
0.295277
0.290965
0.268419
0.282926
0.287181
0.288218
0.289158
0.285270
0.215247
0.213293
0.214558
0.080275
0.084179
0.112169
0.110548
0.097990
0.097269
0.027786
0.027942
0.037574
0.051992
0.054269
0.056087
0.059079
0.055144
0.047536
0.030149
0.021773
0.017727
-495.939145
-1016.715647
183.452978
1013.702405
-712.678291
-1304.549693
969.119853
-622.764520
1113.728824
-608.559438
243.789893
290.376472
974.521030
-1366.957283
285.471966
-280.166293
-381.628049
-928.385622
-617.609881
2667.819969
-45.714218
110.373108
-852.870351
-983.021433
964.197080
-399.706674
-305.846498
-495.813787
1325.498711
1769.742110
-985.784091
730.977199 -2334.821629
1067.920814
1060.261927
146.439134 -681.072187

0.288234
0.278318
0.234933
0.120527
0.041866
0.036534
671.011847
487.286865
1336.329101
-1207.056213
1228.341638
-2310.988441
1492.997230

Tabel 6. Koefisien regresi PCR untuk memprediksi Yield
Parameter

Koefisien
7.318333
0.063726
0.061328
0.059564
0.071924
0.067070
0.065782
0.060419
0.198180
0.262338
0.279387
0.278320
0.277606
0.279869
0.280813
0.276979
0.254628
0.248250
0.252849
0.277403
0.278643
0.231379
0.213105
0.210209
0.204173
0.188494
0.085639
0.086684
0.095746
0.047704
0.051244
0.064653
0.060363
0.052516
0.048524
0.040644
0.025539
0.020453
0.015548
0.010038
56.718968 -351.078399 105.251543 334.050371 171.061567 -66.947325 -149.490609 -55.658692
155.693924
-127.261121
-322.583939
132.444210
91.093673
318.274303
-155.706285
157.810564 -385.978238 245.152213
67.528484 -143.022733
81.613578 -309.889002
72.210903
176.555850 -45.406633
59.240308 118.639477
66.959452 -152.441783 -324.251766 -89.436813
253.021068 -311.318350 -112.099952 465.860311 153.118206
71.019370
25.094487 -130.463604

8

Blank
spot

(a)

Blank
spot

LAI

Blank
spot

Blank
spot

(b) SPAD

Blank
spot

(c)

Significant
Blank spot

Yield

Gambar 7. Konfigurasi band optimal

9

4. Kesimpulan
Pada penelitian ini telah dilakukan pemilihan fitur (band) hiperspektral Hymap dengan metode kombinasi
GA-PCR. Nilai fitness yang digunakan adalah mengacu pada nilai error terkecil dari 3 kaidah norm.
Karena nilai fitness diorientasikan untuk mencari nilai error yang terkecil, maka model prediksi yang
dihasilkan GA-PCR ini memiliki tingkat keakurasian yang cukup tinggi. Ini terbukti dari koefisien
determinasi yang dihasilkan hampir mendekati nilai 1.
Selain itu, GA-PCR juga menghasilkan konfigurasi band optimal yang jauh lebih sedikit dari jumlah band
aslinya, sehingga akan dapat meningkatkan kecepatan komputasi pada saat melakukan prediksi
terhadap citra hiperspektral Hymap.
Secara relatif, GA-PCR juga dapat menghilangkan band-band yang berpengaruh derau yang diakibatkan
oleh resapan spectrum cahaya oleh uap air di udara, sehingga diharapkan dapat membantu tahapan pra
proses pengolahan citra hiperspektral.
Model prediksi yang dibangun dalam penelitian ini dikalibrasi dengan data hiperspektral tanaman padi,
sehingga hanya efektif digunakan untuk objek tanaman padi saja. Agar model prediksi ini dapat
digunakan secara optimal, maka harus diintegrasikan dengan metode klasifikasi citra yang khusus untuk
objek tanaman padi.
Teknologi hiperspektral telah membuka wawasan dan paradigma berpikir baru bagi para peneliti di
bidang inderaja, serta memberikan peluang yang sangat luas untuk mengaplikasikan teknologi ini untuk
berbagai keperluan yang lebih mendukung kebutuhan hidup dan kesejahterraan manusia.

5. Referensi.
Achmad Basuki, “ALGORITMA GENETIKA, Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi
dan Machine Learning”, Politeknik Elektronika Negeri Surabaya, PENS –ITS, Surabaya 2003
Allard de Wit, “IDL Genetic Algorithms”, available at http://ajwwag.home.xs4all.nl/, 21 March 2011
Bent Jørgensen and Yuri Goegebeur, “Multivariate Data Analysis and Chemometrics: Modul 6: Principal
Components Regression”, http://statmaster.sdu.dk/courses/ST02, 2007
Gustavo Camps-Valls, and Lorenzo Bruzzone, “Kernel Based Method for Hyperspectral Image Classification”,
IEEE Transactions on Geoscience and Remote Sensing, Vol. 43, no. 6, June 2005
Haleh Vafaie and Kenneth De Jong, “Genetic Algorithms as a Tool for Feature Selection in Machine Learning”,
Center for Artificial Intelligence, George Mason University
Huang Jingfeng, Tang Shuchuan, Ousama Abou-Ismail, Wang Renchao, “Rice yield estimation using remote
sensing and simulation model”, JOURNAL OF ZHEJIANG UNIVERSITY SCIENCE, 2002, 3 (4): 461-466
T. Basaruddin, “Komputasi Numerik”, Fakultas Ilmu Komputer UI, 2007

10