Nama : Sidik Mulyono Program Studi : Doktor Ilmu Komputer Judul : Aplikasi Data Penginderaan Jauh untuk Deteksi Fase Tumbuh Padi dengan Metode Heuristik dan Prediksi Panen Padi dengan Pembelajaran Mesin Melalui program ketahanan pangan nasional, pemerintah Indonesia sedang meningkatkan kemampuan produksi padi dari sekitar 8.2 juta hektar luas sawah Indonesia, serta berusaha mencetak luas lahan sawah baru dalam rangka memenuhi swasembada beras. Masalah utama yang dihadapi pemerintah Indonesia adalah kesimpangsiuran dan ketidakjelasan informasi persediaan beras Indonesia. Ini disebabkan karena penyediaan informasi mengenai persediaan beras nasional ini masih menggunakan cara konvensional, yaitu pengamatan di lapangan dengan cara estimasi pandangan mata di lapangan maupun dengan cara pengumpulan data ubinan oleh para manteri tani dan statistik. Selain cenderung tidak akurat, cara ini juga sangat membutuhkan waktu yang sangat lama. Salah satu solusi permasalahan informasi persediaan beras di atas adalah dengan melalui aplikasi teknologi penginderaan jauh, yang terbukti mampu memberikan informasi tentang kondisi di permukaan bumi secara luas, cepat, dan spasial. Dengan metode pendekatan variabel spektral dari data inderaja tersebut, sangat mungkin untuk dilakukan penelitian untuk membangun suatu model prediksi produksi panen padi di seluruh lahan persawahan Indonesia yang lebih cepat, tepat, handal, serta mudah digunakan pada tingkat operasional, dibanding dengan metode konvensional di atas. Selain itu, prediksi fase tumbuh tanaman padi juga diperlukan untuk mengetahui kapan panen akan berlangsung, sehingga dari informasi tersebut pemerintah dapat mengatur suatu sistem strategi antisipasi persediaan beras serta sistem penyaluran secara nasional. Berkaitan dengan hal tersebut di atas, penelitian ini bertujuan untuk mencari metode baru yang lebih efektif dalam melakukan prediksi panen padi menggunakan data penginderaan jauh Moderate-resolution Imaging Spectroradiometer (MODIS), serta pemantauan kondisi tanaman padi di vii Universitas Indonesia Indonesia. Penelitian ini menggunakan 2 pendekatan, yaitu: pendekatan variasi waktu (time-variant) untuk mendeteksi fase tumbuh tanaman padi menggunakan beberapa indeks spektral secara deret waktu yang diintegrasikan ke dalam metode heuristik (spectral indices based heuristic method); dan pendekatan variasi tak bergantung waktu (time-invariat) untuk memprediksi secara cepat fase tumbuh tanaman padi hanya dengan menggunakan satu rangkaian citra MODIS, menggunakan pembelajaran mesin berbasis Kernel. Metode pendeteksian dengan metode heuristik telah divalidasi dengan data lapangan, yang akurasinya mencapai 94.74% untuk 3 kelas fase tumbuh, serta 85.37% untuk 5 kelas fase tumbuh tanaman padi. Berdasarkan label yang dideteksi menggunakan algoritma ini, selanjutnya dibangun model prediksi menggunakan 3 jenis pembelajaran mesin berbasis Kernel, yaitu kernel-based regularized principal component regression (RK-PCR), kernel-based extreme learning machine (RK-ELM), dan kernel-based support vector machine (SVM). Hasil pemodelan menggunakan ketiga pembelajaran tersebut masing-masing adalah 83.36%, 82.52%, dan 82.66%. Sementara itu hasil validasi model terhadap citra dengan tutupan awan 12.03% masing-masing adalah 69.74%, 67.51%, dan 68.68%. Dalam penelitian ini juga dibahas metode penghapusan awan, yaitu teknik rekonstruksi pita spektral dengan regresi adaptif menggunakan beberapa varian indeks spektral deret waktu sebagai variabel input, dalam rangka meningkatkan kemampuan prediksi. Setelah proses penghapusan awan, maka akurasi hasil prediksi meningkat menjadi masing-masing adalah 74.12%, 69.77%, dan 73.85%.