01Skripsi · 2026

Deteksi Kesiapan Panen Padi dari Citra Drone

Foto drone mentah masuk, peta sawah dan verdict siap panen keluar. Sistem tiga lapis yang berjalan sepenuhnya offline di satu laptop lapangan, tanpa layanan cloud.

GitHub · Web GitHub · API Demo langsung

Peta klasifikasi sawah di atas OpenStreetMap: petak kuning matang dan hijau belum matang

Ringkasan

Skripsi saya berjudul "Deteksi dan Pemetaan Kesiapan Panen Padi Menggunakan Citra Drone Berbasis Edge Computing dan Sistem Informasi Geografis (SIG)". Foto drone sawah diolah di satu laptop menjadi peta yang menunjukkan bagian mana yang sudah matang, lengkap dengan verdict siap panen dan file GeoTIFF yang bisa diunduh.

Stitching, segmentasi, dan ekspor berjalan offline dari awal sampai akhir. Internet hanya dipakai untuk memuat tile OpenStreetMap di latar peta, dan tanpa internet pun layer orthophoto dan klasifikasi tetap tampil.

Saya memakai segmentasi HSV, bukan deep learning: kematangan padi terlihat jelas dari pergeseran warna kanopi dari hijau ke kuning, prosesnya cepat di laptop tanpa GPU, dan setiap keputusan bisa dijelaskan dari angka threshold.

per piksel: 5 cm
endpoint REST: 12
ambang siap panen: 60%

Teknologi utama

Python
OpenCV
Rasterio
FastAPI
SQLite
Docker
NodeODM
Next.js
Leaflet

Alur pengolahan

Foto drone (JPG dengan GPS di EXIF, overlap 70–80%) dijahit NodeODM menjadi orthophoto GeoTIFF ber-georeferensi, target 5 cm/piksel.
Pra-pemrosesan Gaussian Blur dan CLAHE, lalu konversi RGB ke HSV.
Threshold HSV menghasilkan mask kuning (matang) dan hijau (belum matang), dirapikan dengan morfologi. Rentang hue keduanya sengaja tidak beririsan.
Persentase kuning terhadap total piksel padi dibandingkan dengan ambang 60%, untuk seluruh orthophoto. Ambangnya bisa diubah per request.
Keluaran: orthophoto dan klasifikasi GeoTIFF (bisa langsung dibuka di QGIS), PNG overlay untuk Leaflet, peta PNG 300 DPI untuk laporan, dan JSON hasil.

Backend (FastAPI)

12 endpoint REST: stitching, status job, klasifikasi, upload manual, daftar hasil, unduh file, riwayat per lahan, health check, dan status NodeODM.
Stitching berjalan sebagai job asinkron karena bisa memakan 10 menit sampai beberapa jam. Klasifikasi biasanya selesai di bawah satu menit.
Riwayat deteksi disimpan per lahan di SQLite.
Pipeline yang sama bisa dijalankan tanpa server lewat CLI, dan ada tes instalasi serta smoke test endpoint.
Notebook riset menyimpan kalibrasi threshold: uji sensitivitas hue, histogram sebaran hue, dan rekap studi kasus dua lahan.

Frontend (Next.js)

7 halaman: beranda, upload, progres stitching, daftar hasil, detail hasil dengan peta, riwayat per lahan, dan status sistem.
Dua mode upload: foto drone mentah, atau hasil yang sudah diproses di luar sistem.
Peta Leaflet di atas OpenStreetMap dengan auto-zoom ke batas lahan. Layer orthophoto dan klasifikasi bisa dinyalakan terpisah, opasitasnya diatur dengan slider.
Next.js 15, React 19, TypeScript, Tailwind CSS, dan Leaflet.

Tangkapan layar

Halaman detail hasil: layer klasifikasi di atas peta, verdict SIAP PANEN 74,23%, dan panel statistik — Detail hasil: verdict, statistik, dan unduhan GeoTIFF di atas peta

Halaman upload dengan dua mode — Upload: foto drone mentah atau hasil manual

Orthophoto sawah hasil stitching foto drone — Orthophoto hasil stitching NodeODM

Orthophoto yang sama dengan overlay kuning pada padi matang dan hijau pada padi belum matang — Klasifikasi per piksel: kuning matang, hijau belum matang

Peta verdict SIAP PANEN: 74,2% kuning — Siap panen: 74,2% kuning, 14,2 poin di atas ambang

Peta verdict BELUM SIAP PANEN: 19,8% kuning — Belum siap: 19,8% kuning, sebagian besar petak masih hijau

Daftar kartu hasil klasifikasi dengan verdict dan persentase — Semua hasil klasifikasi

Tabel riwayat deteksi dengan filter lahan — Riwayat deteksi per lahan

Sistem ini membaca warna kanopi, bukan kadar air gabah. Hasilnya alat bantu keputusan, bukan pengganti petani yang turun ke sawah.

Ringkasan

Alur pengolahan

Foto drone (JPG dengan GPS di EXIF, overlap 70–80%) dijahit NodeODM menjadi orthophoto GeoTIFF ber-georeferensi, target 5 cm/piksel.

Pra-pemrosesan Gaussian Blur dan CLAHE, lalu konversi RGB ke HSV.

Threshold HSV menghasilkan mask kuning (matang) dan hijau (belum matang), dirapikan dengan morfologi. Rentang hue keduanya sengaja tidak beririsan.

Persentase kuning terhadap total piksel padi dibandingkan dengan ambang 60%, untuk seluruh orthophoto. Ambangnya bisa diubah per request.

Keluaran: orthophoto dan klasifikasi GeoTIFF (bisa langsung dibuka di QGIS), PNG overlay untuk Leaflet, peta PNG 300 DPI untuk laporan, dan JSON hasil.

Backend (FastAPI)

12 endpoint REST: stitching, status job, klasifikasi, upload manual, daftar hasil, unduh file, riwayat per lahan, health check, dan status NodeODM.

Stitching berjalan sebagai job asinkron karena bisa memakan 10 menit sampai beberapa jam. Klasifikasi biasanya selesai di bawah satu menit.

Riwayat deteksi disimpan per lahan di SQLite.

Pipeline yang sama bisa dijalankan tanpa server lewat CLI, dan ada tes instalasi serta smoke test endpoint.

Notebook riset menyimpan kalibrasi threshold: uji sensitivitas hue, histogram sebaran hue, dan rekap studi kasus dua lahan.

Frontend (Next.js)

7 halaman: beranda, upload, progres stitching, daftar hasil, detail hasil dengan peta, riwayat per lahan, dan status sistem.

Dua mode upload: foto drone mentah, atau hasil yang sudah diproses di luar sistem.

Peta Leaflet di atas OpenStreetMap dengan auto-zoom ke batas lahan. Layer orthophoto dan klasifikasi bisa dinyalakan terpisah, opasitasnya diatur dengan slider.

Next.js 15, React 19, TypeScript, Tailwind CSS, dan Leaflet.