Klasifikasi Fase Pertumbuhan Padi Berdasarkan Citra Landsat-8 Dengan Algoritma Convolutional Neural Network

Abstract

Salah satu komponen yang terkait dengan isu ketahanan pangan adalah penyediaan data pertanian. Pada tahun 2018, surplus produksi beras mencapai 2,80 juta ton tetapi pada saat yang sama impor beras mencapai 2,25 juta ton. Overestimasi pada data produksi padi dapat bersumber dari data produktivitas dan luas panen. Hal ini mendorong adanya upaya pemantauan fase pertumbuhan padi agar dapat memprediksi produksi beras dengan lebih akurat. Salah satu instansi pemerintahan yang melakukan pemantauan fase tumbuh padi, khususnya panen adalah BPS dengan metode kerangka sampel area (KSA). Kelemahan dari metode ini adalah membutuhkan biaya yang besar dan waktu yang lama karena harus mengamati titik sampel pada lahan sawah setiap bulannya. Penggunaan citra resolusi tinggi dapat menjelaskan informasi yang lebih detail mengenai lahan sawah yang memiliki fase tumbuh berbeda-beda. Jadi, pengamatan pada titik KSA tidak perlu dilakukan setiap bulan. Penelitian ini mengusulkan metode Convolutional Neural Network (CNN) untuk mengklasifikasikan fase pertumbuhan padi area sawah PT. Sang Hyang Seri berdasarkan citra Landsat-8 selama periode November 2015 – Maret 2017. Eksperimen dilakukan terhadap hyperparameter epoch untuk mendapatkan akurasi yang optimal. Eksperimen tersebut dilakukan 3 tahap. Tahap 1 menggunakan 10 epoch, tahap 2 menggunakan 30 epoch dan tahap 3 menggunakan 50 epoch. Evaluasi model klasifikasi menggunakan confusion matrix. Penelitian ini juga membandingkan hasil dari penelitian sebelumnya yang menggunakan metode multiclass rotation forest. Hasil penelitian menunjukkan akurasi model CNN semakin tinggi dan kesalahan klasifikasi akan semakin berkurang jika menggunakan nilai epoch yang besar. Akurasi terbaik didapatkan sebesar 80,37% untuk 50 epoch. Berdasarkan confusion matrix pada 50 epoch, didapatkan nilai sensitivitas sebesar 78,50%, spesifisitas sebesar 90,35% dan nilai kappa sebesar 0,68. Hasil perbandingan metode CNN dengan multiclass rotation forest diperoleh hasil bahwa model CNN lebih baik digunakan untuk mengklasifikasikan fase tumbuh padi pada area sawah PT. Sang Hyang Seri. Hal ini dapat dibuktikan dengan nilai geometric mean model CNN sebesar 83,04 lebih tinggi dibandingkan dengan model multiclass rotation forest dengan interaksi antar peubah band sebesar 81,19 ataupun model rotation forest tanpa interaksi sebesar 78,26.