Klasifikasi Sentinel-1A untuk Identifikasi Tanaman Bawang Putih Menggunakan Algoritme Decision Tree dan Convolutional Neural Network (CNN)
Date
2021-09-06Author
Komaraasih, Risa Intan
Sitanggang, Imas Sukaesih
Annisa
Metadata
Show full item recordAbstract
Bawang putih (Allium sativum L) merupakan salah satu komoditas penting di Indonesia karena memiliki manfaat yang sangat banyak. Setiap tahunnya terjadi peningkatan konsumsi bawang putih. Sayangnya, Indonesia masih mengimpor bawang putih sebesar 95 persen untuk memenuhi kebutuhan konsumsi tersebut. Pemerintah mencanangkan program swasembada bawang putih pada tahun 2033 untuk mengurangi angka impor dengan melakukan pengawasan (monitoring) terhadap wajib tanam yang dilakukan oleh petani maupun importir di beberapa wilayah sentra bawang putih. Penginderaan jauh dapat dilakukan dengan menggunakan citra satelit untuk membantu program monitoring tersebut sehingga pemetaan terhadap lahan bawang putih maupun bukan dapat dilakukan dengan cakupan yang luas, lebih cepat dan lebih efisien sehingga sumber daya yang dikeluarkan pemerintah dapat berkurang. Citra satelit yang dapat digunakan adalah Sentinel-1A, karena memiliki resolusi spasial dan temporal yang tinggi serta bersih terhadap tutupan awan ataupun distorsi cuaca. Penelitian sebelumnya telah mengklasifikasikan citra Sentinel-1A untuk mengidentifikasi lahan tanaman bawang putih menggunakan algoritme Decision Tree C5.0 dan menghasilkan akurasi yang masih rendah yaitu sebesar 78,45%.
Oleh karena itu, penelitian ini bertujuan membangun model klasifikasi untuk meningkatkan akurasi dari penelitian sebelumnya yaitu dengan menggunakan algoritme Decision Tree C5.0 dan Convolutional Neural Network (CNN) untuk mengidentifikasi lahan bawang putih. Hasil dari penelitian ini menunjukkan bahwa pengunaan dua scenario baru pada algoritme Decision Tree C5.0 belum mampu meningkatkan nilai akurasi yang masih rendah tersebut. Sedangkan penggunaan algoritme baru yaitu CNN, dengan menerapkan kelima scenario yang sudah diterapkan terlebih dahulu menggunakan algoritme Decision Tree C5.0, hasil menunjukan bahwa algoritme CNN mampu meningkatkan akurasi dari seluruh skenario hingga 8%. Hasil terbaik dari keseluruhan percobaan didapatkan menggunakan algoritme CNN yang mamou memberikan akurasi hingga 86,36% dan mampu meningkatkan akurasi dari penelitian sebelumnya 7,91% sebesar. Diharapkan hasil dari penelitian ini dapat mendukung program pemerintah dalam monitoring lahan perkebunan bawang putih.