Kajian Potensi Pendekatan Pembelajaran Mendalam untuk Identifikasi Karakteristik Desa dengan Pengindraan Jauh di Provinsi Jawa Barat

Abstract

Data mengenai karakteristik penduduk merupakan informasi penting untuk pengambilan kebijakan dan pembentukan kerangka percontohan. Berbagai metode pengumpulan data seperti sensus, survei dan pendaftaran penduduk digunakan untuk memperoleh data tersebut. Indonesia sebagai negara kepulauan dengan luas 8,3 juta km2 akan membutuhkan banyak sumber daya pada proses pengumpulan data. Di era data besar (big data), citra satelit hasil pengindraan jauh menjadi sumber data alternatif yang lebih murah dan mudah dikumpulkan. Berbagai penelitian telah dilakukan dengan menggunakan citra satelit untuk mengklasifikasikan atau meregresi berbagai peubah karakteristik populasi di berbagai tingkat wilayah. Hasil penelitian tersebut menunjukkan potensi pemanfaatan metode pembelajaran mendalam (deep learning) untuk identifikasi karakteristik wilayah. Berdasarkan tantangan pengumpulan data dan potensi pembelajaran mendalam, diperlukan kajian potensi pembelajaran mendalam untuk identifikasi karakteristik wilayah tingkat desa di Indonesia. Peubah klasifikasi urban-rural, klasifikasi indeks desa membangun (IDM), dan regresi jumlah keluarga merupakan karakteristik penting untuk dikaji dikarenakan karakteristik tersebut merupakan indikator pembangunan desa dan ukuran pada kerangka percontohan klaster di Indonesia. Selain itu, setiap peubah tersebut memiliki tantangan khusus dalam pemodelan pembelajaran mendalam. Untuk mengkaji ketiga peubah tersebut, Provinsi Jawa Barat dipilih sebagai studi kasus untuk melihat potensi pembelajaran mendalam dan pengindraan jauh untuk identifikasi karakteristik desa di Indonesia. Penelitian ini mengevaluasi metode identifikasi karakteristik desa dengan membandingkan model pembelajaran mendalam (model-sentris) dan berbagai skenario data masukan citra satelit (data-sentris) guna mendapatkan model dan input terbaik. Model pembelajaran mendalam yang dievaluasi adalah arsitektur densenet121 dan resnet50. Berbagai kombinasi tingkat input citra satelit, efek tetangga, dan resolusi citra adalah faktor yang akan dibandingkan untuk mendapatkan skenario data terbaik untuk identifikasi karakteristik wilayah dengan metode pembelajaran mendalam. Khusus klasifikasi IDM, dilakukan kajian perbandingan metode penanganan data tidak seimbang. untuk input citra sebelum dilakukan analisis model dan input terbaik. Setelah itu, model dan input terbaik diinterpretasi dengan berbagai teknik interpretasi pembelajaran mendalam untuk menjelaskan proses prediksi masing-masing model. Hasil penelitian menunjukkan bahwa densenet121 dan resnet50 mampu mengklasifikasikan status urban-rural dan klasifikasi IDM dengan akurasi masingmasing 82,94% dan 70,26%. Untuk kasus regresi jumlah keluarga, xgboost dimanfaatkan untuk meregresi jumlah keluarga dengan data masukan peluang softmax yang merupakan hasil klasifikasi kepadatan keluarga menggunakan pembelajaran mendalam. Model regresi memberikan prediksi yang baik terhadap jumlah keluarga dalam sensus dengan R2 sebesar 0,91 dan MAPE sebesar 20%. Secara umum, model densenet121 lebih baik dari resnet50 untuk setiap menyelesaikan permasalahan di setiap peubah. Dari sisi data masukan, tingkat input citra berupa segmen dari domain area dugaan meningkatkan kebaikan prediksi regresi. Untuk kasus klasifikasi, citra tingkat desa merupakan input dengan metrik evaluasi terbaik. Pemanfaatan efek tetangga juga dapat meningkatkan kebaikan prediksi masing-masing model. Dari sisi resolusi citra, Sentinel-2 beresolusi 10m cukup untuk identifikasi karakteristik wilayah dengan pembelajaran mendalam karena tidak ada perbedaan yang signifikan dari hasil pemodelan dari model dengan input citra beresolusi lebih tinggi (SPOT-67). Penelitian ini juga menunjukkan bahwa pembelajaran mendalam berbagi beberapa kesamaan dengan pengambilan keputusan manusia dalam melakukan prediksi dari hasil penerapan teknik interpretasi pembelajaran mendalam.