| dc.description.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. | id |
