Prediksi Luas Panen Padi Menggunakan Metode Random Forest pada Data Multitemporal Landsat 8 di Lahan Sawah Kabupaten Brebes.

Abstract

Mengakhiri kelaparan dan mencapai ketahanan pangan merupakan tujuan kedua SDG’s, tujuan ini dapat direalisasikan jika didukung oleh data yang akurat. Salah satu datanya tersebut adalah data pertanian, tetapi sejak tahun 1997 data pertanian di Indonesia terindikasi overestimate. Untuk mengatasi overestimate pada 2018 dibentuk Kerangka Sampling Area (KSA) yang dilaksanakan oleh Badan Pusat Statistik (BPS) dan pemangku kepentingan lainnya untuk menghitung luas lahan padi. Meskipun KSA dapat memecahkan permasalahan overestimate tetapi memiliki keterbatasan karena sifatnya survei. Metode yang ditawarkan dalam penelitian ini untuk mengatasi keterbatasan KSA, menggunakan Random Forest dan Satellite Imagery untuk mengklasifikasikan area panen. Data spektral diperoleh dari citra satelit dikombinasikan dengan data lapangan KSA kemudian diklasifikasikan menggunakan Random Forest di Kabupaten Brebes. Klasifikasi menggunakan 3 alternatif pemodelan kelas KSA, yaitu kelompok label berisi 10 kelas, 3 kelas dan 2 kelas. Hasil penelitian di Brebes dengan Random Forest diperoleh akurasi pada kelompok dengan 10 kelas sebesar 75.16%, sensitifitas 57.67% dan spesifisitas 97.02%. Pada kelompok dengan tiga kelas KSA memiliki akurasi 80.62%, sensitivitas 79.28%, dan spesifisitas 90.19%. Kelompok terakhir dengan dua kelas memiliki akurasi 95.25%, sensitifitas 12.64% dan spesifisitas 99.54%. Model yang terpilih dari ketiga alternatif pemodelan adalah model dengan 3 label KSA karena memiliki akurasi dan sensitifitas yang tinggi. Akurasi tinggi yang diperoleh dari model menunjukkan model dapat digunakan untuk mengklasifikasikan tanah yang sedang dipanen dan dapat digunakan untuk mengihitung luas panen melalui hasil klasifikasi sehingga penyebaran data pertanian dapat lebih cepat dan lebih murah.