| dc.description.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. | id |
