Klasifikasi Fase Pertumbuhan Padi Menggunakan Random Forest berdasarkan Data Multitemporal Landsat-8.
View/ Open
Date
2020Author
Triscowati, Dwi Wahyu
Sartono, Bagus
Kurnia, Anang
Metadata
Show full item recordAbstract
Pemantauan tanaman padi di Indonesia memainkan peran penting untuk mendukung ketahanan pangan dan swasembada. Salah satu tantangan mendasarnya adalah tugas klasifikasi fase pertumbuhan tanaman pangan yang dapat membantu memperkirakan hasil sebelum panen. Klasifikasi fase pertumbuhan tanaman pangan khususnya padi, telah dilakukan oleh Badan Pusat Statistik (BPS) berdasarkan metode survei, yaitu kerangka sampel area (KSA). Survei memiliki kualitas estimasi yang tinggi namun, juga memiliki keterbatasan, yaitu biaya yang besar dan kurangnya informasi area non sampel. Berbeda dengan metode survei, penelitian ini mengeksplorasi metode yang terukur dan murah menggunakan data penginderaan jauh gratis, yaitu Landsat-8. Landsat-8 menyediakan informasi spasio-temporal yang mencakup informasi pertumbuhan vegetasi. Hal ini memungkinkan Landsat-8 untuk menjadi sumber informasi klasifikasi fase pertumbuhan padi namun, untuk klasifikasi yang akurat perlu dilakukan rekayasa fitur yang mampu menangkap pola spektral temporal pertumbuhan padi dari satu musim tanam.
Penelitian ini bertujuan untuk membentuk model klasifikasi fase pertumbuhan padi berdasarkan data multitemporal Landsat-8, mengevaluasi kebaikan model dengan confusion matrix, dan melakukan features engineering untuk menelusuri set fitur terbaik. Data yang digunakan adalah citra Landsat-8 periode November 2017 sampai Desember 2018 dan data KSA tahun 2018. Fitur dasar yang digunakan adalah band 1 sampai band 7, indeks EVI, NDVI, NDWI, dan NDBI. Dari fitur dasar tersebut dilakukan features engineering terhadap empat periode temporal Landsat-8. Model klasifikasi yang digunakan adalah random forest.
Hasil penelitian menunjukkan bahwa akurasi model klasifikasi sebesar 23.6% ketika model menggunakan fitur EVI saja. Akurasi klasifikasi menjadi 57.3% ketika model menggunakan seluruh fitur dasar dari 1 periode Landsat-8. Saat fitur ditingkatkan lagi sampai 4 periode, akurasi meningkat menjadi 73.6%. Artinya akurasi klasifikasi meningkat ketika fitur temporal dimasukkan ke dalam model. Akurasi tertinggi adalah kelas vegetatif awal, vegetatif akhir, dan bukan sawah. Akurasi terendah di kelas generatif awal dan kelas bera. Fitur terbaik pembeda kelas padi dengan non padi adalah varian indeks vegetasi, sedangkan pembeda kelas fase pertumbuhan padi adalah maksimum dan minimum EVI, EVI, band 5, dan band 6. Dalam penelitian ini, penulis menunjukkan metode yang diusulkan memberikan manfaat potensial bagi pemerintah dan lembaga statistik sebagai sumber data pertanian yang murah dan terukur.