Klasifikasi Fase Pertumbuhan Padi Berdasarkan Citra Landsat-8 Dengan Algoritma Convolutional Neural Network
Abstract
Salah satu komponen yang terkait dengan isu ketahanan pangan adalah
penyediaan data pertanian. Pada tahun 2018, surplus produksi beras mencapai
2,80 juta ton tetapi pada saat yang sama impor beras mencapai 2,25 juta ton.
Overestimasi pada data produksi padi dapat bersumber dari data produktivitas dan
luas panen. Hal ini mendorong adanya upaya pemantauan fase pertumbuhan padi
agar dapat memprediksi produksi beras dengan lebih akurat. Salah satu instansi
pemerintahan yang melakukan pemantauan fase tumbuh padi, khususnya panen
adalah BPS dengan metode kerangka sampel area (KSA). Kelemahan dari metode
ini adalah membutuhkan biaya yang besar dan waktu yang lama karena harus
mengamati titik sampel pada lahan sawah setiap bulannya. Penggunaan citra
resolusi tinggi dapat menjelaskan informasi yang lebih detail mengenai lahan
sawah yang memiliki fase tumbuh berbeda-beda. Jadi, pengamatan pada titik KSA
tidak perlu dilakukan setiap bulan.
Penelitian ini mengusulkan metode Convolutional Neural Network (CNN)
untuk mengklasifikasikan fase pertumbuhan padi area sawah PT. Sang Hyang Seri
berdasarkan citra Landsat-8 selama periode November 2015 – Maret 2017.
Eksperimen dilakukan terhadap hyperparameter epoch untuk mendapatkan
akurasi yang optimal. Eksperimen tersebut dilakukan 3 tahap. Tahap 1
menggunakan 10 epoch, tahap 2 menggunakan 30 epoch dan tahap 3
menggunakan 50 epoch. Evaluasi model klasifikasi menggunakan confusion
matrix. Penelitian ini juga membandingkan hasil dari penelitian sebelumnya yang
menggunakan metode multiclass rotation forest.
Hasil penelitian menunjukkan akurasi model CNN semakin tinggi dan
kesalahan klasifikasi akan semakin berkurang jika menggunakan nilai epoch yang
besar. Akurasi terbaik didapatkan sebesar 80,37% untuk 50 epoch. Berdasarkan
confusion matrix pada 50 epoch, didapatkan nilai sensitivitas sebesar 78,50%,
spesifisitas sebesar 90,35% dan nilai kappa sebesar 0,68. Hasil perbandingan
metode CNN dengan multiclass rotation forest diperoleh hasil bahwa model CNN
lebih baik digunakan untuk mengklasifikasikan fase tumbuh padi pada area sawah
PT. Sang Hyang Seri. Hal ini dapat dibuktikan dengan nilai geometric mean
model CNN sebesar 83,04 lebih tinggi dibandingkan dengan model multiclass
rotation forest dengan interaksi antar peubah band sebesar 81,19 ataupun model
rotation forest tanpa interaksi sebesar 78,26.