Perbandingan Kinerja Algoritma Feature Selection untuk Mendeteksi Kebutuhan Nitrogen Tanaman Padi berdasarkan Data Citra Multi-spectral Drone

Abstract

Pendeteksian kebutuhan nitrogen tanaman padi dapat dilakukan menggunakan citra yang diperoleh dari drone multi-spectral. Citra multi-spectral memiliki spektrum frekuensi dan panjang gelombang (band) yang luas, yang digunakan sebagai fitur dalam mendeteksi kebutuhan nitrogen padi. Namun, penggunaan semua fitur dapat meningkatkan beban komputasi dan mengurangi akurasi klasifikasi, sehingga algoritma dimensionality reduction atau feature selection perlu diterapkan untuk mengurangi redundansi fitur dan meningkatkan akurasi.

Dalam penelitian ini, untuk mendeteksi kebutuhan nitrogen tanaman padi, drone multi-spectral diterbangkan pada ketinggian 50 m di atas lahan sawah seluas 239 m x 204 m, sehingga terdapat 1495 grid dalam lahan sawah tersebut. Ground truth pendeteksian kebutuhan nitrogen sawah merupakan informasi warna daun padi berdasarkan Bagan Warna Daun (BWD) yang diambil untuk merepresentasikan kebutuhan nitrogen lahan per grid berukuran 4x4 m2. Pada penelitian ini, empat metode pemrosesan fitur dibandingkan, yaitu Principal Component Analysis (PCA) sebagai dimensionality reduction, Greedy, Gini-index, dan F-score sebagai feature selection. Fitur-fitur yang terpilih kemudian digunakan dalam mendeteksi kebutuhan nitrogen padi menggunakan algoritma klasifikasi random forest.

Hasil simulasi menunjukkan bahwa klasifikasi tanpa pemrosesan fitur menghasilkan akurasi sebesar 95,59%, presisi sebesar 94,92%, recall sebesar 95,59% dan F1-score sebesar 95,59%. Kombinasi algoritma seleksi fitur, reduksi dimensionalitas, dan K-fold cross validation dapat meningkatkan kinerja algoritma, dengan nilai akurasi meningkat 4% menjadi 99,69%, presisi meningkat 4% menjadi 99,83%, recall meningkat 4% menjadi 99,69%, dan F1-score meningkat 4% menjadi 99,69% dibandingkan tanpa menggunakan metode praproses fitur dan Kfold cross validation.