Penerapan Algoritme Random Forest pada Citra Sentinel-2A untuk Klasifikasi Lahan Bawang Putih Berdasarkan Fase Tumbuh di Sembalun

Abstract

Produksi bawang putih di Indonesia belum mencukupi besarnya kebutuhan masyarakat sehingga mengakibatkan pemerintah mengambil kebijakan impor bawang putih. Produktivitas bawang putih perlu ditingkatkan untuk menekan laju impor dan mewujudkan swasembada bawang putih tahun 2030. Sembalun merupakan salah satu sentra produksi komoditas bawang putih di Indonesia. Penelitian ini bertujuan melakukan klasifikasi lahan bawang putih di Sembalun berdasarkan fase tumbuh. Data yang digunakan pada penelitian ini adalah citra Sentinel-2A Level-1C pada Juli 2021 dengan empat bands resolusi 10 m dan nilai NDVI, serta data citra drone sebagai ground truth. Algoritme yang digunakan untuk melakukan klasifikasi citra adalah Random Forest. Penelitian ini menggunakan dua skenario dataset dengan nilai akurasi terbaik model dalam melakukan prediksi data baru sebesar 65,90% pada skenario kedua dengan menggunakan fitur NDVI. Model klasifikasi tanpa menggunakan fitur NDVI memberikan nilai akurasi sebesar 58,40%. Berdasarkan nilai akurasi tersebut, model dengan fitur NDVI mampu memberikan prediksi yang lebih baik.

Garlic production in Indonesia is not sufficient to meet the needs of the community, which has resulted in the government adopting a garlic import policy. Garlic productivity needs to be increased to reduce the rate of imports and achieve garlic self-sufficiency in 2030. Sembalun is one of the centers of garlic commodity production in Indonesia. This study aims to classify garlic fields in Sembalun based on the growing phase. The data used in this study are Sentinel-2A Level-1C images in July 2021 with four bands of 10 m resolution and NDVI value, as well as drone image data as ground truth. The algorithm used to perform image classification is Random Forest. This study uses two dataset scenarios with the best model accuracy in predicting new data being 65.90% in the second scenario using the NDVI feature. The classification model without using the NDVI feature gives an accuracy value of 58.40%. Based on the accuracy value, the model with the NDVI feature is able to provide better predictions.