Klasifikasi Lahan Bawang Putih Berdasarkan Fase Pertumbuhan dengan Menggunakan Convolutional Neural Network

Abstract

Kebijakan perluasan lahan bawang putih dilakukan pemerintah Indonesia dalam rangka swasembada bawang putih. Pengembangan teknologi untuk pengawasan pelaksanaan tanam diarahkan agar dapat mengawasi kesesuaian lahan tanam bawang putih di berbagai lokasi tanam dengan cepat serta biaya rendah. Penelitian sebelumnya telah memanfaatkan teknologi penginderaan jauh dari satelit Sentinel-1A dan Convolutional Neural Network (CNN) untuk mengklasifikasikan lahan bawang putih/ non bawang putih di wilayah Sembalun. Keterbatasan penelitian sebelumnya yaitu: Sentinel-1A menggunakan backscatter yang hanya mampu menjangkau lahan pada level permukaan, belum menyediakan citra multi-temporal, model CNN belum mengaplikasikan fase pertumbuhan. Penelitian ini bertujuan membuat model klasifikasi lahan bawang putih berdasarkan fase pertumbuhan dengan algoritme CNN. Penambahan fase pertumbuhan diperlukan oleh dinas wilayah terkait untuk mengawasi kesesuaian tanam pada lahan bawang putih selama masa tanam. Sentinel-2 menyediakan data satelit MultiSpectral Instrument (MSI) dengan akses terbuka, jangkauan luas, resolusi dan frekuensi tinggi untuk tutupan dan penggunaan lahan. CNN dapat mengekstraksi fitur secara otomatis serta reliable pada berbagai dataset besar tergantung dari arsitektur yang dibangun. Tahapan penelitian ini meliputi pengumpulan data, praproses, pembagian data, hyperparameter CNN, pembuatan model klasifikasi dengan CNN dan evaluasi model. Dataset terdiri dari 446 citra Sentinel-2 yang telah dilakukan praproses dan dikonfirmasi dengan ground truth drone. Model CNN menggunakan arsitektur VGG16 dan VGG19. Modifikasi arsitektur serta hyperparameter tuning berupa network size, batch size, learning rate, optimizer dan epoch diterapkan untuk mendapatkan nilai optimal. Evaluasi model meliputi confusion matrix, precision, recall dan loss function pada empat skenario (VGG16 base model, VGG16 modifikasi, VGG19 base model dan VGG19 modifikasi). Model terbaik diperoleh dari skenario VGG19 modifikasi dengan hyperparameter input network = 64 × 64, batch = 32, learning rate = 0,001, zoom = 0,0, optimizer = adam, dan epoch = 145. Penelitian ini berhasil mengklasifikasikan lahan bawang putih berdasarkan fase pertumbuhan, dengan tingkat akurasi 81,81% dan loss function 0,71. Nilai presisi 0,43 untuk kelas awal tumbuh dan vegetasi, serta 0,22 untuk kelas panen. Hasil penelitian ini dapat digunakan sebagai tahap awal pengawasan realisasi tanam bawang putih oleh pelaksana kebijakan pengembangan lokasi bawang putih di Sembalun. Para peneliti dapat memanfaatkan citra Sentinel-2 sebagai data sumber pengklasifikasian lahan dengan mengembangkan model CNN.