PEMANFAATAN ENSEMBLE LEARNING DAN PENGINDERAAN JAUH UNTUK PENGKLASIFIKASIAN JENIS LAHAN PADI

Abstract

Pertanian adalah bidang yang sangat penting di Indonesia, sektor ini di tahun 2017 mencatat penyerapan tenaga kerja sebanyak 29.68% dari total seluruh pekerja (BPS, 2018), namun pentingnya sektor pertanian ini berbanding terbalik dengan data pertanian yang tersedia. Tahun 1998 Badan Pusat Statistik (BPS) bersama Japan International Cooperation Agency (JICA) telah mengisyaratkan overestimasi luas panen sekitar 17,07 persen. Ketidakuratan data pertanian ini kemudian diperbaiki pada tahun 2018 melalui kerjasama para stakeholder dengan menyusun suatu metodologi baru dalam menghitung luas lahan yang diberi nama kerangka sampel area. Selain metodologi yang sudah diperbarui, kemajuan teknologi dan teknik analisis di bidang ilmu pengetahuan juga mendukung perbaikan data pertanian. Citra satelit dan teknik klasifikasi menggunakan ensemble learning dapat dimanfaatkan dalam mengklasifikasikan jenis lahan padi. Pada penelitian ini digunakan citra satelit yang berasal dari United States Geological Survey (USGS) yaitu Landsat 8 dan teknik klasifikasi ensemble learning. Citra satelit dimanfaatkan untuk mengekstrak indeks vegetatif dari koordinat koordinat yang diteliti, sedangkan ensemble learning yang digunakan dalam penelitian ini yaitu Random Forest dan Boosting. Hasil pengolahan data menunjukkan Random Forest memiliki akurasi yang lebih tinggi daripada Boosting yaitu dengan nilai 76,52 untuk Random Forest dan 75,60 untuk Boosting. Keunggulan Random Forest terhadap Boosting tidak hanya dari sisi tingkat akurasi saja namun juga dari kestabilan model yang dibentuk.