KLASIFIKASI PENGINDERAAN JAUH BERBASIS TIME SERIES MENGGUNAKAN MULTI LAYER-PERCEPTRON (MLP) UNTUK PEMETAAN JENIS TANAMAN (Studi Kasus : Desa Girimulyo, Lampung Timur)
Ketersediaan informasi yang akurat dan tepat waktu mengenai jenis tanaman sangat penting dalam memastikan ketahanan pangan. Seiring berkembangnya teknologi penginderaan jauh, membuat ketersediaan data observasi bumi berupa citra satelit semakin banyak dan beragam pula, untuk mengimbangi banyaknya data yang tersedia dibutuhkan metode inovatif yang mampu mengestrak informasi penting dengan cepat dan akurat. Oleh sebab itu, penelitian ini dilakukan untuk melihat hasil penerapan metode klasifikasi time series penginderaan jauh menggunakan Multi-Layer Perceptron (MLP) untuk mengklasifikasikan peta jenis tanaman. Metode tersebut dipilih karena kemampuannya yang andal dalam mengklasifikasi data yang kompleks dengan efisien. Penelitian ini menggunakan data citra Sentinel-2A dengan rentang pengamatan mulai dari 20 April 2021 sampai 20 April 2022 dan 150 data sampel berupa koordinat dari lima jenis tanaman yang ada di Desa Girimulyo dan sekitarnya. Data time series Sentinel-2A dijadikan sebagai masukkan untuk pembuatan Earth Observation (EO) data cube yang teregulerisasi, sedangkan data sampel digunakan sebagai masukkan untuk training dan validasi. Sebanyak 120 data sampel yang dijadikan sebagai data training, dilakukan pengecekkan kualitas dengan metode Self-Organizing Map (SOM), kemudian dilanjutkan dengan proses filtering. Pada tahap tersebut diterapkan dua skema percobaan yakni satu kali clustering (SC) dan dua kali clustering (DC). Data training yang telah tersaring dan data cube yang telah teregulerisasi dibutuhkan untuk proses training menggunakan metode MLP, pada tahap ini perbedaan jumlah epoch diterapkan untuk mencari nilai epoch yang optimal pada klasifikasi di penelitian ini. Klasifikasi dibuat berdasarkan model training yang telah dibuat, hasilnya berupa Peta Jenis Tanaman di Desa Girimulyo, Lampung Timur. Hasil klasifikasi kemudian diperhalus dengan metode Bayesian Smoothing lalu diuji akurasinya dengan data validasi lapangan. Hasil uji akurasi menunjukkan bahwa klasifikasi time series penginderaan jauh berbasis MLP ini efektif untuk memetakan jenis tanaman di wilayah studi dibuktikan dengan hasil akurasi skema percobaan SC dengan epoch 200 yang telah mencapai 83%. Hasil penelitian ini menunjukkan bahwa kuantitas dan kualitas data training sangat mempengaruhi akurasi citra terklasifikasi dibuktikan dengan percobaan skema DC yang tidak lebih baik dari skema SC disebabkan adanya pengurangan jumlah data training akibat clustering dan filtering. Hasil penelitian ini juga menunjukkan bahwa peningkatan jumlah epoch tidak selalu bisa meningkatkan nilai akurasi karena sifat model MLP yang sangat sensitif terhadap perubahan parameternya.
URI
https://repo.itera.ac.id/depan/submission/SB2301040005
Keyword