Perpustakaan Digital ITB

Indonesia adalah Negara Agraris dengan salah satu komoditas utama pertaniannya adalah beras. Salah satu daerah yang menjadi pusat penanaman padi di Indonesia khususnya di Pulau Jawa adalah Kabupaten Karawang. Terdapat beberapa metode pengukuran data produksi padi, salah satunya adalah metode statistik KSA. Selain menggunakan metode statistik tersebut, terdapat beberapa studi yang menunjukkan bahwa model machine learning dapat dikembangkan untuk memprediksi fase tumbuh padi secara tepat dan akurat. Pada tugas akhir ini, dilakukan pengembangan pada algoritma CART yang sedang diteliti di BRIN sebagai metode pengukuran data produksi padi. Pengembangan modified CART algorithm ditujukan untuk meningkatkan kinerja model CART dalam melakukan klasifikasi fase tumbuh padi di area studi kabupaten Karawang, Jawa Barat pada tahun 2020–2021. Pengembangan dilakukan menggunakan data sampel KSA yang diekstrapolasikan dengan data atribut citra satelit Sentinel-1A SAR. Model CART dimodifikasi menggunakan metode grid search hyperparameter tuning serta ensemble stacking dengan model random forest, support vector machine, serta gradient boosting sebagai final estimator-nya. Metode ensemble stacking menggunakan parameter passthrough bernilai True yang menunjukkan data atribut training juga digunakan untuk melatih final estimator. Selain itu, dilakukan beberapa eksperimen untuk modifikasi data berupa penambahan atribut NDVI dan NDBI yang didapatkan dari citra Landsat-8 OLI serta melakukan oversampling pada sampel kelas fase tumbuh padi (1, 2, 3, dan 4). Pembangunan model dilakukan dengan melakukan fitting data sampel KSA tahun 2020 pada area studi. Selanjutnya, pengujian model dilakukan dengan membandingkan prediksi model terhadap data sampel KSA pada tahun 2021. Metrik evaluasi yang digunakan adalah overall accuracy, f-1 score pada kelas fase tumbuh padi, dan kappa score. Hasil best modified CART algorithm yang didapatkan dari serangkaian tugas akhir ini adalah model stacking CART dengan gradient boosting yang menggunakan data citra sentinel-1A SAR yang telah dilakukan oversampling pada data training-nya. Model base classifier CART yang digunakan pada stacking CART dengan gradient boosting merupakan model hyperparameter tuned CART dengan hasil hyperparameter yang optimal adalah maxnodes senilai 1000 dan minsamplesleaf senilai 2. Model best modified CART algorithm terlihat meningkatkan OA model baseline CART dengan selisih terendah senilai 0.70% pada bulan data training September 2020 dan selisih tertinggi senilai 6.50% pada bulan data training Januari 2020. Pada pengujian model menggunakan data atribut NDVI dan NDBI, didapati bahwa pada bulan dengan data citra yang memiliki tingkat cloud cover yang rendah berhasil meningkatkan OA model, namun untuk bulan dengan tingkat cloud cover yang tinggi terlihat menurunkan OA model. Selain itu, penerapan oversampling juga menunjukkan peningkatan kinerja model dalam mengestimasi luasan area kelas fase tumbuh padi saat dibandingkan dengan estimasi luas area berdasarkan perhitungan metode statistik KSA. Oleh karena itu, didapati bahwa stacking CART dengan gradient boosting memiliki kinerja lebih baik dibandingkan model-model lainnya.