Perpustakaan Digital ITB

Kebutuhan pangan merupakan salah satu dari tiga kebutuhan dasar manusia dan bagi bangsa Indonesia, padi merupakan komoditas penting dan strategis guna memenuhi kebutuhan dasar tersebut. Salah satu daerah yang menjadi pusat penanaman padi di Indonesia khususnya di Pulau Jawa adalah Kabupaten Karawang. Diketahui terjadi konsistensi produksi padi di Kabupaten Karawang yang terus menurun sehingga dapat menimbulkan kekhawatiran jika suatu saat produktivitas padi tidak akan mengalami kenaikan. Oleh karena itu, dibutuhkan suatu sistem yang daoat melakukan klasifikasi fase pertumbuhan padi pada suatu area dengan cepat sebagai alat bantu untuk mengatasi permasalahan pertumbuhan padi. Berdasarkan beberapa studi terdahulu, machine learning dapat melakukan prediksi fase pertumbuhan padi secara lebih cepat dan efisien. Tugas akhir ini melakukan pengembangan metode machine learning model Gradient Boosting Classifier berdasarkan pada hasil penelitian sebelumnya yang dilakukan di BRIN. Tujuan dilakukan pengembangan modified Gradient Boosting algorithm adalah untuk menemukan model Gradient Boosting Classifier dengan kinerja terbaik dalam melakukan klasifikasi fase pertumbuhan padi berdasarkan data hasil pengamatan satelit Sentinel-1A SAR dan data statistik Kerangka Sampel Area (KSA) di Kabupaten Karawang, Jawa Barat pada tahun 2020–2021. Modified Gradient Boosting algorithm dilakukan dengan metode hyperopt hyperparameter tuning, imbalance data handling, dan kombinasi antara hyperopt hyperparameter tuning dengan imbalance data handling. Selain dilakukan modifikasi terhadap Gradient Boosting Classifier, dilakukan juga pemodelan dengan algoritma Boosting Classifier yang lain sebagai model pembanding, di antaranya Extreme Gradient Boosting, Light Gradient Boosting, Adaptive Boosting (AdaBoost), dan CatBoost. Digunakan metrik perbandingan overall accuracy, precision, recall, F1-Score, kappa score, cross validation, dan time execution sebagai penentu model Boosting Classifier mana yang memiliki kinerja terbaik. Hasil evaluasi untuk baseline machine learning model didapatkan 3 (tiga) model machine learning Boosting Classifier yang memenuhi kriteria metrik perbandingan, yaitu model Gradient Boosting, Extreme Gradient Boosting, dan CatBoost. Metode optimasi hyperparameter optimization dengan library hyperopt menjadi metode yang dapat meningkatkan kinerja model machine learning Boosting Classifier dalam melakukan klasifikasi fase pertumbuhan padi berdasarkan hasil nilai di sebagian besar metrik perbandingannya (4/7 metrik perbandingan) lebih tinggi rata-rata sebesar 0.2 jika dibandingkan dengan ketiga metode yang lain, yaitu metode baseline, metode imbalance, dan metode kombinasi imbalance dengan hyperparameter optimization.