digilib@itb.ac.id +62 812 2508 8800


COVER Edi Kurniawan
PUBLIC Open In Flipbook Irwan Sofiyan

BAB 1 Edi Kurniawan
PUBLIC Open In Flipbook Irwan Sofiyan

BAB 2 Edi Kurniawan
PUBLIC Open In Flipbook Irwan Sofiyan

BAB 3 Edi Kurniawan
PUBLIC Open In Flipbook Irwan Sofiyan

BAB 4 Edi Kurniawan
PUBLIC Open In Flipbook Irwan Sofiyan

BAB 5 Edi Kurniawan
PUBLIC Open In Flipbook Irwan Sofiyan

PUSTAKA Edi Kurniawan
PUBLIC Open In Flipbook Irwan Sofiyan


Kerangka Sampel Area (KSA) merupakan metode survei yang digunakan untuk pemantauan tanaman padi. Dalam pelaksanaannya, sebagian titik sampel tidak dapat diakses sehingga dicatat sebagai kode amatan 12. Kode 12 ini harus diubah setelah jadwal amatan lapangan oleh validator berdasarkan pada informasi petugas lapangan atau nilai amatan periode sebelumnya. Pemanfaatan citra Sentinel-2 berpotensi mendukung pengisian fase amatan tersebut. Namun dihadapkan pada kendala tutupan awan yang menyebabkan deret waktu tidak lengkap serta ketidakselarasan waktu antara tanggal akuisisi satelit dan jadwal pengamatan lapangan (minggu terakhir di setiap bulan). Penelitian ini mengembangkan pipeline rekonstruksi deret waktu Sentinel-2 berbasis cluster-DINEOF untuk mendukung klasifikasi nilai amatan KSA dan penelitian ini juga mengeimplementasikan fitur rekomendasi pada titik kode 12 pada studi kasus di 306 titik KSA Kabupaten Aceh Jaya. Deret waktu indeks spektral diregularisasi pada interval 5–15 harian dan diselaraskan dengan periode label lapangan. Untuk mengatasi nilai hilang akibat awan, diterapkan DINEOF berbasis SVD low-rank yang dijalankan per klaster. Pengelompokan dibentuk menggunakan informasi SAR untuk memperoleh kelompok dengan dinamika yang lebih homogen sehingga rekonstruksi menjadi lebih stabil. Keluaran rekonstruksi data selanjutnya digunakan untuk klasifikasi dua tahap, yaitu Stage-1 (sawah/non-sawah) dan Stage-2 (fase padi), evaluasi model menggunakan Group K-Fold serta analisis confusion matrix. Konfigurasi terbaik pada skenario yaitu Cluster DINEOF grid 10-harian menghasilkan kinerja Stage-1 sebesar : akurasi 0,852 dan F1-macro 0,821. Untuk meningkatkan konsistensi temporal antar bulan, prediksi fase setelah stage-2 menggunakan Viterbi sehingga transisi fase lebih realistis. Selanjutnya, model klasifikasi random forest digunakan sebagai fitur rekomendasi pada aplikasi KSA untuk memberikan usulan fase amatan pada titik kode 12, dengan tujuan mengurangi subjektivitas dan memperkuat dukungan operasional berbasis data satelit.