Perpustakaan Digital ITB

Padi merupakan komoditas penting dan strategis bagi bangsa Indonesia mengingat pangan, dalam hal ini beras, adalah kebutuhan dasar manusia. Keberhasilan pelaksanaan pembangunan ketahanan pangan sangat ditentukan perencanaan yang baik. Oleh karena itu, diperlukan suatu metode prediksi produksi padi yang cepat, tepat dan akurat. Dalam penelitian ini, kami mengusulkan metode prediksi produksi padi berdasarkan citra satelit dan kerangka sampel area menggunakan machine learning dengan studi kasus Kabupaten Bireuen. Sampel yang kami gunakan sebanyak 47 segmen yang tersebar di Kabupaten Bireuen, diamati fase pertumbuhannya setiap bulan dari Januari 2018 sampai Juli 2019 menggunakan pengamatan langsung dan Satelit Landsat 8. Data amatan langsung mengenai fase pertumbuhan padi dikumpulkan dan ditabulasi, sedangkan data pengamatan lainnya diambil melalui citra satelit, meliputi data Normalized Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI) dan Normalized Difference Water Index (NDWI). Data NDVI, EVI dan NDWI. Data-data tersebut kemudian digunakan digunakan untuk memprediksi fase pertumbuhan padi menggunakan algoritma Support Vector Machine (SVM), Naïve Bayes, Random Forest dan K Nearest Neighbor. Hasilnya Random Forest memiliki performa yang paling baik, yaitu dengan nilai presisi 78,29%, recall 76,58%, akurasi 76,58% dan F-Measure 77,12%. Selanjutnya, nilai prediksi fase pertumbuhan padi tiap sampel ditabulasi dan dilakukan perhitungan secara statistik untuk kemudian memprediksi nilai produksi padi Kabupaten Bireuen untuk Bulan Januari sampai Juli 2019. Hasil prediksi tersebut dibandingkan dengan metode sebelumnya yang menggunakan nilai fase pertumbuhan padi melalui pengamatan secara langsung. Dilakukan Uji Rangking Bertanda Wilcoxon pada kedua metode dengan ?=0,05, dan didapatkan bahwa tidak ada perbedaan signifikan antara kedua metode prediksi tersebut. Artinya, metode prediksi produksi padi berdasarkan citra satelit dan kerangka sampel area menggunakan machine learning sama bagusnya dengan metode prediksi melalui pengamatan langsung.