Pemetaan Potensi Lahan Jagung Menggunakan Citra Satelit Dan Random Forest Pada Cloud computing Google Earth Engine
Ketersediaan informasi potensi lahan jagung yang cepat terbaharui penting untuk mendukung pemulihan ekonomi pasca covid 19. Pemetaan jagung menjadi suatu tantangan tersendiri di bidang pertanian karena areal penanaman jagung tidak memiliki ciri khusus seperti sawah, jagung belum memiliki peta luas baku, serta penanamannya dapat dilakukan di sawah maupun lahan-lahan kering hutan. Permasalahan lainnya, perlu sumberdaya komputasi yang tinggi jika pemetaan jagung dilakukan secara langsung ataupun identifikasi secara manual. Dalam penelitian ini dilakukan pemetaan potensi jagung di Jawa Timur pada Kabupaten terpilih secara otomatis menggunakan Machine learning pada cloud computing google earth engine. Dengan penggunaan cloud computing GEE, pemetaan jagung dapat dilakukan pada area luas tanpa terkendala kemampuan komputer. Penelitian ini menggunakan algoritma pembelajaran mesin Random Forest(RF) berbasis piksel dengan input data dari satelit Landsat-8, Sentinel-1 dan Sentinel-2. Data referensi untuk melatih model klasifikasi menggunakan hasil KSA jagung. Akurasi hasil Machine learning paling baik berasal dari kombinasi Landsat-8 dan Sentinel-2 dengan rataan akurasi sebesar 0.79. Model klasifikasi kemudian diaplikasikan pada 10 Kabupaten dimana hasil terbaik adalah pada Kabupaten Banyuwangi dengan akurasi 0.89. Dilihat dari luas potensi jagung pada daerah Banyuwangi luasan berkisar dari 22.256,82 – 58.992,3 Ha berdasarkan pixel yang terprediksi sebagai jagung minimal 3 kali/bulan. Dari hasil kajian ini terbukti bahwa penggunaan cloud computing dapat melakukan penghitungan pada 10 Kabupaten secara cepat baik dari sisi pembangunan model maupun dari prediksinya. Selain itu karena menggunakan cloud computing pemanfaatan citra satelit dapat dimanfaatkan secepat mungking setelah citra satelit terbit/rilis sehingga prediksi dari potensi jagung dapat secara cepat dan tepat dihasilkan. Kajian ini juga menyoroti kekurangan yang terjadi yaitu dari sisi jumlah sampel untuk data latih dan keterbatasan algoritma yang digunakan sehingga kedepannya dapat dikembangkan lebih baik lagi.