Najwa, Sabina Chairun
(2024)
Penyeleksian Indeks Spektral Melalui Model Regresi Logistik Multinomial dengan Metode Least Absolute Shrinkage and Selection Operator (LASSO).
Skripsi thesis, Universitas Negeri Padang.
Abstract
Perhitungan luas panen padi nasional di Indonesia menggunakan
pendekatan Kerangka Sampel Area (KSA). Survei KSA cukup akurat untuk
melakukan mengestimasi luas panen, namun biaya survei yang diperlukan cukup
tinggi. Salah satu solusi meminimalisir biaya survei KSA adalah dengan
memanfaatkan indeks spektral pada citra satelit salah satunya citra satelit Landsat8.
Pemanfaatan
citra
satelit
membantu
pemodelan
amatan
multiclass
dalam
survei
KSA
menjadi lebih efisien. Salah satu model yang dapat digunakan untuk
mengklasifikasikan amatan KSA adalah Regresi Logistik Multinomial (RLM).
Cara untuk menyederhanakan model kompleks dari model RLM, yaitu dengan
metode Least Absolute Shrinkage and Selection Operator (LASSO).Penelitian ini
bertujuan untuk menyederhanakan dan mengetahui performa model klasifikasi
amatan KSA.
Penelitian ini merupakan penelitian terapan, yaitu penerapan metode Least
Absolute Shrinkage and Selection Operator (LASSO) pada Regresi Logistik
Multinomial (RLM) yang memodelkan amatan KSA. Data yang digunakan adalah
indeks-indeks spektral Landsat-8 selama tiga periode waktu pada Provinsi Jawa
Barat tahun 2018. Adapun variabel prediktor yang adalah indeks-indeks spektral,
yaitu EVI
t
, NDBI
t
, MNDWI
t
, NDBI
t-1
, MNDWI
t-1
, NDBI
t-2
, MNDWI
t-2
, dEVI
1
,
dEVI
2
, dan variabel respon yang digunakan adalah kategori amatan KSA.
Penelitian ini bertujuan untuk menyederhanakan model klasifikasi
pengamatan KSA pada data citra satelit Landsat-8. Hasil penelitian menunjukkan
bahwa LASSO dapat mengurangi kompleksitas model dengan memilih indeks
spektral yang berkontribusi. LASSO dapat memodelkan data dan mengestimasi
parameter sekaligus memilih parameter secara bersamaan, sehingga lebih efisien.
Model RLM dan RLM-LASSO memiliki kinerja yang serupa. Namun, kriteria
confusion matrix pada model RLM-LASSO meningkat, yang membuktikan
bahwa model yang sederhana lebih baik daripada model yang kompleks dalam
mengklasifikasikan pengamatan KSA.
Actions (login required)
 |
View Item |
