Penerapan Model Regresi Logistik Multinomial-Lasso Untuk Klasifikasi Fase Pertumbuhan Padi Menggunakan Data Imputasi KNN

Ketahanan pangan penting untuk stabilitas ekonomi dan kesejahteraan masyarakat, namun pemantauan produksi padi melalui metode Kerangka Sampel Area (KSA) memiliki keterbatasan akibat tingginya biaya operasional. Sebagai alternatif, citra satelit Landsat-8 menawarkan solusi pemantauan yang lebih efisien dan akurat. Namun, data citra satelit bersifat berdimensi tinggi dan rentan mengalami kehilangan data akibat tutupan awan, sehingga diperlukan pendekatan analisis yang tepat. Penelitian ini bertujuan untuk menerapkan pendekatan analisis yang efisien dan akurat dalam memantau produksi padi menggunakan citra satelit Landsat-8. Penelitian ini memanfaatkan data sekunder berupa citra satelit Landsat-8 yang diperoleh melalui Google Earth Engine (GEE) serta survei KSA di Kabupaten Padang Pariaman pada tahun 2024 yang bersifat multitemporal dengan tiga periode waktu amatan. Variabel bebas terdiri dari 30 fitur, yang mencakup tiga indeks spektral dan tujuh band dari ketiga periode waktu tersebut untuk merepresentasikan kondisi pertumbuhan padi. Variabel terikatnya adalah kelas amatan KSA yang mencakup empat fase pertumbuhan padi. Untuk mengatasi masalah data berdimensi tinggi, digunakan metode Regresi Logistik Multinomial dengan regularisasi LASSO (RLM-LASSO) sebagai teknik seleksi fitur. Sedangkan sebagai solusi untuk data yang hilang akibat tutupan awan, diterapkan metode imputasi K-Nearest Neighbors (IKNN). Penelitian ini menghasilkan model dengan kinerja klasifikasi yang baik terhadap fase pertumbuhan padi, dengan balanced accuracy sebesar 76.64%. LASSO berhasil menyederhanakan jumlah fitur yang digunakan untuk tiap fase, yaitu dua fitur untuk fase generatif, empat fitur untuk panen, enam fitur untuk vegetatif akhir, dan tiga fitur untuk vegetatif awal. Temuan ini menegaskan potensi integrasi pendekatan statistik dan data penginderaan jauh dalam pemantauan pertanian yang lebih efisien dan adaptif.