Klasifikasi Tanaman Menggunakan Metode Deep Learning Residual Network (ResNet) Berbasis Data Time Series Penginderaan Jauh di Desa Girimulyo, Lampung Timur

Sebagian besar penduduk Indonesia bekerja di sektor pertanian, sehingga peta jenis tanaman penting untuk mendukung ketahanan pangan. Penelitian ini mengevaluasi klasifikasi time series berbasis Residual Network (ResNet) untuk pemetaan tanaman. Data yang digunakan berupa citra Sentinel-2A periode Mei 2021–Mei 2022 dengan 120 sampel pada lima kelas: Jagung, Kelapa, Non-tanaman, Pisang, dan Tanaman Lain. Data diolah menjadi Earth Observation (EO) data cube terregulerisasi, kemudian dilatih menggunakan sampel melalui dua skema Self-Organizing Map (SOM), yaitu single clustering (SC) dan double clustering (DC). Model ResNet dilatih dengan data tersaring dan diuji dengan variasi epoch. Hasil penelitian menghasilkan peta jenis tanaman wilayah Girimulyo, Lampung Timur, yang dismoothing menggunakan metode Bayesian. Uji akurasi menunjukkan skema SC pada epoch ke-100 mencapai 87%, melampaui ambang minimum 85%. Sebaliknya, skema DC memberi hasil lebih rendah akibat berkurangnya data pelatihan. Dengan demikian, klasifikasi time series berbasis ResNet efektif untuk pemetaan jenis tanaman di daerah penelitian.