PENGGUNAAN METODE MACHINE LEARNING UNTUK PENGENALAN POLA TUTUPAN LAHAN PADA CITRA SATELIT

Nursida Arif, Febriana Santi Wahyuni

Abstract


Citra penginderaan jauh adalah sumber utama dalam deteksi liputan lahan yang dapat mencakup wilayah yang sangat luas. Pada daerah yang mempunyai tutupan lahan yang heterogen, penggunaan citra penginderaan jauh dapat digunakan untuk mengetahui jenis penggunaan lahan dalam waktu yang relatif lebih singkat dibandingkan dengan pemantauan secara terestrial. Citra yang digunakan dalam penelitian ini yaitu citra SPOT 5.

 Permasalahan yang sering timbul dalam pengolahan citra penginderaan jauh adalah dimensi data yang besar sehingga sangat sulit diselesaikan dengan metode tradisional. Pendekatan machine learning menjadi pilihan alternatif metode yang dapat menangani permasalahan tersebut. Support vector machine dan artificial neural network merupakan bagian dari machine learning yang dipilih untuk digunakan dalam kasus ini karena memiliki kemampuan memahami data non linear dengan dimensi data yang lebih besar.

 Berdasarkan hasil klasifikasi tutupan lahan citra Pada kasus ini klasifikasi dengan SVM lebih dapat diunggulkan dengan akurasi (88,02%) dibandingkan ANN (81,78%).


Full Text:

PDF

References


Camps-Valls,G, “Machine Learning in Remote Sensing Data Processing. Machine Learning for Signal Processing”, MLSP 2009.

Liu, Q., Wu, G., Chen, J., Zhou, G, Interpretation Artificial Neural Network in Remote Sensing Image Classification.IEEE, 2012.

Danoedoro, P., 2012, Pengantar Penginderaan Jauh Digital. Andi.Yogyakarta, 2012.

Lillesand, T.M., dan Kiefer, R.W., Chpman, J.W., 2007, Remote Sensing and Image Interpretation, Sixth Edition. John Wiley and Sons, New York

Soenarmo, S.H, Penginderaan Jauh dan Pengenalan Sistem Informasi Geografis untuk Bidang Ilmu Kebumian.ITB Bandung, , 2009

Purwadhi, S.H., Sanjoto, T.H., 2008, Pengantar Interpretasi Citra Penginderaan Jauh. Lembaga Penerbangan dan Antariksa Nasional dan Jurusan Geografi Universitas Negeri Semarang.

Fausett, L, “Fundamentals Of Neural Networks Architectures, Algorithms, and Applications”, Prentice-Hall, New Jersey, 1994

Boswell, D, Introduction to Support vector Machine, 2002.

Congalton, , R, G., Green, K., “Assessing the Accuracy of Remotely Sensed Data:Principles and Practices”. CRC Press. 2009

Purnomo,M.H., Kurniawan, A, Supervised Neural Networks dan Aplikasinya, Graha Ilmu, Yogyakarta. 2006

Kurniawan, D., Supriyanto, C., “Optimasi Algoritma Support Vector Machine (SVM) Menggunakan Adaboost untuk Penilaian Resiko Kredit”. Jurnal Teknologi Informasi, Vol. 9 Nomor 1, April, 2013.

Arif, N., Danoedoro, P, ” Study on Experiments of Artificial Neural Network Using Spatial Data” in J. IJETAE, Vol. 4, Issue 8,, pp. 732 – 736, August. 2014.

Pradhan, B., Lee, S., Buchroitner, M.F., 2010,” A GIS-Based Backpropagation Neural Network Model And Its Cross- Application and Validation for Landslide for Susceptibility Analyses”.Computers,Environment and Urban Systems 34 (2010) pp. 216 – 235, 2010.

Mounttrakis, G., Im, J., Ogole, C, Support Vector Machine in Remote Sensing: A Review. ISPRS Journal of Photogrammetry and Remote Sensing 66:247 – 259, 2011.


Refbacks

  • There are currently no refbacks.