Perbandingan Hasil Klasifikasi Tutupan Lahan Menggunakan Metode Artificial Neural Network (ANN), Support Vector Machine (SVM), dan Random Forest (RF) dengan Bahasa Pemrograman R
DOI:
https://doi.org/10.12962/geoid.v19i2.1145Keywords:
Machine Learning, Artificial Neural Network, Random Forest, Support Vector Machine, Tutupan LahanAbstract
Teknologi penginderaan jauh telah mengalami perkembangan yang pesat terutama dalam metode klasifikasi citra. Klasifikasi citra merupakan kegiatan yang dilakukan untuk mendeteksi dan mengidentifikasi objek di permukaan bumi pada citra satelit. Saat ini telah dikembangkan berbagai metode klasifikasi citra satelit, salah satunya adalah metode klasifikasi berbasis parameter, seperti MLC (Maximum Likelihood). Namun, metode ini tidak dapat dilakukan di lingkungan dengan fitur objek yang kompleks (seperti di daerah perkotaan atau daerah yang dibangun dengan padat). Hal ini dikarenakan metode klasifikasi berdasarkan parameter yang dibutuhkan dari dataset tidak berdistribusi normal. Oleh karena itu, dikembangkan metode klasifikasi berbasis non-parametrik yang tidak bergantung pada sifat sebaran data, sehingga tidak diperlukan parameter statistik untuk memisahkan banyak kelas pada citra dan digunakan untuk menganalisis citra satelit dengan lahan padat dan kompleks. fitur penutup. Melalui penelitian ini dilakukan analisis komparatif klasifikasi tutupan lahan menggunakan metode klasifikasi berbasis non parametrik dengan pendekatan Machine Learning (Artificial Neural Network, Support Vector Machine, dan Random Forest) untuk wilayah Kota Surabaya menggunakan Landsat-8 data citra satelit, untuk mengetahui hasil klasifikasi kinerja yang dihasilkan dari ketiga metode tersebut. Klasifikasi tutupan lahan yang diterapkan pada penelitian ini terdiri dari empat kelas yaitu, badan air, lahan terbuka, lahan terbangun, dan vegetasi. Adapun komposisi training point yang digunakan adalah 80:20, dimana 80% titik sebagai titik sample dan 20% sebagai titik validasi. Dan jumlah seluruh training point adalah 237 titik. Hasil klasifikasi tutupan lahan pada penelitian ini kemudian dilakukan uji akurasi secara kualitatif dan kuantitatif. Berdasarkan uji akurasi secara kuantitatif metode Random Forest menunjukkan hasil yang paling baik dengan nilai overal accuracy 93,33% dan kappa accuracy sebesar 91,07%.
References
Breiman, L. (2001). Random Forest. California : Handbook of Statistics Department University of California.
Harissalam, M., (2020). Perbandingan Hasil Klasifikasi Tutupan Lahan Pada Citra Satelit Resolusi Tinggi Pleiades Menggunakan Pendekatan Machine Learning Metode Decision Tree Dan Random Forest (Studi Kasus : Kelurahan Kejawan Putih Tambak, Kecamatan Mulyorejo, Surabaya). Undergraduate Thesis, Dept. Geomatics Eng, Institut Teknologi Sepuluh Nopember (2020).
Havyas, V. B., dkk. (2015). Decision Tree Approach for Classification of Satellite Imagery. Int. J. Soft Computing Eng.(IJSCE), 5(2), 2231-2307.
Jensen, J. R., & Cowen, D. C. (1999). Remote sensing of urban/suburban infrastructure and socio-economic attributes. Photogrammetric engineering and remote sensing, 65, 611-622.
Lillesand, T. M. & Kiefer, R. W. (1990). Penginderaan Jauh dan Interpretasi Citra Alih Bahasa R. Yogyakarta : Universitas Gadjah Mada.
Nugroho, R. A., & Handayani, H. H. (2021). Prediksi Perubahan Tutupan Lahan Menggunakan Metode Markov Chain dan Citra Satelit Penginderaan Jauh (Studi Kasus: Kota Surabaya). Jurnal Teknik ITS, 9(2), C71-C77.
Pham, D.T. (1994). Neural Network for Chemical Engineers. Amsterdam : Elsevier Press.
RStudio. (2021). About RStudio. [Online]. Available : https://www.rstudio.com/about/.
Shao, Z., Fu, H., Fu, P., & Yin, L. (2016). Mapping Urban Impervious Surface by Fusing Optical and SAR Sata at the Decision Level. Remote Sensing, 8(11), 94.
Suryo, A. B., & Hariyanto, T. (2013). Studi Perubahan Tutupan Lahan DAS Ciliwung Dengan Metode Klasifikasi Terbimbing Citra Landsat 7 ETM+ Multitemporal Tahun 2001 & 2008 (Studi Kasus: Bogor). Geoid, 9(1), 1-6.
Natural Resouces Canada. (2015). [Online]. Land Use Mapping. Available : https://www.nrcan.gc.ca/
Vapnik, V., Golowich, S. E., & Smola, A. (1997). Support Vector Method for Function Approximation, Regression Estimation and Signal Processing. Advances in Neural Information Processing Systems 9.
