Perbandingan Metode Klasifikasi Pemetaan Tutupan Lahan Menggunakan Algoritma Machine Learning Pada Citra Satelit Dengan Google Earth Engine

Authors

DOI:

https://doi.org/10.34818/eoe.v9i6.19109

Abstract

Abstrak - Perencanaan dan pembangunan sebuah lahan masih menjadi salah satu perhatian di beberapa negara berkembang seperti Indonesia. Cara untuk mengetahui perkembangan suatu tempat adalah dengan melihat informasi peta penggunaan lahannya. Dengan peta tutupan lahan maka dapat diketahui informasi jenis tutupan lahan, luas setiap tutupan lahan dan penggunaan lahan pada kawasan tersebut yang berguna bagi pemerintah setempat maupun para peneliti. Metode dalam Tugas Akhir dalam membuat klasifikasi tutupan lahan (land cover) pada citra satelit ini adalah dengan menggunakan klasifikasi terbimbing (supervised classification), diantaranya yaitu Naïve Bayes, Random Forest dan Support Vector Machine (SVM) dengan menggunakan Google Earth Engine. Pada Tugas Akhir ini, titik training yang digunakan sebanyak 27 dan 15 titik validasi yang digunakan. Kelas klasifikasi dibuat sebanyak 4 kelas: badan air, lahan terbangun, lahan terbuka dan vegetasi. Dan citra yang digunakan adalah citra dari satelit Sentinel-2 dan Landsat-8. Data dari hasil pengujian yang telah dilakukan dengan menggunakan aplikasi Google Earth Engine menunjukkan bahwa classifier Support Vector Machine (SVM) dengan citra Sentinel-2 memberikan keseluruhan akurasi (Overall Accuracy) tertinggi dengan nilai 97,22% dan nilai Kappa sebesar 96,29%. Sedangkan dengan menggunakan citra Landsat-8 mendapatkan nilai keseluruhan akurasi (Overall Accuracy) 74,07% dan nilai kappa sebesar 65,43%.. Kata Kunci- Land Cover, Naïve Bayes, SVM, Random Forest, Sentinel-2, Landsat-8.

Downloads

Download data is not yet available.

References

[1] Q. Weng, Z. Mao, J. Lin, X. Liao. “Land-Use Scene Classification Based on A CNN Using A Constrained Extreme Learning Machine”. International Journal of Remote Sensing, 2018, pp. 1-18.

[2] Lillesand, T. M and Kiefer R.W. “Penginderaan Jauh dan Interpretasi Citra”. Yogyakarta: Gadjah Mada University Press, 1990.

[3] Townshend, J. and Justice, C. “Information Extraction from Remotely Sensed Data”. A User View. Remote Sensing, 2, 313-329, 1981.

[4] Barret, R. B dan L. F. Curtis. “Introduction to environmental remote sensing”. Chapman and Hall. London. 352 h, 1982.

[5] Liang, S. “Advances in Land Remote Sensing System, Modeling Inversion and Application”. 2008, Springer, Dordrecht.

[6] Mulyoutami E , Sakuntaladewi N, Agus F, van Noordwijk M. “Perubahan Pola Perladangan: Pergeseran persepsi mengenai para peladang di Indonesia”. Bogor, Indonesia, 2010.

[7] European Space Agency, E. S. A. (2015). “Sentinel-2 User Handbook”. In Sentinel-2 User Handbook.

[8] Ihlen, Vaughn. “Landsat 8 (L8) Data Users Handbook”. U.S. Geological Survey, 2019.

[9] Kumar, L. and Mutanga, O.. “Google Earth Engine Applications since Inception Usage, Trends and Potential”. Remote Sensing, 10, 2018, Article No. 1509

[10] Widodo, Sri. Ekstraksi Fitur Citra Biomedik: Dilengkapi dengan Source Code Matlab. (n.d.). (n.p.): Penerbit Pustaka Rumah C1nta, 2021.

[11] Ho, T. “Random decision forests”. In: Proceedings of the Third International Conference on Document Analysis and Recognition, vol. 1,1995, pp. 278–282. IEEE

[12] Wibowo, A. T., Saikhu, A., & Soelaiman, R. “Implementasi Algoritma Deteksi SPAM yang Tersisipi Informasi Citra dengan Metode SVM dan Random Forest”, 2016, TUGAS AKHIR – KI141502.

Downloads

Published

2022-12-01

Issue

Pages

3753-3762

Section

Program Studi S1 Teknik Telekomunikasi

How to Cite

Putri, A. R., Purnamasari, R., & Edwar, E. (2022). Perbandingan Metode Klasifikasi Pemetaan Tutupan Lahan Menggunakan Algoritma Machine Learning Pada Citra Satelit Dengan Google Earth Engine. EProceedings of Engineering, 9(6), 3753-3762. https://doi.org/10.34818/eoe.v9i6.19109