ACADSTAFF UGM
| Title | : | Analisis Metode Support Vector Machine (Svm) untuk Klasifikasi Penggunaan Lahan Berbasis Penutup Lahan pada Citra Alos Avnir-2 |
| Author | : |
Dr. Nurul Khakhim, M.Si. (2) Dr. Taufik Hery Purwanto, S.Si., M.Si. (3) |
| Date | : | 2014 |
| Keyword | : | Support Vector Machine (Svm),Klasifikasi Penggunaan Lahan,Citra Alos Avnir-2 Support Vector Machine (Svm),Klasifikasi Penggunaan Lahan,Citra Alos Avnir-2 |
| Abstract | : | Perkembangan teknologi penginderaan jauh berkembang pesat terutama pasca perang dingin. Teknologi penginderaan jauh sangat baik dijadikan data pembuatan peta penggunaan lahan, karena kebutuhan pemetaan yang semakin tinggi terutama untuk mendeteksi perubahan penggunaan lahan. Untuk mendapatkan informasi penggunaan lahan dari citra penginderaan jauh diperlukan metode khusus, terutama untuk pengolahan citra penginderaan jauh secara digital. Salah satu metod e pengolahan citra penginderaan jauh adalah metode Metode Support Vector Machine (SVM). Metode Support Vector Machine (SVM) merupakan metode learning machine (pembelajaran mesin) satu kelas dengan metode jaringan syaraf tiruan yang dapat mengenali pola dari masukan atau contoh yang diberikan dan juga termasuk ke dalam supervised learning. Penelitian ini bertujuan untuk menganalisa pengaruh masing-masing parameter pada metode SVM serta kombinasi yang paling menghasilkan akurasi tertinggi, serta menganalisa kemampuan metode Support Vector Machine (SVM) untuk pembuatan peta penggunaan lahan berdasarkan penutup lahan skala 1:100.000. Klasifikasi penggunaan lahan berbasis penutup lahan dengan metode Support Vector Machine (SVM) menggunakan data spektral, data spasial berupa data kemiringan dan data filter tekstur mean. Data filter tekstur mean yang digunakan adalah data masing-masing band maupun gabungan dari semua band dengan processing window 3x3, 5x5, 7x7, 9x9. Skema klasifikasi yang digunakan adalah skema klasifikasi penggunaan lahan menurut BPN tahun 2012 dengan modifikasi disesuaikan dengan kondisi di lapangan. Hasil penelitian menunjukan hasil klasifikasi metode Support Vector Machine (SVM) pada data spectral menghasilkan akurasi keseluruhan 78,8845% dan kappa 0,7524. Pada penambahan data kemiringan menghasilkan akurasi keseluruhan 80,7973% dan 0,7755 untuk nilai kappa. Penggabungan data spectral dan filter tekstur mean dengan processing window 9x9 pada band gabungan 1, 2, 3 dan 4 ternyata semakin menaikan tingkat akurasi keseluruhan hasil klasifikasi menjadi 92,8619% dan kappa 0,9163. Sedangkan pada simulasi gabungan antara data spektral, data kemiringan dan data filter tekstur ternyata menghasilkan akurasi yang lebih tinggi lagi terutama jika pada simulasi tekstur mean menggunkan semua band tekstur mean dengan processing window 9x9, akurasi keseluruhan yang diperoleh sampai 92,8951% dan kappa mencapai 0,9170. |
| Group of Knowledge | : | Geografi |
| Original Language | : | Bahasa Indonesia |
| Level | : | Nasional |
| Status | : |
Published
|