PENGARUH JUMLAH KELAS DATA PADA KLASIFIKASI LAHAN DI KABUPATEN BANTUL MENGGUNAKAN ALGORITMA SUPPORT-VECTOR MACHINE

SAMODRA, DONNY ARIFF GALIH (2023) PENGARUH JUMLAH KELAS DATA PADA KLASIFIKASI LAHAN DI KABUPATEN BANTUL MENGGUNAKAN ALGORITMA SUPPORT-VECTOR MACHINE. Other thesis, UPN "Veteran" Yogyakarta.

	Text Abstrak.pdf Download (7kB)
	Text Cover.pdf Download (72kB)
	Text DAFTAR ISI.pdf Download (70kB)
	Text Daftar Pustaka.pdf Download (80kB)
	Text Pengesahan Pembimbing_123170045.pdf Download (160kB)
	Text Pengesahan Penguji_123170045.pdf Download (151kB)
	Text Skripsi_123170045_Donny Ariff Galih Samodra.pdf Restricted to Repository staff only Download (3MB)

Abstract

Geoinformatika adalah disiplin ilmu yang berkembang pesat seiring dengan perkembangan
teknologi geospatial. Penginderaan jarak jauh merupakan salah satu cabang penting dalam
geoinformatika yang digunakan untuk memproses citra guna menghasilkan informasi tentang
objek atau daerah di suatu permukaan bumi. Salah satu aplikasi penginderaan jarak jauh adalah
klasifikasi penggunaan lahan. Penelitian terdahulu sering kali hanya berfokus pada hasil akhir
dari proses klasifikasi lahan, tanpa menganalisis faktor-faktor yang memengaruhi hasil dari
klasifikasi tersebut. Terdapat banyak faktor yang mempengaruhi hasil dari klasifikasi dan salah
satu faktor yang mungkin memengaruhi akurasi adalah jumlah kelas yang digunakan dalam
klasifikasi. Perbedaan jumlah kelas mungkin memiliki dampak yang signifikan pada nilai
akurasi yang diperoleh.
Penelitian ini berfokus pada pengaruh jumlah kelas data (kategori data) terhadap nilai
akurasi menggunakan metode Support Vector Machine (SVM) dengan kernel Radial Basis
Function (RBF). Penelitian dilakukan dengan membandingkan hasil akurasi dari setiap
kombinasi jumlah kelas dalam suatu klasifikasi. Perbandingan kombinasi jumlah kelas yang
digunakan adalah kelas dengan jumlah dari 2 kelas (lahan terbangun dan non terbangun)
menjadi 4 kelas (lahan terbangun, vegetasi, perairan, dan lahan lain) kemudian menjadi 6 kelas
(lahan terbangun, vegetasi pertanian, vegetasi non pertanian, perairan, lahan terbuka, dan lain-lain). Pada penelitian ini digunakan platform Google Earth Engine sebagai media penelitian
dengan data dari citra satelit dari USGS Landsat 8 Level 2, Collection 2, Tier 1. Dari data
tersebut, dilakukan berbagai filtering dan diambil 4000 data sebagai data sampel. Data sampel
tersebut akan dibagi menjadi data training dan data testing dengan perbandingan 70:30. Pada
data training akan dilakukan pelatihan model SVM, dan data testing akan digunakan untuk
menguji model tersebut.
Pengujian dilakukan dalam 3 tahap, yaitu tahap pertama dengan kombinasi 2 kelas,
dilanjutkan tahap kedua dengan kombinasi 4 kelas, dan tahap terakhir dengan kombinasi 6
kelas dengan semuanya menggunakan data sampel yang sama. Hasil pengujian menunjukkan
bahwa pada kombinasi 2 kelas menghasilkan akurasi sebesar 95,45%, pada 4 kelas
menghasilkan akurasi sebesar 88,92%, dan pada 6 kelas menghasilkan akurasi sebesar 79,01%.
Dari hasil tersebut, dapat disimpulkan bahwa jumlah kelas yang digunakan pada model akan
mempengaruhi nilai akurasi yang dihasilkan, meskipun menggunakan data dan metode yang
sama. Semakin banyak jumlah kelas yang digunakan menunjukkan bahawa hasil nilai akurasi
cenderung menurun.
Kata Kunci: Klasifikasi lahan, Support Vector Machine (SVM), RBF, klasifikasi citra satelit.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Klasifikasi lahan, Support Vector Machine (SVM), RBF, klasifikasi citra satelit
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Apriliani Kusuma Wardhani
Date Deposited:	18 Oct 2023 07:17
Last Modified:	18 Oct 2023 07:18
URI:	http://eprints.upnyk.ac.id/id/eprint/38004

Actions (login required)

View Item