Klasifikasi Penutup/Penggunaan Lahan Dengan Data Satelit Penginderaan Jauh Hiperspektral (Hyperion) Menggunakan Metode Neural Network Tiruan

Abstract

Hyperspectral remote sensing data has numerous spectral information for the land-use/land-cover (LULC) classification, but a large number of hyperspectral band data is becoming a problem in the LULC classification. This research proposes the use of the back propagation neural network for LULC classification with hyperspectral remote sensing data. Neural network used in this study is three layers, in which to test input layer has a number of neurons as many as 242 to process all band data, 163 neurons, and 50 neurons to process the data band has a high average digital number, and data bands at wavelengths of visible to near infrared. The results showed the use of all the data band hyperspectral on classification with the neural network has the highest classification accuracy of up to 98% for 18 LULC class, but it takes a very long time. Selecting a number of bands of precise data for classification with a neural network, in addition to speeding up data processing time, can also provide sufficient accuracy classification results.ABSTRAKData penginderaan jauh hiperspektral memiliki informasi spektral yang sangat banyak untuk klasifikasi penutup/penggunaan lahan (LULC), akan tetapi banyaknya jumlah band data hiperspektral menjadi masalah dalam klasifikasi LULC. Penelitian ini mengusulkan penggunaan back propagation neural network untuk klasifikasi LULC dengan data penginderaan jauh hiperspektral. Neural network yang dipergunakan 3 lapis, dimana untuk uji coba lapis masukan memiliki jumlah neuron sebanyak 242 untuk mengolah seluruh band, 163 neuron, dan 50 neuron untuk mengolah data band yang memiliki nilai digital rataan yang tinggi, dan data band pada panjang gelombang cahaya tampak hingga infra merah dekat. Hasil penelitian menunjukkan penggunaan seluruh band data hiperspektral pada klasifikasi dengan neural network memiliki akurasi hasil klasifikasi tertinggi hingga 98% untuk 18 kelas LULC, akan tetapi waktu yang diperlukan sangat lama. Pemilihan sejumlah band data yang tepat untuk klasifikasi dengan neural network, selain mempercepat waktu pengolahan data, juga bisa memberikan akurasi hasil klasifikasi yang mencukupi.

Klasifikasi Citra Klon Teh Seri GMB Menggunakan Convolu-tional Neural Network (CNN) dengan Arsitektur Resnet, Vggnet, dan Alexnet

“…Klasifikasi citra bertujuan untuk mengenali suatu objek secara spesifik. Metode yang digunakan dalam klasifikasi citra umumnya adalah supervised learning atau klasifikasi terbimbing yang merupakan metode klasifikasi melalui proses pembelajaran pada sistem dengan cara melatih model untuk mengenali objek berdasarkan data masukan yang sudah diberi label sampai semua data berhasil terbaca (Kushardono, 2017).…”

Environment Vulnerability Decision Technology (EVDT) Mangrove Management

“…Therefore, terrestrial surveys will be expensive and take a long time, and it will be challenging to map dynamic land object changes. The remote sensing interpretation method is expected to overcome the problem of providing geospatial information quickly in Indonesia [11].…”

Full paper Inderaja Vol 14 No 2 Desember 2017

“…Klasifikasi penutup penggunaan lahan menggunakan data satelit penginderaan jauh sudah banyak dilakukan, misalnya klasifikasi pada data SPOT di wilayah perbatasan perkotaan yang menggunakan metode spatial feature (Gong, et al, 1992), klasifikasi penutup lahan pada data EO-1 hiperspektral menggunakan neural network (Kushardono, 2016), klasifikasi pada Wordview-1 dan Quickbird menggunakan pendekatan neural network di wilayah pemukiman (Pacifici et al, 2009), klasifikasi menggunakan data ALOS PALSAR dan Envisat ASAR pada penggunaan lahan di Kabupaten Siak, Riau (Kushardono, 2012), dan klasifikasi pada data TerraSAR-X untuk mengkelaskan lahan pertanian (Sonobe et al, 2014).…”