Klasifikasi Data Citra Hiperspektral Untuk Pemetaan Tumpahan Minyak Menggunakan Spectral-spatial Transformer Dan Latent Augmentation

Fikra, Arfi Raushani (2026) Klasifikasi Data Citra Hiperspektral Untuk Pemetaan Tumpahan Minyak Menggunakan Spectral-spatial Transformer Dan Latent Augmentation. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5025211084-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (8MB) | Request a copy

Abstract

Tumpahan minyak di laut merupakan bencana ekologis yang berdampak signifikan terhadap lingkungan pesisir dan kesehatan masyarakat. Deteksi dan pemetaan tumpahan minyak secara cepat dan akurat menjadi tantangan penting dalam mitigasi bencana tersebut. Salah satu pendekatan yang menjanjikan adalah pemanfaatan citra hiperspektral, yang mampu menangkap informasi spektral dan spasial secara detail untuk membedakan minyak dari objek laut lainnya. Namun, keterbatasan jumlah data latih sering kali menjadi hambatan dalam penerapan metode deep learning. Penelitian ini mengembangkan model klasifikasi tumpahan minyak berbasis deep learning yang dirancang untuk kondisi keterbatasan data latih (few-shot classification). Model yang diusulkan memadukan pendekatan Supervised Contrastive Learning dengan Latent Augmentation untuk memperkaya representasi fitur dalam ruang laten, serta mengintegrasikan Spectral-Spatial Transformer yang menggabungkan 3D Convolutional Encoder dan Transformer Encoder untuk menangkap hubungan kompleks antara informasi spektral dan spasial dari citra hiperspektral. Dataset yang digunakan berasal dari Hyperspectral Oil Spill Dataset (HOSD) dengan pelatihan menggunakan 10 sampel (5 sampel kelas 1 dan 5 sampel kelas 0) dari satu dataset (GM01) yang diaugmentasi dan evaluasi pada 10 dataset (GM01-GM10). Studi ablasi pretraining menunjukkan bahwa augmentasi pada ruang input meningkatkan performa secara signifikan, terutama dalam meningkatkan kemampuan class token dari 50% menjadi >80% recall. Model Small dengan 2,7 juta parameter menunjukkan keseimbangan terbaik antara kapasitas dan generalisasi dibandingkan Model Medium (5,3 juta parameter) dan Big (21,2 juta parameter). Namun, perbandingan dengan metode baseline (1DCNN, 2DCNN, HybridSN) menunjukkan bahwa Model Proposed tidak mencapai performa superior secara konsisten, dengan HybridSN mendominasi 6 dari 10 dataset pada metrik AUC. Hasil ini mengindikasikan bahwa pelatihan dengan satu dataset saja tidak cukup untuk menghasilkan model yang robust dalam kondisi few-shot learning, dan diperlukan strategi seperti multi-source training atau domain adaptation untuk meningkatkan generalisasi model.
======================================================================================================================================
Marine oil spills are ecological disasters that significantly impact coastal environments and public health. Rapid and accurate detection and mapping of oil spills remain critical challenges in disaster mitigation efforts. One promising approach involves the use of hyperspectral imagery, which captures detailed spectral and spatial information to effectively distinguish oil from other marine objects. However, limited availability of labeled training data often hinders the effective application of deep learning methods. This research develops a deep learning-based classification model designed for limited data conditions (few-shot classification). The proposed model integrates Supervised Contrastive Learning with Latent Augmentation to enrich feature representations in latent space, and incorporates a Spectral-Spatial Transformer that combines 3D Convolutional Encoder and Transformer Encoder to capture complex relationships between spectral and spatial characteristics within hyperspectral imagery. The dataset used is the Hyperspectral Oil Spill Dataset (HOSD), with training using 50 augmented samples from one dataset (GM01) and evaluation on 10 datasets (GM01-GM10). Ablation studies in pretraining show that input space augmentation significantly improves performance, particularly increasing class token capability from 50% to >80% recall. The Small model with 2.7 million parameters demonstrates the best balance between capacity and generalization compared to Medium (5.3 million) and Big (21.2 million) models. However, comparison with baseline methods (1DCNN, 2DCNN, HybridSN) shows that the Proposed Model does not consistently achieve superior performance, with HybridSN dominating 6 out of 10 datasets on AUC metric. These results indicate that training with a single dataset is insufficient to produce robust models in few-shot learning conditions, and strategies such as multi-source training or domain adaptation are needed to improve model generalization.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Citra hiperspektral, contrastive learning, few-shot classification, latent augmentation, spectral-spatial transformer, tumpahan minyak, Contrastive learning, few-shot classification, hyperspectral imagery, latent augmentation, oil spills, spectral-spatial transformer
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Arfi Raushani Fikra
Date Deposited:	28 Jan 2026 07:31
Last Modified:	28 Jan 2026 07:31
URI:	http://repository.its.ac.id/id/eprint/130787

Actions (login required)

View Item