Perbandingan Radius Window Pada Convolutional Neural Network Dalam Mengestimasi Klorofil-A Pada Badan Air (Studi Kasus Pada Danau Laguna Filipina)

Maghfiroh, Audina (2026) Perbandingan Radius Window Pada Convolutional Neural Network Dalam Mengestimasi Klorofil-A Pada Badan Air (Studi Kasus Pada Danau Laguna Filipina). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6016231019-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (24MB) | Request a copy

Abstract

Konsentrasi Klorofil-a merupakan salah satu indikator penting indikator terhadap kehidupan Fitoplankton pada suatu lingkungan perairan. Metode-metode pemantauan konvensional yang dilakukan yang berbasis regresi atau model semi-empiris sering mengalami keterbatasan dalam menangani kompleksitas parameter optik air. Penelitian ini mengusulkan metode untuk mengestimasi konsentrasi Klorofil-a pada sebuah perairan darat dengan menggunakan metode Deep Learning yaitu Convolutional Neural Network (CNN) berdasarkan arsitektur model dengan variasi radius window, sebuah model CNN yang menggabungkan informasi spektral dan spasial dalam estimasi Klorofil-a menggunakan citra Sentinel-3. Ada tiga tahap, yaitu pre-training menggunakan data sintetis yang dibuat untuk membuat inisiasi parameter pada model CNN untuk estimasi, kemudian fine-tuning dengan data Insitu dengan melakukan freeze pada bagian backbone model, terakhir adalah fine-tuning dengan mengaktifkan kembali semua layer model untuk mengatasi keterbatasan jumlah sampel pelatihan atau juga biasa disebut dengan Transfer Learning. Penelitian ini menunjukkan hasil pada penggunaan radius window seperti (5x5, 7x7, 9x9, 11x11) piksel, ukuran 9 × 9 memberikan performa terbaik secara keseluruhan pada data yang disimpan untuk pengujian R^2=0.5315,RMSE=0.6870, dan MAE=0.331, sementara ukuran 11×11 sedikit meningkatkan MAE(0.3139) tanpa meningkatkan R^2, menunjukkan bahwa dengan radius window 9×9 sudah cukup untuk melakukan ekstraksi informasi spasial.
==============================================================================================================================
The concentration of Chlorophyll-A is one of the important indicators of phytoplankton life in a water environment. Conventional monitoring methods based on regression or semi-empirical models often face limitations in handling the complexity of water optical parameters. This study proposes a method to estimate Chlorophyll-A concentration in inland waters using Deep Learning, specifically Convolutional Neural Network (CNN) based on a model architecture with varying window radii. This CNN model combines spectral and spatial information in estimating Chlorophyll-A using Sentinel-3 imagery. There are three stages: pre-training using synthetic data created to initialize parameters in the CNN model for estimation, then fine-tuning with insitu data by freezing the backbone part of the model, and finally fine-tuning by reactivating all model layers to address the limited number of training samples, also known as Transfer Learning. This study shows the results of using window radius such as (5x5, 7x7, 9x9, 11x11) pixels, the size of 9 × 9 provides the best overall performance on the data stored for testing R^2=0.5315,RMSE=0.6870, dan MAE=0.331, while the size of 11×11 slightly increases MAE(0.3139) without increasing R^2, indicating that with a window radius of 9×9 is sufficient to extract spatial information.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Convolutional Neural Network, Deep Learning, Klorofil-a, Sentinel- 3, Transfer Learning
Subjects:	G Geography. Anthropology. Recreation > G Geography (General) > G70.5.I4 Remote sensing
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geomatics Engineering > 29101-(S2) Master Thesis
Depositing User:	Audina Maghfiroh
Date Deposited:	29 Jan 2026 09:21
Last Modified:	29 Jan 2026 09:21
URI:	http://repository.its.ac.id/id/eprint/130972

Actions (login required)

View Item