Harissalam, Muhammad (2020) Perbandingan Hasil Klasifikasi Tutupan Lahan Pada Citra Satelit Resolusi Tinggi Pleiades Menggunakan Pendekatan Machine Learning Metode Decision Tree dan Random Forest. (Studi Kasus : Kelurahan Kejawan Putih Tambak, Kecamatan Mulyorejo, Surabaya). Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
03311640000052-Undergraduate_Thesis.pdf Download (3MB) | Preview |
Abstract
Klasifikasi citra digunakan sebagai dasar interpretasi, analisis serta pemodelan data spasial yang akan membantu dalam menentukan beragam kebijakan lingkungan dan sosial ekonomi. Metode klasifikasi yang telah lama ada merupakan Klasifikasi berdasarkan parameter (Parametric Classification) seperti MLC (Maximum Likelihood Classification), parallelepiped, minimum distance, Mahalanobis distance. Namun demikian metode tersebut tidak bekerja dengan baik pada data yang memiliki resolusi spasial tinggi serta pada lingkungan yang memiliki fitur objek yang kompleks (daerah padat bangunan). Keterbatasan diatas disebabkan karena parametric classification membutuhkan dataset yang sudah terdistribusi secara normal. Berbanding terbalik dengan Non-parametric Classifier yang bersifat independen terhadap sifat distribusi data, sehingga dalam metode ini tidak dibutuhkan parameter statistik untuk dapat memisahkan banyak kelas pada citra. Non- parametric classification sesuai untuk digunakan dalam klasifikasi citra resolusi tinggi dengan fitur tutupan lahan yang kompleks, dimana metode ini merupakan hasil pendekatan Machine Learning Decision Trees, Random Forest, Neural Networks dan Support Vector Machines. Oleh karena itu kemampuan dari metode Machine Learning perlu dianalisis lebih jauh khususnya pada Decision Tree dan Random Forest, kedua metode dievaluasi pada hasil klasifikasinya menggunakan data citra satelit resolusi tinggi Pleiades resolusi 0,5 meter dengan 240 titik training (75% sample dan 25% validator). Hasil klasifikasi tutupan lahan kedua metode kemudian dianalisis secara statistik dan juga kualitas visualnya. Hasil penelitian menunjukkan akurasi klasifikasi tutupan lahan pada kedua metode tergolong tinggi, dimana pada Decision Tree sebesar 88,9% dan Random Forest sebesar 95,5%. Dari uji kualitatif ketepatan hasil klasifikasi didapatkan bahwa pada metode Random Forest memiliki kelebihan dalam melakukan klasifikasi area terbangun, Decision Tree lebih baik dalam melakukan klasifikasi lahan kosong dan vegetasi, sedangkan kedua metode sama baiknya dalam melakukan klasifikasi badan air.
====================================================================================================
Image classification is used as the basis for interpretation, analysis and modeling of spatial data that will support in determining a variety of environmental and socioeconomic policies. Classification being long existed is based on parameters namely parametric classification such as MLC (Maximum Likelihood Classification), parallelepiped, minimum distance, Mahalanobis distance, etc. However, those methods do not work well on data with high spatial resolution and in environments that have complex object features (urban, and dense areas building) since the classification require a normally distributed dataset. Inversely, the non-parametric classifier is independent in the nature of data distribution. Herein, no statistical parameters are needed to separate many classes in the image. Therefore, that method is very suitable to apply in the classification of high-resolution images with complex land cover features, The method is usually employed Machine Learning Decision Trees, Random Forest, Neural Networks and Support Vector Machines approaches. Thus, the ability of the Machine Learning method needs to be analyzed further, especially in the Decision Tree and Random Forest. The result of both methods are evaluated using high resolution Pleiades satellite image data with a resolution of 0.5 meters. 240 training points (75% sample and 25% validator) are used in the classification process, then the results will be analyzed statistically and visually. The results showed high accuracy with kappa coefficient value of 89.9% in the Decision Tree and 95.5% in the Random Forest. Based on the qualitative test, it revealed the Random Forest method has advantages in classifying bulit area, and The Decision Tree is better in classifying the bare land and vegetation, while the two methods are equally good in classifying water body.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Classification, Decision Tree, Land Cover, Machine Learning, Random Forest, Klasifikasi, Tutupan Lahan. |
| Subjects: | G Geography. Anthropology. Recreation > G Geography (General) > G70.217 Geospatial data G Geography. Anthropology. Recreation > G Geography (General) > G70.5.I4 Remote sensing |
| Divisions: | Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geomatics Engineering > 29202-(S1) Undergraduate Thesis |
| Depositing User: | Muhammad Harissalam |
| Date Deposited: | 12 Aug 2020 07:55 |
| Last Modified: | 15 May 2023 14:45 |
| URI: | http://repository.its.ac.id/id/eprint/77763 |
Actions (login required)
 |
View Item |