Penulis: Nur Suhaili Mansor ; Hapini Awang ; Sarkin Tudu Shehu Malami ; Amirulikhsan Zolkafli ; Mohammed Ahmed Taiye ; Hanhan Maulana
DOI: 10.1007/978-981-99-9589-9_23
Abstrak
Pembelajaran mesin, khususnya Support Vector Machines (SVM), telah memperoleh popularitas dalam pemrosesan data geospasial dan klasifikasi citra. Data geospasial dari berbagai sumber dapat mengandung kesalahan yang berdampak pada akurasi klasifikasi citra. Metode tradisional berbasis piksel dan berbasis objek mengalami kesulitan dalam mengklasifikasikan kelas tutupan lahan yang kompleks secara akurat. Studi sebelumnya telah mengeksplorasi algoritme pembelajaran mesin seperti Random Forests, K-Nearest Neighbors, dan Jaringan Saraf Tiruan. Namun, algoritme tersebut menghadapi tantangan dalam menangkap hubungan rumit di dalam citra dan memerlukan data pelatihan berlabel dalam jumlah besar, yang mengakibatkan beban komputasi yang tinggi. SVM dengan kernel polinomial telah dicoba dalam beberapa studi, tetapi metode ini rentan terhadap overfitting dan tidak efisien untuk kumpulan data besar. Untuk mengatasi permasalahan ini, studi ini menggunakan SVM dengan kernel RBF dan Linear untuk mengklasifikasikan citra satelit multispektral dari kumpulan data Citra Satelit SPOT-6 di Sungai Kelang, Malaysia. Penelitian sebelumnya mengevaluasi akurasi kinerja setiap kernel yang dibandingkan menggunakan kumpulan data uji, dengan memanfaatkan perangkat sumber terbuka seperti Jupyter Notebooks dan pustaka Python untuk mengeksplorasi potensi SVM sebagai teknik klasifikasi citra satelit berkinerja tinggi. Temuan penelitian mengungkapkan bahwa SVM dengan kernel RBF mengungguli SVM dengan kernel polinomial atau linear dalam mengklasifikasikan citra satelit. Ketahanan kernel RBF memungkinkan SVM untuk memodelkan batas keputusan yang rumit dan menangkap pola kompleks dalam data citra, sehingga cocok untuk tugas-tugas dengan data yang tidak dapat dipisahkan secara linear. Studi ini memperkenalkan metodologi baru dan kontribusi teoretis bagi literatur terkait klasifikasi citra, menjelaskan efektivitas SVM-RBF untuk pemrosesan data geospasial. Studi ini menyediakan alternatif terhadap pendekatan tradisional untuk tugas klasifikasi citra yang kompleks. Lebih lanjut, penelitian ini membantu dalam pemilihan algoritme yang optimal untuk aplikasi penginderaan jauh dan citra satelit. © 2024, Penulis, di bawah lisensi eksklusif dengan Springer Nature Singapore Pte Ltd.
Kata Kunci Penulis
Geospasial; Klasifikasi Citra; Kernel Linear; Kernel Radial Basis Function (RBF); Support Vector Machine
Kata Kunci Terindeks
Istilah Terkendali Teknik
Klasifikasi (informasi); Jaringan kompleks; Penanganan data; Kehutanan; Kumpulan data besar; Algoritme pembelajaran; Pencarian tetangga terdekat; Jaringan fungsi basis radial; Penginderaan jauh; Citra satelit; Uji statistik; Support vector machines
Istilah Tidak Terkendali Teknik
Geospasial; Pemrosesan data geospasial; Klasifikasi citra; Metode kernel; Kernel linear; Kinerja; Kernel polinomial; Kernel fungsi basis radial; Klasifikasi citra satelit; Mesin vektor pendukung
Istilah Utama Teknik
Klasifikasi Citra
Artikel ini dapat diakses di https://www.scopus.com/pages/publications/85185723250
