Klasifikasi Land Use and Land Cover EuroSAT menggunakan EfficientNet-B3 dan Convolutional Block Attention Module

INDONESIA:

Penelitian ini bertujuan mengevaluasi integrasi Convolutional Block Attention Module (CBAM) pada arsitektur EfficientNet-B3 untuk klasifikasi citra satelit EuroSAT pada tiga kelas yaitu Vegetasi, Infrastruktur, dan Perairan. Evaluasi dilakukan melalui 5-fold cross validation, ablation study, dan analisis interpretabilitas menggunakan Grad-CAM. Seluruh skenario menghasilkan performa tinggi dengan akurasi test set berkisar 99,615%–99,737% dan F1 99,549%–99,691%, namun selisih antar skenario sangat kecil (ΔAcc maksimal 0,122%, ΔF1 maksimal 0,141%), mengindikasikan bahwa penambahan mekanisme attention tidak memberikan peningkatan substansial pada dataset ini. Uji statistik menunjukkan hanya CBAM yang berbeda signifikan terhadap baseline NONE (McNemar p=0,002). Analisis Grad-CAM mengungkap bahwa kegagalan prediksi lebih banyak dipicu oleh dilusi sinyal, ambiguitas geometris, dan degradasi fitur, bukan ketiadaan objek target. Hasil ini menunjukkan bahwa CBAM pada EfficientNet-B3 berpotensi diterapkan pada sistem klasifikasi tutupan lahan berbasis citra satelit secara lebih luas.

ENGLISH:

This research aims to evaluate the integration of Convolutional Block Attention Module (CBAM) into the EfficientNet-B3 architecture for EuroSAT satellite image classification across three target classes: Vegetation, Infrastructure, and Water. Evaluation was conducted through 5-fold cross validation, ablation study, and model interpretability analysis using Grad-CAM. All scenarios yielded high performance, with test set accuracy ranging from 99.615% to 99.737% and F1 from 99.549% to 99.691%. However, the marginal differences between scenarios (ΔAcc max 0.122%, ΔF1 max 0.141%) indicate that the addition of the attention mechanism did not provide substantial improvement on this dataset. Statistical testing revealed that only CBAM showed a significant difference against the NONE baseline (McNemar p=0.002). Grad-CAM analysis revealed that prediction failures were primarily triggered by signal dilution, geometric ambiguity, and feature degradation, rather than the absence of target objects. These findings suggest that CBAM integration into EfficientNet-B3 has potential for broader application in satellite image-based land cover classification systems.

ARABIC:

تهدف هذه الدراسة البحثية إلى تقييم دمج وحدة الانتباه الكتلي الالتفافي (CBAM) في معمارية EfficientNet-B3 لتصنيف صور الأقمار الاصطناعية EuroSAT عبر ثلاث فئات مستهدفة: الغطاء النباتي، والبنية التحتية، والمسطحات المائية. أُجري التقييم من خلال التحقق المتقاطع الخماسي الطيات، ودراسة الاستئصال، وتحليل قابلية تفسير النموذج باستخدام Grad-CAM. أسفرت جميع السيناريوهات عن أداء مرتفع، إذ تراوحت دقة مجموعة الاختبار بين 99.615% و99.737%، وتراوح معامل F1 بين 99.549% و99.691%. غير أن الفوارق الطفيفة بين السيناريوهات (ΔAcc بحد أقصى 0.122%، ΔF1 بحد أقصى 0.141%) تشير إلى أن إضافة آلية الانتباه لم تُحقق تحسناً جوهرياً على هذه البيانات. وأظهر الاختبار الإحصائي أن CBAM فقط هو الذي أبدى فارقاً معنوياً مقارنةً بـالخط الأساسي NONE (McNemar p=0.002). وكشف تحليل Grad-CAM أن إخفاقات التنبؤ كانت مدفوعةً في معظمها بتخفيف الإشارة، والغموض الهندسي، وتدهور الميزات، لا بغياب الأهداف. تُشير هذه النتائج إلى أن دمج CBAM في EfficientNet-B3 يمتلك إمكانات واعدة للتطبيق الأوسع في أنظمة تصنيف الغطاء الأرضي المعتمدة على صور الأقمار الاصطناعية.