Klasifikasi area tutupan lahan berbasis Neural Network

INDONESIA:

Penelitian ini bertujuan untuk mengembangkan model yang dapat melakukan klasifikasi area tutupan lahan terhadap citra beresolusi tinggi. Data yang digunakan bersumber dari ISPRS (International Society for Photogrammetry and Remote Sensing) Vaihingen. Model yang digunakan adalah Neural Network (NN). Pengujian dilakukan pada 10 skenario yang membandingkan penggunaan jumlah fitur GLCM sebanyak 5 dan 6 fitur, serta jumlah hidden layer pada arsitektur NN sebanyak 1 hidden layer hingga 5 hidden layers. Hasil menunjukkan bahwa dengan menambahkan jumlah fitur GLCM menjadi 6 fitur dapat meningkatkan performa model NN dalam melakukan klasifikasi area tutupan lahan. Kemudian pada pengujian tentang penggunaan jumlah hidden layer, didapatkan bahwa dengan melakukan penambahan hidden layer pada arsitektur NN tidak selalu dapat meningkatkan kinerja model, bahkan model dapat mengalami overfitting jika menggunakan terlalu banyak layer. Kinerja terbaik yang didapatkan oleh NN model B2 yang memanfaatkan 6 fitur GLCM dan 2 hidden layer, dengan nilai metrik accuracy sebesar 87.60%, precision sebesar 63.37%, recall sebesar 63.40%, F1-Score sebesar 63.39%, dan IoU sebesar 48.22%.

ENGLISH:

This research aims to develop a model that can classify land cover areas on high-resolution images. The data used is sourced from ISPRS (International Society for Photogrammetry and Remote Sensing) Vaihingen. The model used is a Neural Network (NN). Tests were conducted on 10 scenarios that compared the use of 5 and 6 GLCM features and also compared the amounts of hidden layers on NN architecture from 1 hidden layer to 5 hidden layers. The results show that adding the GLCM feature to the 6 features can improve the performance of NN to do a land cover classification. Then, for the comparison of the amounts of hidden layers that are used on NN, it was found that adding hidden layers to the NN architecture does not always improve the model performance, the models could even face overfitting if NN uses to many layers. The best performance was obtained by the NN B2 model that used 6 GLCM features and 2 hidden layers, with an accuracy value of 87.60%, precision of 63.37%, recall of 63.40%, F1-Score of 63.39%, and IoU of 48.22%.

ARABIC:

يهدف هذا البحث إلى تطوير نموذج يمكنه تصنيف مناطق الغطاء الأرضي على صور عالية الدقة. وقد تم الحصول على البيانات المستخدمة من الجمعية الدولية للمسح التصويري والاستشعار عن بُعد ISPRS (الجمعية الدولية للمسح التصويري والاستشعار عن بُعد) Vaihingen. النموذج المستخدم هو شبكة عصبية (NN). أُجريت الاختبارات على 10 سيناريوهات قارنت بين استخدام 5 و6 ميزات GLCM، وقارنت أيضًا بين كميات الطبقات المخفية على بنية NN من طبقة مخفية واحدة إلى 5 طبقات مخفية. تُظهر النتائج أن إضافة ميزة GLCM إلى الميزات الست يمكن أن يحسن أداءNN للقيام بتصنيف الغطاء الأرضي. ثم، بالنسبة لمقارنة كميات الطبقات المخفية المستخدمة في NN، وجد أن إضافة طبقات مخفية إلى بنية NN لا يحسن دائمًا من أداء النموذج، بل يمكن أن تواجه النماذج الإفراط في التركيب إذا استخدمت NN طبقات كثيرة. تم الحصول على أفضل أداء من خلال نموذج NN B2 الذي استخدم 6 ميزات GLCM وطبقتين مخفيتين، حيث بلغت قيمة الدقة 87.60%، والدقة 63.73%، والاستدعاء 63.40%، وF1- Score 63.39% ، وIoU 48.22%.