Dinata, Kadek Prima Giant Marta (2024) PERBANDINGAN ALGORITMA RANDOM FOREST, SUPPORT VECTOR MACHINE, DAN MAXIMUM LIKELIHOOD PADA KLASIFIKASI LAND USE LAND COVER MENGGUNAKAN REMOTE SENSING DATA. Undergraduate thesis, Universitas Pendidikan Ganesha.
This is the latest version of this item.
Text (COVER)
2015101034-COVER.pdf Download (5MB) |
|
Text (ABSTRAK)
2015101034-ABSTRAK.pdf Download (542kB) |
|
Text (BAB 1 PENDAHULUAN)
2015101034-BAB 1 PENDAHULUAN.pdf Download (851kB) |
|
Text (BAB 2 KAJIAN TEORI)
2015101034-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (2MB) |
|
Text (BAB 3 METODOLOGI PENELITIAN)
2015101034-BAB 3 METODOLOGI PENELITIAN.pdf Restricted to Repository staff only Download (1MB) |
|
Text (BAB4 HASIL DAN PEMBAHASAN)
2015101034-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (3MB) |
|
Text (BAB 5 PENUTUP)
2015101034-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (582kB) |
|
Text (DAFTAR PUSTAKA)
2015101034-DAFTAR PUSTAKA.pdf Download (912kB) |
|
Text (LAMPIRAN)
2015101034-LAMPIRAN.pdf Download (905kB) |
Abstract
Penelitian ini bertujuan untuk membandingkan kinerja tiga algoritma klasifikasi, yaitu Random Forest (RF), Support Vector Machine (SVM), dan Maximum Likelihood Classification, dalam konteks klasifikasi Land Use Land Cover (LULC) menggunakan data Remote Sensing Sentinel 2 Level 2A pada area Chachoengsao, Thailand. Pada penelitian ini digunakan 1500 data dari 5 kelas yang berbeda, dan tiap kelasnya terdiri dari 300 data. Dari 1500 data tersebut dibagi lagi menjadi set pelatihan dan pengujian dengan menggunakan K-Fold Cross Validation. Penggunaan data Remote Sensing Sentinel 2 Level 2A memastikan analisis yang komprehensif terhadap karakteristik tutupan lahan. Penggunaan K-Fold Cross Validation meningkatkan kekokohan model dengan melatih dan menguji pada subset dataset yang beragam. Selanjutnya, model dibuat berdasarkan pembagian data K-Fold tersebut. Untuk setiap model yang telah dibuat, akurasi, presisi, recall, dan F1-score dari tiap model dibandingkan untuk menilai model mana yang paling efektif. Dilakukan pengujian terhadap gambar untuk melihat model mana yang paling akurat. Hasil penelitian menunjukkan bahwa Maximum Likelihood Classification model memiliki akurasi tertinggi dibandingkan dengan Support Vector Machine model dan Random Forest model. Akurasi Random Forest model mencapai 95%, sedangkan Maximum Likelihood Classification model mencapai 92%, dan Support Vector Machine model mencapai 93% pada proses pengujian. Temuan ini mengindikasikan bahwa Random Forest model memberikan performa yang lebih baik untuk kasus ini dibandingkan dengan Support Vector Machine model dan Maximum Likelihood Classification model.
Item Type: | Thesis (Undergraduate) |
---|---|
Uncontrolled Keywords: | Machine Learning, Remote Sensing, Klasifikasi Penggunaan dan Tutupan Lahan, Sentinel 2, K-fold Cross Validation |
Subjects: | T Technology > T Technology (General) |
Divisions: | Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1) |
Depositing User: | KADEK PRIMA GIANT MARTA DINATA |
Date Deposited: | 20 Feb 2024 01:01 |
Last Modified: | 20 Feb 2024 01:01 |
URI: | http://repo.undiksha.ac.id/id/eprint/18884 |
Available Versions of this Item
-
PERBANDINGAN ALGORITMA RANDOM FOREST, SUPPORT VECTOR MACHINE, DAN MAXIMUM LIKELIHOOD PADA KLASIFIKASI LAND USE LAND COVER MENGGUNAKAN REMOTE SENSING DATA. (deposited 20 Feb 2024 00:19)
- PERBANDINGAN ALGORITMA RANDOM FOREST, SUPPORT VECTOR MACHINE, DAN MAXIMUM LIKELIHOOD PADA KLASIFIKASI LAND USE LAND COVER MENGGUNAKAN REMOTE SENSING DATA. (deposited 20 Feb 2024 01:01) [Currently Displayed]
Actions (login required)
View Item |