Kajian Metode Mesin Vektor Pendukung dan Peluang Maksimum pada Citra Pleiades-1B Berbasis Segmentasi Algoritma Mean-Shift: Studi Kasus di Hutan Lahan Kering Kalimantan Utara
Abstract
Studi ini meneliti tentang algoritma segmentasi mean-shift menggunakan pendekatan klasifikasi parametrik yaitu peluang maksimum (MLC) dan pendekatan klasifikasi non-parametrik mesin vektor pendukung (SVM) pada citra satelit resolusi sangat tinggi Pleiades-1B dalam mendeteksi penutupan tajuk ekosistem hutan lahan kering. Pendekatan klasifikasi MLC dan SVM digunakan untuk mengklasifikasi hasil segmentasi mean-shift menjadi tajuk dan bukan tajuk. Klasifikasi segmentasi citra Pleiades-1B menggunakanMLC menghasilkan akurasi kappa (KA) tertinggi sebesar 50% pada kombinasi K-08, sedangkan menggunakan SVM menghasilkan KA sebesar 73% pada kombinasi K-07. Akurasi tertinggi hasil segmentasi didapat menggunakan parameter range radius (Hr) senilai 20 dan akurasi terendah menggunakan Hr senilai 18. Hasil studi menunjukkan bahwa hasil terbaik klasifikasi segmentasi mean-shift yaitu menggunakan klasifikasi nonparametrik SVM dengan parameter segmentasi Hr senilai 20. Kata Kunci: akurasi kappa, mean-shift, MLC, SVM, penutupan tajuk. This study examined the mean-shift segmentation algorithm using the parametric classification approach of Maximum likelihood (MLC) and the non-parametric classification approach of Support Vector Machine (SVM) on very high-resolution satellite images of Pleiades-1B in detecting canopy closure of dryland forest ecosystems. The MLC and SVM classification approaches were used to classify the results of mean-shift segmentation into canopy and non-canopy. The segmented Pleiades-1B image classification using the MLC provided the highest KA of 50% in combination K-08, while using SVM resulted a KA of 72% with the combination of K- 07. The highest accuracy of segmentation classification results was obtained using a range radius (Hr) parameter of 20, while the lowest accuracy was with Hr of 18. The study results show that the best result of mean-shift segmentation classification is using SVM non-parametric classification with a segmentation parameter Hr of 20.
Collections
- UT - Forest Management [2811]