PENGGUNAAN ENSEMBLE LEARNING UNTUK KLASIFIKASI TINGKAT RISIKO ABRASI BERBASIS CITRA SATELIT SENTINEL-2

Yusril Iza Fajarendra, NIM.: 23206051007 (2025) PENGGUNAAN ENSEMBLE LEARNING UNTUK KLASIFIKASI TINGKAT RISIKO ABRASI BERBASIS CITRA SATELIT SENTINEL-2. Masters thesis, UIN SUNAN KALIJAGA YOGYAKARTA.

Preview	Text (PENGGUNAAN ENSEMBLE LEARNING UNTUK KLASIFIKASI TINGKAT RISIKO ABRASI BERBASIS CITRA SATELIT SENTINEL-2) 23206051007_BAB-I_IV-atau-V_DAFTAR-PUSTAKA.pdf - Published Version Download (6MB) | Preview
	Text (PENGGUNAAN ENSEMBLE LEARNING UNTUK KLASIFIKASI TINGKAT RISIKO ABRASI BERBASIS CITRA SATELIT SENTINEL-2) 23206051007_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf Restricted to Registered users only Download (8MB) | Request a copy

Abstract

Abrasi menjadi isu utama yang mengancam ekosistem dan pemukiman di kawasan pesisir, ditandai dengan mundurnya garis pantai yang berdampak pada kerusakan bangunan serta lingkungan sekitarnya. Tantangan utama dalam mengatasi masalah ini terletak pada kemampuan untuk memantau, menganalisis, dan mengklasifikasikan tingkat risiko abrasi secara presisi menggunakan data citra satelit. Citra dengan resolusi tinggi memerlukan metode komputasi yang efisien, sementara keterbatasan jumlah data sering kali memicu risiko overfitting, sehingga membutuhkan pendekatan komputasi yang optimal. Penelitian ini memanfaatkan citra satelit Sentinel-2 yang diperoleh melalui Google Earth Engine, dengan pemrosesan data dilakukan di Google Colab. Data yang diperoleh kemudian dipotong dan diberi label sesuai dengan tiga kategori tingkat abrasi: rendah, sedang, dan tinggi, yang masing-masing memiliki karakteristik visual yang berbeda. Untuk menganalisis data tersebut, diterapkan teknik Ensemble Learning berbasis Boosting pada lima arsitektur Convolutional Neural Network (CNN), yaitu Xception, InceptionV3, MobileNet, Densenet, dan VGG16. Dataset dibagi menjadi data training sebesar 80% dan data testing sebesar 20%, dengan tujuan untuk melatih model dan mengevaluasi performa klasifikasinya. Pendekatan Transfer Learning (fine-tuning) digunakan untuk meningkatkan akurasi model, sedangkan K-Fold Cross-Validation diterapkan untuk memvalidasi kestabilan model yang dihasilkan. Hasil penelitian menunjukkan bahwa fine-tuning pada arsitektur CNN mampu meningkatkan performa klasifikasi risiko abrasi. Namun, model VGG16 dan InceptionV3 mengalami penurunan akurasi, kemungkinan akibat ketidaksesuaian antara struktur model dan karakteristik dataset abrasi pantai. Di sisi lain, Densenet memberikan hasil paling unggul dengan akurasi 95,13%, menunjukkan stabilitas dan kemampuan generalisasi yang baik. Penggunaan Teknik Boosting Ensemble lebih lanjut meningkatkan akurasi prediksi dengan menggabungkan model-model CNN yang telah divalidasi menggunakan K-Fold Cross-Validation, menghasilkan akurasi 96,45% pada tahap validasi. Hal ini mengindikasikan bahwa pendekatan kombinasi model memberikan performa yang lebih baik dibandingkan penggunaan model individu.

Share this knowledge with your friends :

Actions (login required)

View Item