KLASIFIKASI CITRA SATELIT WILAYAH GUNUNG SLAMET MENGGUNAKAN PENDEKATAN ENSEMBLE LEARNING CONVOLUTIONAL NEURAL NETWORK

Yulis Rijal Fauzan, NIM.: 23206051002 (2025) KLASIFIKASI CITRA SATELIT WILAYAH GUNUNG SLAMET MENGGUNAKAN PENDEKATAN ENSEMBLE LEARNING CONVOLUTIONAL NEURAL NETWORK. Masters thesis, UIN SUNAN KALIJAGA YOGYAKARTA.

Preview	Text (KLASIFIKASI CITRA SATELIT WILAYAH GUNUNG SLAMET MENGGUNAKAN PENDEKATAN ENSEMBLE LEARNING CONVOLUTIONAL NEURAL NETWORK) 23206051002_BAB-I_IV-atau-V_DAFTAR-PUSTAKA.pdf - Published Version Download (4MB) | Preview
	Text (KLASIFIKASI CITRA SATELIT WILAYAH GUNUNG SLAMET MENGGUNAKAN PENDEKATAN ENSEMBLE LEARNING CONVOLUTIONAL NEURAL NETWORK) 23206051002_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf Restricted to Registered users only Download (3MB) | Request a copy

Abstract

Gunung Slamet, salah satu gunung berapi aktif di Jawa Tengah, Indonesia, berada di tengah-tengah wilayah Kabupaten Banyumas. Sebagai salah satu daerah dengan potensi bencana alam, pemantauan dan klasifikasi tutupan lahan menjadi sangat penting untuk memahami penggunaan lahan yang berkelanjutan dan kesiapsiagaan terhadap risiko bencana. Penelitian ini bertujuan untuk mengklasifikasikan tutupan lahan di wilayah tersebut menggunakan citra satelit Sentinel-2. Dataset penelitian terdiri dari 1.101 data berlabel yang terbagi ke dalam lima kelas: Hutan, Perumahan, Puncak, Sawah, dan Sungai. Tahapan penelitian mencakup pengumpulan data, preprocessing, augmentasi, pelatihan model, evaluasi model, dan analisis hasil. Prapemrosesan menggunakan Multi-Scale Fusion (MSF) untuk menghilangkan efek kabut (dehazing) dan Guided Filter untuk memperhalus citra (smoothing). Klasifikasi dilakukan dengan tiga arsitektur CNN: VGG-16, MobileNetV2, dan DenseNet121. Pendekatan Ensemble Learning diterapkan melalui Hard Voting dan Soft Voting untuk menggabungkan hasil prediksi dari ketiga model CNN, menghasilkan akurasi masing-masing sebesar 87,35% dan 88,14%. Penelitian ini menyoroti penanganan tantangan citra satelit di wilayah pegunungan yang berkabut dengan pendekatan prapemrosesan yang efektif serta penggabungan model CNN untuk meningkatkan performa klasifikasi pada dataset terbatas.

Share this knowledge with your friends :

Actions (login required)

View Item