View/Open

Author

Date Published
30 Nov -0001

Advisor
Ilyas, S.Si., M.T.,
Lea Kristi Agustina, S.T., M.Eng.,

Subject
Teknik Geomatika

Publisher

Perkembangan teknologi penginderaan jauh sangat bergantung pada kualitas resolusi spasial citra satelit untuk menjamin akurasi analisis geospasial. Namun, dalam praktiknya sering terjadi kehilangan metadata resolusi akibat pemotongan, kompresi, atau proses pengunduhan dari platform repositori data terbuka. Metode estimasi resolusi konvensional dinilai tidak konsisten dan sangat sensitif terhadap gangguan sensor maupun kondisi atmosfer. Oleh karena itu, penelitian ini bertujuan untuk mengimplementasikan model deep learning berbasis arsitektur InceptionV3 guna mengidentifikasi jenis citra dan mendeteksi resolusi spasial citra tanpa metadata secara otomatis pada citra satelit WorldView-2, Sentinel-2, dan Landsat 8, serta menganalisis tingkat keakuratan performa prediksi model tersebut. Pelaksanaan penelitian ini mengadopsi metodologi CRISP-DM (Cross-Industry Standard Process for Data Mining). Tahap pra-pemrosesan data difokuskan pada penskalaan nilai radiometrik menjadi rentang 8-bit berbasis histogram, pemotongan citra berdimensi 300 × 300 piksel, penyaringan kualitas gambar dari tutupan awan, serta penyeimbangan kelas dataset. Arsitektur model menjalankan fungsi klasifikasi sensor dan regresi metrik spasial secara simultan. Proses optimalisasi jaringan dilakukan dalam dua tahap, diawali dengan transfer learning menggunakan bobot pra-latih ImageNet dan dilanjutkan dengan fase fine-tuning yang dijaga oleh mekanisme early stopping. Kinerja model kemudian diuji menggunakan dua skenario evaluasi, yakni pengujian internal pada lokasi sekitar area latih dan pengujian independen pada lanskap geografis baru. Hasil penelitian menunjukkan bahwa model sukses diimplementasikan dan mencapai titik konvergensi terbaik pada epoch ke-99. Pada tugas klasifikasi, model menunjukkan performa dengan akurasi 100%, nilai presisi 1, recall 1, dan F1-score 1 pada skenario evaluasi internal. Pada skenario evaluasi tes independen, akurasi keseluruhan sedikit menurun menjadi 97,92%, yang menunjukkan model tetap mengenali WorldView-2 dengan keyakinan 99,72%, tetapi mengalami sedikit kesalahan identifikasi silang antara Sentinel-2 dan Landsat 8. Sebaliknya, tugas regresi menunjukkan ketimpangan performa pada kedua skenario. Pada pengujian internal, prediksi resolusi Sentinel-2 dan Landsat 8 cukup stabil dengan MAE berturut-turut 0,316 meter (kesalahan 5,09%) dan 1,981 meter (kesalahan 6,60%). Kelas WorldView-2 menghasilkan persentase kesalahan yang tinggi hingga 63,12

URI
https://repo.itera.ac.id/depan/submission/SB2608180040

Keyword
Citra Satelit Deep Learning InceptionV3 Resolusi Spasial Multi-Task Learning