View/Open

Author
Anggito, Abimanyu

Date Published
01 Sep 2026

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

Subject
Teknik Geomatika

Publisher

Kehilangan metadata resolusi citra satelit sering terjadi akibat kompresi atau pengunduhan. Meskipun metode estimasi resolusi spasial konvensional telah tersedia, pendekatan ini masih memiliki sejumlah kelemahan. Oleh karena itu, penelitian ini bertujuan mengevaluasi kemampuan deep learning berbasis Multi-Task Learning (MTL) InceptionV3 sebagai metode estimasi alternatif. Model dirancang untuk secara otomatis mengidentifikasi jenis sensor dan memprediksi resolusi spasial tanpa metadata pada citra WorldView-2, Sentinel-2, dan Landsat 8. Berbasis metodologi CRISP-DM, model mengklasifikasi dan meregresi spasial secara simultan melalui transfer learning (ImageNet) serta fine-tuning, yang dievaluasi melalui pengujian internal maupun independen. Penelitian menunjukkan bahwa arsitektur MTL InceptionV3 efektif untuk klasifikasi dengan akurasi 100% pada pengujian internal dan 97,92% pada pengujian independen. Namun, pada output prediksi resolusi spasial, terjadi ketidakseimbangan performa. Prediksi resolusi untuk Sentinel-2 dan Landsat 8 tergolong stabil, tetapi tingkat kesalahan prediksi sangat tinggi pada citra WorldView-2. Ketidakseimbangan ini dipicu oleh perhitungan fungsi kerugian algoritma yang memberikan bobot penalti lebih besar pada target bernilai tinggi. Hal ini menyebabkan kelas Landsat 8 mendominasi 51,09

URI
https://repo.itera.ac.id/depan/submission/SB2608270024

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