Implementasi Deep Learning untuk Pelabelan Lahan pada Citra Satelit Area Desa Leles
Abstract
Efficient land management in rural areas is essential for environmental sustainability and community well-being. This study develops a deep learning model to classify land types in satellite imagery, focusing on two main categories: residential areas and vacant land. The dataset consists of 2,080 cropped images from Google Earth, divided into 790 images for training, 790 for validation, and 500 for testing. The model is trained using transfer learning with the ResNet50 architecture and optimized over 50 epochs. Training results show an accuracy of 99% for training and 98% for validation, while evaluation on the test dataset achieves an accuracy of 91.4%. The model successfully identifies most images correctly, although 43 out of 500 images were misclassified. These findings demonstrate the significant potential of deep learning in supporting more accurate land management based on satellite imagery, contributing to more efficient spatial planning.
Keywords: Google earth image; Deep learning; Satellite imagery.
Abstrak
Pengelolaan lahan yang efisien di daerah pedesaan penting untuk keberlanjutan lingkungan dan kesejahteraan masyarakat. Penelitian ini mengembangkan model Deep Learning untuk mengidentifikasi jenis lahan pada citra satelit, dengan kategori utama: pemukiman dan lahan kosong. Dataset terdiri dari 2.080 gambar hasil cropping citra Google Earth, yang dibagi menjadi 790 gambar untuk pelatihan, 790 untuk validasi, dan 500 untuk pengujian. Model dilatih menggunakan transfer learning dengan arsitektur ResNet50, yang dioptimalkan selama 50 epoch. Hasil pelatihan menunjukkan hasil training 99% dan validasi 98%, sementara evaluasi pada data pengujian mencapai 91,4%. Model berhasil mengidentifikasi sebagian besar gambar dengan benar, meskipun masih terdapat 43 dari 500 gambar yang tidak sesuai dengan label aslinya. Penelitian ini menunjukkan bahwa Deep Learning memiliki potensi besar dalam mendukung pengelolaan lahan berbasis citra satelit yang lebih akurat untuk mendukung perencanaan tata ruang yang lebih efisien.
Keywords
References
E. D. Meutia, M. Fikri, and R. Munadi, “Analisis Data Citra Satelit Terra Modis Sebagai Indikasi Potensi Ikan di Wilayah Kreung Raya,” J. Komput. Teknol. Inf. dan Elektro, vol. 7, no. 1, pp. 9–14, 2022, doi: https://doi.org/10.24815/kitektro.v7i1.25875.
A. S. Sriani, Armansyah Nabila, “Deep Learning mengidentifikasi Umur Manusia menggunakan Convolutional Neural Network (CNN),” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 3, pp. 1836–1843, 2024, doi: http://dx.doi.org/10.23960/jitet.v12i3.4457.
Eka Miranda and Mediana Aryuni, “Klasifikasi Tutupan Lahan Menggunakan Convolutional Neural Network pada Citra Satelit Sentinel-2 _ Miranda _ Sistemasi_ Jurnal Sistem Informasi,” J. Sist. Inf., vol. 10, no. 2, pp. 323–335, 2021.
R. Akmal, P. Annand, K. Iswari, M. D. Kautsar, and D. A. Tyas, “Eksplorasi Pemanfaatan Transfer Learning untuk Deteksi Citra Kapal sebagai Pendukung Pengawasan Maritim,” Bul. Pagelaran Mhs. Nas. Bid. Teknol. Inf. dan Komun., vol. 2, no. April, pp. 53–57, 2024.
Adam Jaelani, “Deteksi dan Klasifikasi Tipe Bangunan pada Citra Satelit menggunakan Metode K Nearest Neighbor”, Skripsi, Program Studi Teknik Informatika, Universitas Islam Negeri Maulana Malik Ibrahim Malang, 2020.
Theresia Susim dan Cahyo Darujati, “Pengolahan Citra untuk Pengenalan Wajah (Face Recognition) uenggunakan OPENCV,” J. Syntax Admiration, vol. 2, no. 3, pp. 2722–5356, 2021, doi: https://doi.org/10.46799/jsa.v2i3.202.
R. Setiawan and B. Salam, “Sistem Informasi Geografis Daerah Rawan Kriminalitas di Kabupaten Garut,” J. Algoritm., vol. 19, no. 1, pp. 10–17, 2021, doi: https://doi.org/10.33364/algoritma/v.18-1.824.
D. Suherman, Y. S. Sugandi, and M. Benny, “Aktor Politik dan Kolaborasi Quadruple Helix dalam Pembentukan Daerah Otonomi Baru Kabupaten Garut Selatan Political Actor and Collaboration Quadruple Helix in the Formation of the New Autonomous Region of South Garut Regency,” J. Ilmu Polit., vol. 3, no. 1, pp. 60–87, 2021, doi: https://doi.org/10.15575/politicon.v3i1.11197.
Tika Christy Novian, “Klasifikasi Landsat 8 Oli untuk Tutupan Lahan di Kota Palembang menggunakan Google,” J. Swarnabhumi (Jurnal Geogr., vol. 6, no. 1, pp. 2622–2701, 2021, doi: https://doi.org/10.31851/swarnabhumi.v6i1.5105.
B. Sasmito, B. H. Setiadji, and R. Isnanto, “Deteksi Kerusakan Jalan Menggunakan Pengolahan Citra Deep Learning di Kota Semarang,” J. Ilim. Bid. Ilmu Kerekayasaan, vol. 44, no. 1, pp. 7–14, 2023, doi: https://doi.org/10.14710/teknik.v44i1.51908.
P. A. Nugroho, I. Fenriana, R. Arijanto, and M. Kom, “Implementasi Deep Learning menggunakan Convolutional Neural Network (CNN) pada Ekspresi Manusia,” J. Algor, vol. 2, no. 1, pp. 12–20, 2020.
M. F. Naufal and S. F. Kusuma, “Analisis Perbandingan Algoritma Machine Learning dan Deep Learning untuk Klasifikasi Citra Sistem Isyarat Bahasa Indonesia (SIBI) Comparison Analysis Of Machine Learning And Deep Learning Algorithms For Image Classification Of Indonesian Language Signin,” J. Teknol. Inf. dan Ilmu Komput., vol. 10, no. 4, pp. 873–882, 2023, doi: https://doi.org/10.25126/jtiik.20241046823.
D. R. Pratama, Muhammad Raiza, “Klasifikasi Penutupan Lahan Menggunakan Google Earth Engine dengan Metode Klasifikasi Terbimbing pada Wilayah Penajam Paser Utara,” J. Jupiter, vol. 1, no. 1, pp. 637–650, 2022.
M. A. Setiawan, I. Ariawan, and L. Anzani, “Identifikasi Potensi Lahan Budidaya Udang Di Pesisir Teluk Banten Menggunakan Algoritma CNN,” J. Comput. Sci. Appl. Informatics, vol. 4, no. 3, pp. 262–273, 2022, doi: https://doi.org/10.28926/ilkomnika.v4i3.514.
D. W. Triscowati, W. P. Buana, and A. H. Marsuhandi, “Pemetaan Potensi Lahan Jagung Menggunakan Citra Satelit Dan Random Forest Pada Cloud computing Google Earth Engine,” semnasoffstat, vol. 1, no. 1, pp. 1001–1011, 2021, doi: https://doi.org/10.34123/semnasoffstat.v2021i1.889.
R. Novidianto, “Berdasarkan Data Citra Multitemporal Landsat-8 dengan Metode Convolutional Neural Network (CNN) dan Rotation Forest Multiclass (Rotfor) Studi Kasus Sampel Survei KSA Kabupaten Poso Berdasarkan Data Citra Multitemporal Landsat-8 dengan Metode Convo”, Tesis, Departemen Statistik, Institut Teknologi Sepuluh November, Surabaya, 2021.
D. A. Kusuma, A. Dwi, and P. Wicaksono, “Analisis Klastering Dampak Lingkungan Berdasarkan Konsumsi Energi Perusahaan Berbasis Industri 4.0 menggunakan Metode,” J. Sist. dan Teknol. Inf., vol. 9, no. 2, pp. 2620–3227, 2023.
Ali Khumaidi, “Data Mining For Predicting The Amount Of Coffee Production Using CRISP-DM Method,” J. Techno Nusa Mandiri, vol. 17, no. 1, pp. 1–8, 2020, doi: 10.33480/techno.v17i1.1240.
R. Magdalena, S. Saidah, N. Kumalasari, C. Pratiwi, and A. T. Putra, “Klasifikasi Tutupan Lahan Melalui Citra Satelit SPOT-6 dengan Metode Convolutional Neural,” J. Edukasi dan Penelit. Inform., vol. 7, no. 3, pp. 335–339, 2021.
M. A. Alvadeano, “Klasifikasi Perubahan Tutupan Lahan pada Citra Satelit Sentinel-2 menggunakan Google Earth Engine dan Convolutional Neural Network”, Skripsi, Fakultas Teknik Industri Universitas Pembangunan Nasional “Veteran” Yogyakarta, 2024.
How To Cite This :
Refbacks
- There are currently no refbacks.
