Perbandingan Hasil Klasifikasi Tutupan Lahan Menggunakan Metode Artificial Neural Network (ANN), Support Vector Machine (SVM), dan Random Forest (RF) dengan Bahasa Pemrograman R

Teknologi penginderaan jauh telah mengalami perkembangan yang pesat terutama dalam metode klasifikasi citra. Klasifikasi citra merupakan kegiatan yang dilakukan untuk mendeteksi dan mengidentifikasi objek di permukaan bumi pada citra satelit. Saat ini telah dikembangkan berbagai metode klasifikasi citra satelit, salah satunya adalah metode klasifikasi berbasis parameter, seperti MLC (Maximum Likelihood). Namun, metode ini tidak dapat dilakukan di lingkungan dengan fitur objek yang kompleks (seperti di daerah perkotaan atau daerah yang dibangun dengan padat). Hal ini dikarenakan metode klasifikasi berdasarkan parameter yang dibutuhkan dari dataset tidak berdistribusi normal. Oleh karena itu, dikembangkan metode klasifikasi berbasis non-parametrik yang tidak bergantung pada sifat sebaran data, sehingga tidak diperlukan parameter statistik untuk memisahkan banyak kelas pada citra dan digunakan untuk menganalisis citra satelit dengan lahan padat dan kompleks. fitur penutup. Melalui penelitian ini dilakukan analisis komparatif klasifikasi tutupan lahan menggunakan metode klasifikasi berbasis non parametrik dengan pendekatan Machine Learning (Artificial Neural Network, Support Vector Machine, dan Random Forest) untuk wilayah Kota Surabaya menggunakan Landsat-8 data citra satelit, untuk mengetahui hasil klasifikasi kinerja yang dihasilkan dari ketiga metode tersebut. Klasifikasi tutupan lahan yang diterapkan pada penelitian ini terdiri dari empat kelas yaitu, badan air, lahan terbuka, lahan terbangun, dan vegetasi. Adapun komposisi training point  yang digunakan adalah 80:20, dimana 80% titik sebagai titik sample dan 20% sebagai titik validasi. Dan jumlah seluruh training point adalah 237 titik.  Hasil klasifikasi tutupan lahan pada penelitian ini kemudian dilakukan uji akurasi secara kualitatif dan kuantitatif. Berdasarkan uji akurasi secara kuantitatif metode Random Forest menunjukkan hasil yang paling baik dengan nilai overal accuracy 93,33%  dan kappa accuracy sebesar 91,07%.