STUDI PERBANDINGAN KLASIFIKASI MULTISPEKTRAL MAXIMUM LIKELIHOOD DAN SUPPORT VECTOR MACHINE UNTUK PEMETAAN PENUTUP LAHAN

ARDHIAN NUR R.W.H, Dr. Sigit Herumurti B. S., M.Si.

2014 | Skripsi | KARTOGRAFI DAN PENGINDRAAN JAUH

Dalam penginderaan jauh terdapat beberapa metode yang dikembangkan untuk mendapatkan informasi mengenai penutup lahan, salah satunya yaitu klasifikasi maximum likelihood, yang merupakan metode klasifikasi yang dianggap paling mapan secara statistik untuk memetakan informasi penutup lahan dari citra penginderaan jauh. Klasifikasi ini memiliki asumsi bahwa data penginderaan jauh masukan yang digunakan harus terdistribusi normal. Untuk mengantisipasi adanya data penginderaan jauh yang tidak terdistribusi normal, pendekatan yang digunakan adalah dengan menggunakan klasifikasi yang didasarkan pada logika statistik non-parametrik seperti Klasifikasi Support Vector Machine. Perbedaan pendekatan inilah yang selanjutnya menjadi tujuan dari penelitian ini, yaitu mengetahui tingkat akurasi antara Klasifikasi Maximum Likelihood dan Klasifikasi Support Vector Machine. Hasil perhitungan menggunakan Confusion Matrix dan Analisis Koefisien Kappa menunjukkan bahwa Klasifikasi Support Vector Machine (SVM) dengan Kernel Linear memiliki nilai akurasi paling tinggi dengan nilai akurasi keseluruhan sebesar 65,88% dan nilai Indeks Koefisien Kappa sebesar 0,6046.

There are several methods in remote sensing developed to obtain landcover information, one of those is maximum likelihood classification, which is a classification method that is considered to be the most statistically stable to obtain landcover informations derived from remote sensing image. This classification has the assumption that remote sensing data inputs were normally distributed. To anticipate the remote sensing data that were not normally distributed, the approach is to use a classification based on the non-parametrical statistics such as support vector machine classification. The purpose of this research is to obtain the accuracy levels of both maximum likelihood and support vector machine classification based on their different approaches. Accuracy assesment results using Confusion Matrix and Kappa Coefficient Index showing that Support Vector Machine classification using Linear Kernel gives 65,88% accuracy which is the highest overall accuracy within the other methods and 0,6406 Kappa Coefficient Index.

Kata Kunci : klasifikasi multispektral, penutup lahan, maximum likelihood, support vector machine