Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

Klasifikasi Tutupan Lahan dari Citra UAV Menggunakan Fitur CNN dan Teknik Pembelajaran Mesin

Rektorat UDINUS 2025 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2025
Tujuan
Nomor
f633d9eb-5331-4760-9e98-36e372cad255
Terbit
2026-10-30

Universitas Dian Nuswantoro (UDINUS), dengan Sari, Yuslena; Mustamin, Nurul Fathanah; Wijaya, Eka Setya; Noor, Muhammad Fajrian; Alkaff, Muhammad; Tommy, Muhammad; Mambang; Pramunendar, Ricardus Anggi; dan Maulidiya, Erika sebagai peserta kegiatan, melaksanakan studi tentang klasifikasi tutupan lahan menggunakan citra kendaraan udara nirawak (UAV) dari Hutan Lindung Liang Anggang. Studi ini membahas peran tutupan lahan dalam analisis geografis, termasuk perencanaan lingkungan berkelanjutan. Tujuan penelitian adalah mengklasifikasikan citra UAV berdasarkan kepadatan vegetasi.

Data UAV diproses menggunakan arsitektur Convolutional Neural Network (CNN), yaitu ResNet 50 dan Inception-V3, untuk ekstraksi fitur. Fitur yang diekstraksi kemudian diklasifikasikan menggunakan algoritme pembelajaran mesin, termasuk Support Vector Machine (SVM), Random Forest, dan eXtreme Gradient Boosting (XGBoost). Dalam klasifikasi berbasis CNN, ResNet 50 menunjukkan kinerja terbaik yang dilaporkan, dengan akurasi 91,04% pada epoch ke-100. Kombinasi ResNet 50 dan SVM menghasilkan akurasi 85% ketika digunakan sebagai metode ekstraksi fitur dan klasifikasi. XGBoost menghasilkan akurasi 82%, sedangkan Inception-V3 menunjukkan akurasi maksimum yang lebih rendah, yaitu 57,22%.

Studi ini menyoroti ResNet 50 dalam hal efisiensi waktu dan akurasi untuk klasifikasi kepadatan vegetasi. Hasil penelitian melaporkan bahwa ResNet 50 lebih andal dan lebih cepat daripada Inception-V3 untuk tugas ekstraksi fitur dan klasifikasi. Penelitian ini juga menyatakan bahwa metode tersebut meningkatkan klasifikasi tutupan lahan berbasis vegetasi pada citra UAV beresolusi tinggi. Kombinasi ResNet 50 dan SVM mencapai akurasi tertinggi yang dilaporkan untuk metode gabungan dan mengungguli model lain dalam waktu pemrosesan, sehingga sesuai untuk aplikasi yang peka terhadap waktu. Model yang diusulkan dapat diintegrasikan dengan kerangka edge computing untuk pemantauan lingkungan secara waktu nyata, termasuk deteksi dini kebakaran hutan dan pengawasan kesehatan hutan. Studi ini juga menyebutkan integrasi pendekatan pembelajaran sebagai kemungkinan untuk pekerjaan mendatang. Dalam kaitannya dengan SDG 15, kegiatan ini mencakup penelitian ekosistem daratan melalui tutupan lahan, kepadatan vegetasi, dan pemantauan lingkungan.

Rujukan https://www.scopus.com/pages/publications/105025967704?origin=resultslist