KLASIFIKASI PENUTUP/PENGGUNAAN LAHAN DENGAN DATA SATELIT PENGINDERAAN JAUH HIPERSPEKTRAL (HYPERION) MENGGUNAKAN METODE NEURAL NETWORK TIRUAN

Data penginderaan jauh hiperspektral memiliki banyak informasi spektral untuk klasifikasi penutup/penggunaan lahan (LULC), tetapi sejumlah besar data pita hiperspektral menjadi masalah dalam klasifikasi LULC. Penelitian ini mengusulkan penggunaan jaringan saraf tiruan propagasi balik untuk klasifikasi LULC dengan data penginderaan jauh hiperspektral. Jaringan saraf yang digunakan dalam penelitian ini terdiri dari tiga lapisan, di mana untuk pengujian lapisan masukan memiliki jumlah neuron sebanyak 242 untuk memproses semua data pita, 163 neuron, dan 50 neuron untuk memproses data pita yang memiliki rata-rata angka digital tinggi, dan pita data pada panjang gelombang tampak hingga inframerah dekat. Hasil penelitian menunjukkan bahwa penggunaan semua pita data hiperspektral pada klasifikasi dengan jaringan saraf memiliki akurasi klasifikasi tertinggi hingga 98% untuk 18 kelas LULC, tetapi membutuhkan waktu yang sangat lama. Pemilihan sejumlah pita data yang tepat untuk klasifikasi dengan jaringan saraf, selain mempercepat waktu pemrosesan data, juga dapat memberikan hasil akurasi klasifikasi yang memadai.