DETEKSI AREA PERSAWAHAN PADA CITRA SATELIT LANDSAT-8 MENGGUNAKAN TEKNIK ENSEMBLE TRANSFER LEARNING (Studi Kasus : Provinsi Bengkulu)

APRILIA, VILDA and Arie, Vatresia and Nurul, Renaningtias (2025) DETEKSI AREA PERSAWAHAN PADA CITRA SATELIT LANDSAT-8 MENGGUNAKAN TEKNIK ENSEMBLE TRANSFER LEARNING (Studi Kasus : Provinsi Bengkulu). Other thesis, Universitas Bengkulu.

[thumbnail of Thesis] Archive (Thesis)
NASKAH SKRIPSI VILDA APRILIA (G1A021033) - Vilda Aprilia.pdf - Bibliography
Restricted to Repository staff only
Available under License Creative Commons Public Domain Dedication.

Download (2MB)

Abstract

Dalam era Revolusi Industri 5.0, pemanfaatan teknologi deep learning dalam pengolahan
citra satelit telah mengalami perkembangan pesat, khususnya dalam bidang pemetaan dan
klasifikasi lahan. Penelitian ini bertujuan untuk mengklasifikasikan area sawah dan non�sawah di Provinsi Bengkulu dengan pendekatan ensemble transfer learning, yang
menggabungkan dua arsitektur deep learning, yaitu VGG19 dan ResNet50. Data yang
digunakan berupa citra satelit Landsat-8, yang dikompositkan menggunakan kombinasi
band 6 (SWIR 1), band 5 (NIR), dan band 4 (Red) untuk mendukung analisis vegetasi.
Model VGG19 menghasilkan akurasi klasifikasi sebesar 93%, ResNet50 mencapai 97%,
sedangkan model ensemble menunjukkan performa terbaik dengan akurasi sebesar 99%.
Secara spasial, model ensemble menghasilkan prediksi luas sawah yang paling mendekati
data referensi dari Badan Pusat Statistik (BPS) untuk tahun pengujian 2005, 2010, 2015,
2020, dan 2023. Evaluasi spasial berdasarkan kesalahan klasifikasi menunjukkan bahwa
model ensemble memiliki tingkat kesalahan terendah dibandingkan model tunggal,
dengan persentase kesalahan masing-masing sebesar 1,99% (2005), 1,76% (2010), 1,79%
(2015), 2,21% (2020), dan 2,08% (2023).
Hasil penelitian ini menunjukkan bahwa pendekatan ensemble mampu mengatasi
keterbatasan masing-masing model tunggal dan memberikan hasil klasifikasi yang lebih
akurat dan representatif. Temuan ini berkontribusi dalam menyediakan data spasial yang
andal sebagai dasar untuk perencanaan pembangunan pertanian, serta mendukung
pencapaian target-target kebijakan nasional dan daerah, seperti yang tercantum dalam
Rencana Pembangunan Jangka Menengah Nasional (RPJMN) dan Rencana
Pembangunan Jangka Menengah Daerah (RPJMD), khususnya dalam pemantauan
ketahanan pangan dan tata kelola lahan berkelanjutan.
Kata kunci: sawah, citra satelit Landsat-8, ensemble learning, transfer learning, deep
learning.

Item Type: Thesis (Other)
Subjects: T Technology > T Technology (General)
Divisions: Faculty of Engineering > Department of Informatics Engineering
Depositing User: 58 lili haryanti
Date Deposited: 24 Sep 2025 06:28
Last Modified: 24 Sep 2025 06:28
URI: https://repository.unib.ac.id/id/eprint/26058

Actions (login required)

View Item
View Item

slot gacor terbaik

slot gacor terpercaya

Situs Resmi Bisawd

slot gacor 4d

Slot Terpercaya

Slot Gacor bet 200