ANALISIS OPTIMAL CLASS UNTUK CITRA REMOTE SENSING LOW RESOLUTION (LR), HIGH RESOLUTION (HR) DAN SUPER RESOLUTION (SR) MENGGUNAKAN METODE ELBOW

Penelitian ini bertujuan untuk melakukan analisis optimal kelas pada citra remote
sensing dengan Low Resolution (LR), High Resolution (HR), dan Super
Resolution (SR). Metode analisis yang digunakan melibatkan penggunaan
algoritma pengolahan citra dan teknik pembelajaran mesin untuk memahami dan
membedakan kelas objek dengan resolusi yang berbeda. Pertama, citra remote
sensing Low Resolution (LR) dan High Resolution (HR) diolah menggunakan
algoritma pengolahan citra klasik untuk mempertahankan informasi objek dalam
kondisi resolusi rendah dan tinggi. Selanjutnya, Super Resolution (SR) diterapkan
untuk meningkatkan resolusi citra Low Resolution (LR), menciptakan citra Super
Resolution (SR) yang lebih rinci. Selanjutnya, analisis optimal kelas dilakukan
dengan memanfaatkan model pembelajaran mesin yang disesuaikan untuk tugas
klasifikasi citra. Model ini dilatih menggunakan data citra High Resolution (HR)
sebagai referensi utama dan diterapkan pada citra Super Resolution (SR) untuk
mengevaluasi kemampuannya dalam membedakan kelas objek dengan resolusi
tinggi. Hasil eksperimen menunjukkan bahwa analisis optimal kelas pada citra
remote sensing dapat berhasil diimplementasikan dengan memanfaatkan
kombinasi teknik pengolahan citra dan pembelajaran mesin. Penelitian ini
memberikan kontribusi pada pengembangan metode analisis citra yang dapat
mengoptimalkan informasi kelas objek pada berbagai tingkat resolusi, memiliki
implikasi penting dalam pemantauan lingkungan dan pemetaan lahan dengan
menggunakan teknologi remote sensing. Pada penelitian ini dapat disimpulkan
bahwa nilai optimal pada Citra Remote Sensing Low Resolution (LR) = 3, High
Resolution (HR) = 5, dan Super Resolution (SR) = 4 yang telah didapatkan
menggunakan metode Elbow.
Kata Kunci : Citra Remote Sensing, High Resolution, Low Resolusion, Super
Resolution.