Deteksi Obyek Nyata (Pada Lingkup : Visualisasi dan Deteksi Obyek Nyata pada Lingkungan Hidup)
Journal: Matics (Vol.6, No. 2)Publication Date: 2014-09-04
Authors : Irwan Budi Santoso;
Page : 59-64
Keywords : Image Landsat; cropping; Tree-Augmented Naïve Bayes Network Classifier; Training; Akurasi sistem;
Abstract
Persoalan lingkungan hidup seperti kebakaran hutan, bencana banjir dan tanah longsor semakin marak yang tidak lain akibat dari aktifitas manusia yang liar dan tidak terkendali. Salah satu upaya yang bisa dilakukan untuk membantu menyelesaikan persoalan tersebut adalah adanya fasilitas yang dapat memantau kondisi lingkungan hidup secara riil, melalaui komputer dengan memanfaatkan foto satelit seperti yang disediakan oleh Google Earth. Informasi yang disediakan oleh industri internet tesebut hanya menampilkan foto satelit tanpa mengetahui jenis obyek yang ada dipermukaan bumi. Sehingga dengan keterbatasan tersebut diperlukan pengembangan teknologi lebih lanjut yang dapat melakukan deteksi obyek nyata pada foto satelit. Deteksi obyek nyata yang ada dipermukaan bumi berdasarkan foto satelit sangatlah mungkin dilakukan, hal ini karena setiap obyek yang ada dipermukaan bumi memiliki fitur yang khas. Dalam penelitian ini, metode yang digunakan untuk membantu mendeteksi obyek-obyek nyata dipermukaan bumi berdasarkan image atau citra satelit adalah Tree-Augmented Naïve Bayes Network Classifier (TAN). Dasar penggunakan metode tersebut untuk mendeteksi obyek adalah karena metode tersebut senantiasa memperhatikan hubungan diantara fitur dalam objek, sehingga lebih realistik diterapkan. Adapun langkah-langkah dalam mendeteksi obyek dalam bentuk image satelit dengan menggunakan metode tersebut, secara garis besar dibagi dua tahap yaitu tahap training dan testing. Tahap training meliputi mengambil sampel obyek-obyek nyata pada image satelit (citra landsat) dengan cara cropping obyek-obyek pada image tersebut, merubah image sampel dalam bentuk grayscale, melakukan training untuk membentuk struktur model TAN berserta estimasi parameter modelnya. Sadangkan tahap testing meliputi select obyek yang akan dideteksi, merubah dalam bentuk grayscale, melakukan deteksi obyek berdasarkan struktur model TAN dan parameter hasil training. Dari langkah-langkah tersebut, hasil ujicoba menunjukan bahwa akurasi sistem metode TAN dalam mendeteksi obyek nyata pada image landsat adalah 96,6667%.
Other Latest Articles
- Text to Speech Berbasis Natural Language pada Aplikasi Pembelajaran Tenses Bahasa Inggris
- Exploration des déterminants de l’usage des services publics en ligne du point de vue des usagers
- Une approche qualitative du concept d’animosité et de son impact sur les comportements de boycott des consommateurs tunisiens
- La perspective temporelle, l’âge et l’investissement en produits bancaires d’épargne par les consommateurs adultes
- LE ROLE MEDIATEUR DE LA CREDIBILITE DE L’ANNONCEUR DANS L’EFFICACITE DE LA PUBLICITE CORPORATE RESPONSABLE
Last modified: 2016-05-30 14:00:59