Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Indonesian Journal of Fundamental Sciences
Nur Yani
Universitas Negeri Makassar
Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Electrical & Electronics Engineering Energy Engineering Environmental Science Immunology & microbiology Materials Science & Nanotechnology Mechanical Engineering Medicine & Pharmacology Physics

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan Metode Klasifikasi Maximum Likelihood dan Support Vector Machine dalam Pemetaan Genangan Banjir (Studi Area: Kawasan Danau Tempe) Nur Yani; Sulistiawaty Sulistiawaty; Usman Usman
Indonesian Journal of Fundamental Sciences Vol 8, No 1 (2022)
Publisher : Universitas Negeri Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (674.986 KB) | DOI: 10.26858/ijfs.v8i1.33162

Abstract

Abstrak. Penelitian ini bertujuan untuk mengetahui  potensi Citra Sentinel-1a menggunakan metode klasifikasi maximum likelihood dan metode klasifikasi support vector machine dalam mengindentifikasi genangan banjir  serta memban-dingkan ketelitian dalam pemetaan genangan banjir  di sekitar kawasan Danau Tempe. Untuk mencapai tujuan tersebut telah digunakan data citra sentinel-1A dengan akuisisi 3 Maret 2018 (sebelum banjir) dan 26 Mei 2018 (pada saat banjir). Data tersebut diambil, diolah, dan dianalisis di Lembaga Penerbangan dan Antariksa Nasional (LAPAN) kemudian mengecek dan mencocokkan kembali  data di lapangan. Data yang diperoleh diolah melaui tahap pengolahan awal interpretasi citra sentinel adalah Preprocessing data Sentinel-1A dengan menggunakan perangkat lunak SNAP 7.0.  Selanjutnya menggabungkan citra pre-flood dan post-flood menggunakan stack tools di software SNAP untuk menyatukan kedua citra tersebut menjadi satu citra. Citra hasil stacking selanjutnya dikomposit ke RGB, selanjutnya digunakan dua metode klasifikasi terbimbing yaitu maximum likelihood dan support vector machine. Hasil penelitian yang diperoleh adalah metode Maximum Likelihood dan Support Vector Machine (SVM) berpotensi mengidentifikasi genangan banjir dengan    nilai akurasi pemetaan genangan banjir pada metode  Support Vector Machine (SVM) lebih tinggi dibandingkan dengan metode Maximum Likelihood (MLC) dengan nilai akurasi metode SVM sebesar 50% dan  metode MLC sebesar 42.3%. Kata Kunci: Banjir, Citra Sentinel-1A, MLC, SVM
Co-Authors Sulistiawaty Sulistiawaty Usman Usman