Tugas Matakuliah Ekstraksi Informasi Citra Oleh : Luhur Moekti Prayogo (19/449597/PTK/12856) Magister Teknik Geomatika, Universitas Gadjah Mada Deskripsi: Neural Network merupakan kategori ilmu Soft Computing. Neural Network sebenarnya mengadopsi dari kemampuan otak manusia yang mampu memberikan stimulasi/rangsangan, melakukan proses, dan memberikan output. Fungsi dari Neural Network diantaranya adalah: a. Pengklasifikasian pola b. Memetakan pola yang didapat dari input ke dalam pola baru pada output c. Penyimpan pola yang akan dipanggil kembali d. Memetakan pola-pola yang sejenis e. Pengoptimasi permasalahan g. Prediksi Terima kasih

1. ESTRAKSI INFORMASI CITRA
Tugas-3
Artificial Neural Networks (ANN)
Luhur Moekti Prayogo
19/449597/PTK/12856
Dosen Pengampu:
Bpk Abdul Basith, ST., M.Si., Ph.D

2. Pendahuluan
• ANN (Artificial Neural Networks) merupakan metode softcomputing
atau data mining yang banyak digunakan untuk melakukan
pengklasifikasian dan prediksi
• Dikembangkan oleh McCulloch dan Pitts (1943)
• Salah satu algoritma yang sering digunakan dalam ANN adalah
backpropagation algorithm
• Dikembangkan oleh Rumelhart dan McClelland (1986)

3. Konsep
• ANN adalah bentuk
kecerdasan buatan
yang meniru
beberapa fungsi otak
manusia (ESA, 2009)
• ANN terdiri dari input,
hidden, output yang
berupa kelas-kelas
(klasifikasi)

4. Citra Landsat-7, Radiometrik
Citra Landsat-7 wilayah Sampang-
Madura

5. Uji ROIs (Indexs Separability)
• Nilai tersebut mempunyai rentang dari 0 s.d 2
• Mendekati 2, keterpisahan objek semakin baik
• Nilai rata” yang dihasilkan mendekati 2 mengindikasikan
bahwa pasangan ROI mempunyai separability yang baik

6. Keterangan Input ANN

7. ANN Results

10. Tabel ANN
Parameters
Lahan
Kosong
(%)
Vegetasi
Lebat (%)
Pemukiman
(%)
Vegetasi
Jarang
(%)
ANN-1 (TC=0.9 TR=0.5 TM=0.9
RMS=0.1 ,ITERASI= 1000
15.06 14.34 21.44 49.14
ANN-2 (TC=0.7 TR=0.2 TM=0.9
RMS=0.1 ,ITERASI= 1000
11.91 14.18 30.02 43.87
ANN-3 (TC=0.3 TR=0.3 TM=0.9
RMS=0.1 ,ITERASI= 1000
11.84 15.40 27.45 45.29
ANN-4 (TC=0.9 TR=0.2 TM=0.9
RMS=0.1 ,ITERASI= 2000
16.55 14.20 24.03 45.21
ANN-5 (TC=0.9 TR=0.8 TM=0.9
RMS=0.5 ,ITERASI= 3000
77.74 22.25 0 0
ANN-6 (TC=0.9 TR=0.3 TM=0.7
RMS=0.3 ,ITERASI= 1000
49.04 25.11 0 25.84

11. Confusion Matrix
ANN-1
Akurasi: 98.07%
Kappa: 0.95
ANN-2
Akurasi: 99.17%
Kappa: 0.98
ANN-3
Akurasi: 99.17%
Kappa: 0.98
ANN-6
Akurasi: 86.50%
Kappa: 0.69
ANN-5
Akurasi: 86.22%
Kappa: 0.68
ANN-4
Akurasi: 97.24%
Kappa: 0.94

12. Refrensi
• Danoedoro. 2012. Pengantar Penginderaan Jauh Digital. Yogyakarta: Penerbit Andi.
• ESA, 2009. ESA Advanced Training Course on Land Remote Sensing.
• Harris Geospatial Solutions. Neural Net
https://www.harrisgeospatial.com/docs/NeuralNet.html