Genetic Fuzzy System untuk Klasifikasi Tutupan Lahan Berdasarkan Foto Udara Unmanned Aerial Vehicle (UAV)

Abstract

Pengamatan terhadap tata letak sebuah wilayah, terutama wilayah berpenduduk, penting dilakukan untuk mengetahui perkembangan dan perubahan yang terjadi. Salah satu pendekatan yang dapat digunakan untuk pengamatan perkembangan suatu wilayah dari waktu ke waktu adalah dengan dengan melihat perubahan tutupan lahan (land cover) secara spasial dengan menggunakan citra foto udara. Foto udara yang mencakup sebuah wilayah dianalisis dengan mengelompokan jenis tutupan lahan atau dikenal dengan land cover classification (klasifikasi tutupan lahan). Metode klasifikasi yang digunakan adalah dengan genetic fuzzy system, yaitu metode klasifikasi dengan menggunakan sistem fuzzy yang aturannya dan fungsi keanggotaannya dioptimasi dengan menggunakan algoritma genetika. Proses metode ini terdiri dari dua tahap yaitu training process, untuk mencari aturan fuzzy yang baik, dan kemudian dilanjutkan dengan tuning process, yaitu proses untuk menggeser batasan nilai pada fungsi keanggotaan himpunan fuzzy yang digunakan. Input program ini adalah nilai red (R), green (G), dan blue (B) dari tiap pixel di dalam citra, dan outputnya adalah kelas pixel yang dikelompokkan (tanah, air, vegetasi, bangunan, dan jalan). Hasil penelitian menunjukkan bahwa nilai fitness tertinggi yang diperoleh adalah hingga 0.84 atau 84%. Abstract Observation of the layout of an area, especially populated areas, is important to monitor what has been changed during the time period. To observe the development of an area from time to time, one approach that can be done is to observe land cover changes from above. Aerial imagery of an area is analyzed by grouping some subareas based on their land cover types or known as land cover classification. This study proposed the genetic fuzzy system to classify each pixel in the image. The genetic fuzzy system is a classification method using a fuzzy system whose membership function is optimized using a genetic algorithm. The process consists of two stages, namely the training process, to find good fuzzy rules, and then proceed with tuning processes, namely the process of shifting the value constraints on the membership function of the fuzzy set used. The input of this program is the red (R), green (G), and blue (B) values of each pixel in the image, and the output is the class in which the pixels are grouped (soil, water, vegetation, buildings, and roads). From the experimental results, the highest fitness value was obtained up to 0.84 or 84%.