Penerapan Metode K-Nearest Neighbor Untuk Klasifikasi Tutupan Lahan

Abstract

Tutupan lahan adalah jenis hamparan objek yang menutupi permukaan bumi, misalnya tumbuhan tanaman keras. Perkembangan data penginderaan jauh dari foto  udara hingga fotografi digital tidak lepas dari sejarah  perkembangan komputer. Pengolahan data penginderaan jauh yang memerlukan interpretasi visual dengan teknik manual beralih ke teknik analisis digital,  oleh karena itu penggunaannya semakin berkembang dengan beragam teknik  untuk meningkatkan akurasi hasil. Keuntungan  analisis citra komputer adalah mengurangi unsur subjektif dalam penilaian manusia. Salah satu kendala dalam mengidentifikasi pola spektral  data penginderaan jauh adalah resolusi gambarnya, dimana semakin tinggi resolusi maka volume data semakin besar dan algoritma  analisis  semakin kompleks. Oleh karena itu, sejumlah algoritma mulai dikembangkan  untuk mampu menyimpan data dalam jumlah  besar, menganalisis dan memvalidasinya.  Pendekatan berbasis pengetahuan kemudian mulai beralih ke pendekatan berbasis data, yang merupakan titik temu antara statistik dan ilmu komputer, khususnya machine learning. Algoritma K-Nearest Neighbor (K-NN) adalah sebuah metode klasifikasi terhadap sekumpulan data maupun dokumen berdasarkan pembelajaran  data yang sudah terklasifikasikan sebelumnya.  Algoritma ini termasuk dalam supervised learning, dimana hasil query instance yang baru diklasifikasikan berdasarkan mayoritas kedekatan jarak dari kategori yang ada dalam K-NN. Tujuan dari penelitian ini adalah mengklasifikasi tutupan lahan dengan menggunakan metode K Nearest Neighbor.  Setelah melalui proses pengujian diperoleh tingkat akurasi dari system sebesar 67% dan error rate sebesar 33%.