DESAIN DAN IMPLEMENTASI NEURO-FUZZY EXPERT SYSTEM UNTUK KLASIFIKASI TUTUPAN LAHAN

Safaruddin A Prasad

doi:10.70746/jstunsada.v3i1.373

Authors

Safaruddin A Prasad Jurusan Fisika FMIPA, Universitas Hasanuddin, Makassar

DOI:

https://doi.org/10.70746/jstunsada.v3i1.373

Keywords:

klasifikasi tutupan lahan, neuro-fuzzy, expert system, JST, NFES

Abstract

Dalam paper ini, diusulkan sebuah metode identifikasi tutupan lahan untuk data pengideraan jauh menggunakan gabungan sistem neuro-fuzzy dan sistem pakar (expert system) yang kemudian disebut dengan Neuro-Fuzzy Expert System (NFES). JST adalah bagian dari neuro-fuzzy yang memiliki kemampuan untuk mengenal pola-pola kompleks, dan mengklasifikasinya ke dalam beberapa kelas yang diinginkan, namun mungkin terjadi misklasifikasi. Dengan menambahkan sistem pakar fuzzy ke dalam JST menggunakan basis pengetahuan geografi, misklasifikasi dapat dikurangi, sehingga dapat memperbaiki hasil klasifikasi, dibandingkan dengan metode back-propagation dari JST. Unjuk kerja identifikasi dan klasifikasi dengan NFES diverifikasi menggunakan data citra Landsat-ETM7 dengan obyek daerah Mandai, Kabupaten Maros, Sulawesi Selatan. Dari hasil verifikasi, diperoleh misklasifikasi hanya sebesar 3,19%, jauh lebih kecil dibandingkan dengan jika menggunakan metode back-propagation dengan misklasifikasi mencapai 12,3%.

References

1. Funabashi, M. et al., 1995, “Fuzzy and neural hybrid expert system: Synergetic AI,” IEEE Expert, pp. 32-40.
2. Skidmore et al, 1996, “An operational GIS expert system for mapping forest soil,” Photogrammetric Engineering & Remote Sensing, Vol.62, No.5, pp. 501-511.
3. Maeda, A. et al., 1991, “A fuzzy-based expert system building tool with self-tuning capability for membership function,” Proc. World Congress on Expert Systems, Pergamon Press, New York, pp. 639-647.
4. Murai, H., Omatu, S. (1997), “Remote sensing image analysis using a neural network and knowledge-based processing”, Int. J. Remote Sensing, Vol.18, No.4, pp. 811-828.
5. Enbutu, I. Et al., 1994, “Integration of multi-AI paradigms for intelligent operation support systems: Fuzzy rule extraction from a neural network,” Water Science and Technology, vol. 28, no. 11-12, pp. 333-340.
6. Jang, J. S. R., 1993, "ANFIS: Adaptive-Network-based Fuzzy Inference Systems," IEEE Transactions on Systems, Man, and Cybernetics, Vol. 23, No. 3, pp. 665-685.
7. Prasad, S.A., Sadly, M., Sardy, S., "Landsat TM Image data Classification of Land Cover by Fuzzy C-Mean", Proc of the Int. Conf. on Opto-electronics and Laser Applications ICOLA'02, pp. D36-D39, October 2-3, 2002, Jakarta, Indonesia. (ISSN : 979-8575-03-2)
8. Sangthongpraow, U., Thitimajshima, P., and Rangsangseri, Y. (1999), Modified Fuzzy C-Means for Satellite Image Segmentation, GISdevelopment.net
9. Nauck, U., Kruse, R., 1999, “Design and implementation of a neuro-fuzzy data analysis tool in java,” Thesis Diploma, Braunschweig.
10. Simpson, J.J. and Keller, R.H., 1995, “An Improved Fuzzy Logic Segmentation of Sea Ice, Clouds, and Ocean in Remotely Sensed Arctic Imagery,” Remote Sens. Environ., Vol.54, pp. 290 – 312.
11. R. Kruse, J. Gebhardt and F. Klawonn, 1995, Fuzzy Systeme, 2. erweiterte Auflage, Teubner, Stuttgar.
12. Jang, J. S. R., 1991, "Fuzzy Modeling Using Generalized Neural Networks and Kalman Filter Algorithm," Proc. of the Ninth National Conf. on Artificial Intelligence (AAAI-91), pp. 762-767.