Ridhani Anggit

Harnessing Machine Learning

Satellite images provide valuable information about the Earth’s surface aspects, such as land use/cover, environmental conditions, and changes over time. However, accurately interpreting and extracting meaningful information from these images can be challenging due to their complex and dynamic nature. Machine learning techniques have shown greaJt potential in analyzing and modeling spatially and temporally variable data, including satellite imagery. These algorithms can capture spatial, temporal, and spatio-temporal dependencies through automatic feature representation learning. By leveraging machine learning algorithms, researchers can develop models that can effectively classify and predict various features and phenomena in satellite images. In this study, we focus on classifying geospatial data from satellite imagery using a machine learning approach, such as Support Vector Machine, Naive Bayes, and Decision Tree, on the vegetation objects around UII.

“The full article can be seen at the following link Harnessing Machine Learning“

Ridhani Anggit

Kajian Spatio-Temporal Sebran Vegetasi Di Sekitar UII dengan Pendekatan Machine Learning

          Spatio-Temporal Sebran Vegetasi Di Sekitar UII dengan Pendekatan Machine Learning  

Citra satelit memberikan informasi berharga tentang aspek permukaan bumi, seperti penggunaan/tutupan lahan, kondisi lingkungan, dan perubahan dari waktu ke waktu. Namun, menafsirkan dan mengekstraksi informasi bermakna dari gambar-gambar ini secara akurat dapat menjadi tantangan karena sifatnya yang kompleks dan dinamis. Teknik machine learning telah menunjukkan potensi besar dalam menganalisis dan memodelkan data variabel spasial dan temporal, termasuk citra satelit. Algoritma ini dapat menangkap ketergantungan spasial, temporal, dan spatio-temporal melalui pembelajaran representasi fitur otomatis. Dengan memanfaatkan algoritma machine learning, peneliti mengembangkan model yang dapat secara efektif mengklasifikasikan dan memprediksi berbagai fitur dan fenomena pada citra satelit. Pada penelitian ini, kami berfokus pada pengklasifikasian data geospasial citra satelit Sentinel level 2-A dengan menggunakan pendekatan machine learning seperti Support Vector Machine, Naive Bayes, dan Decision Tree pada objek vegetasi di sekitar Universitas Islam Indonesia (UII) dari tahun 2019 hingga tahun 2023.

“Artikel selengkapnya dapat dilihat di tautan berikut ini Kajian Spatio-Temporal“