NOAA IMAGE CLASSIFICATION USING GOOGLE’S TEACHABLE MACHINE

Abdul Azzam Ajhari, Krisna Jonathan Sitorus, Dayang Putri Nur Lyrawati, Edward Felix Satria Sridana, Ria Lestari, Wahyuni Vivi Farida

Abstract


Para peneliti telah mencoba membantu kehidupan manusia dengan memanfaatkan citra satelit. Salah satu satelit yang dapat menyediakan data citra satelit adalah satelit National Oceanic and Atmospheric Administration (NOAA). Satelit ini secara khusus menangkap kondisi fisik laut dan atmosfer bumi dengan sisi negatif bahwa tidak semua data yang diperoleh berkualitas baik karena adanya intervensi frekuensi radio. Dalam tulisan ini, penggunaan kecerdasan buatan/Artificial Intelligence (AI) diterapkan untuk mengatasi masalah tersebut dengan membuat model pembelajaran mesin/Machine Learning (ML) menggunakan mesin yang bisa diajar dari google/Google’s Teachable Machine untuk mengklasifikasikan gambar dari perangkat frekuensi radio Weather Satellite Communication (WeSaCom) yang menangkap gambar menjadi mampu menyaring gambar. Data mining digunakan sebagai metodologi untuk mengumpulkan data citra dari satelit NOAA. Dataset citra dari satelit dianalisis dan dikelompokkan menjadi dua kelas, baik dan buruk. Kelas-kelas ini digunakan untuk membangun model dengan tujuan mengklasifikasikan data gambar yang diperoleh dari satelit NOAA melalui perangkat frekuensi radio WeSaCom. Hasilnya, ditemukan bahwa model Google Teachable Engine yang diterapkan pada perangkat WeSaCom mampu mengklasifikasikan data gambar dari NOAA dengan akurasi 96,72%.

Full Text:

PDF

References


Rasyidi, E. S., Sandi, R. and Buraerah, M. F.

(2020). Monitoring Perubahan Suhu Ibu

Kota Negara Tahun 1993-2019

Menggunakan Citra Satelit Landsat

(Studi Kasus: Jakarta, Singapura, Kuala

Lumpur Dan Bangkok). J. Ilm. Ecosyst.,

–58.

Akhbar, A. I., Jaya, Y. V. and Febrianto, T.

(2018). Kajian Suhu Permukaan Laut

Berdasarkan Data Citra Satelit NOAAAVHRR Dan Data Argo Float Di

Perairan Selatan Jawa. Din. Marit., 27–

Wicaksono, A., Muhsoni, F. F. and Fahrudin,

A. (2010). Aplikasi Data Citra Satelit

NOAA-17 Untuk Mengukur Variasi

Suhu Permukaan Laut Jawa. J. Kelaut.,

-74, doi: 10.21107/jk.v3i1.849.

Carney, M., Webster, B., Alvarado, I.,

Phillips, K., Howell, N., Griffith, J.,

Jongejan, J., Pitaru, A. and Chen, A.

(2020). Teachable Machine :

Approachable Web-Based Tool for

Exploring Machine Learning

Classification. 2020 CHI Conference on

Human Factors in Computing Systems,

doi: 10.1145/3334480.3382839.

Krisna, M. M., Neelima, M., Harshali, M. and

Rao, M. V. G. (2018). Image

Classification Using Deep Learning.

International Journal of Engineering &

Technology, 614-617, doi:

14419/ijet.v7i2.7.10892.

Toivonen, T., Jormanainen, I., Kahila, J.,

Tedre, M., Valtonen, T. and Vartiainen,

H. (2020). Co-Designing Machine

Learning Apps in K-12 with Primary

School Children. 2020 IEEE 20th

International Conference on Advanced

Learning Technologies (ICALT), doi:

1109/ICALT49669.2020.00099.

Kacorri, H. (2017). Teachable Machines for

Accessibility. ACM SIGACCESS

Accessibility and Computing, doi:

1145/3167902.3167904.

Wahyuningsih, D. S., Wulan, T. R., Ibrahim,

F. and Maulana, E. (2016). Application

of NOAA Imagery to Predict the Fish

Distribution Point Case Study:

Pelabuhan Perikanan Pantai (PPP)

Tegalsari, Tegal, Center of Java.

Seminar Nasional Penginderaan Jauh.

Natarajan, V. and Philipoff, P. (2018).

Observation of Surface and Atmospheric

Parameters Using “NOAA 18” Satellite :

A Study on Earthquakes of Sumatra and

Nicobar Is Regions for the Year 2014.

Nat. Hazards, doi: 10.1007/s11069-018-

-y.

Chakraborty, G., Kudoh, J., Shiratori, N. and

Noguchi, S. (1993). Classification of the

NOAA Satellite Image Data by

Unsupervised Neural Network. Trans. of

the Society of Instrument and Control

Engineers, 281-287.

Hidayat, R., Subardjo, P. and Ismanto, A.

(2015). Variabilitas Suhu Permukaan

Laut Di Pantai Utara Semarang

Menggunakan Citra Satelit Aqua Modis.

Journal of Oceanography, 166-170.

Saputra, M. R. (2019). Analisis Perbandingan

Citra Satelit Aqua Modis Dan NOAA

AVHRR Untuk Pemetaan Suhu

Permukaan Laut Dengan Menggunakan

Acuan Data In Situ ( Studi Kasus :

Perairan Pesisir Selat Madura).

Jeong, H. (2020). Feasibility Study of

Google's Teachable Machine in

Diagnosis of Tooth-Marked Tongue.

Journal of Dental Hygiene Science. The

Korean Society of Dental Hygiene

Science, 206-212, doi:

17135/jdhs.2020.20.4.206.

Forchhammer, S., Abu-Ghazaleh, A.,

Metzler, G., Garbe, C. and Eigentler, T.

(2022). Development of an Image

Analysis-Based Prognosis Score Using

Google's Teachable Machine in

Melanoma. Cancers 2022, doi:

3390/cancers14092243.

Indolia, S., Goswami, A. K., Mishra, S. P. and

Asopa, P. (2018). Conceptual

Understanding of Convolutional Neural

Network- A Deep Learning Approach.

Procedia Comput. Sci., 679-688, doi:

1016/j.procs.2018.05.069.

Luo, L. (2021). Research on Image

Classification Algorithm Based on

Convolutional Neural Network. J.

Phys.: Conf. Ser., doi: 10.1088/1742-

/2083/3/032054.

Soni, K. B., Chopade, M. and Vaghela, R.

(2021). Credit Card Fraud Detection

Using Machine Learning Approach.

Appl. Inf. Syst. Manag., 71-76, doi:

15408/aism.v4i2.20570




DOI: https://doi.org/10.30998/semnasristek.v7i1.6244

Refbacks

  • There are currently no refbacks.


Prosiding SEMNAS RISTEK indexed by: