SISTEM DETEKSI JUMLAH KEJADIAN SOLAR FLARES PADA CITRA SWAP PROBA2 DENGAN MENGGUNAKAN ALGORITMA SEEDED REGION GROWING DAN RANDOM FOREST
Seiring perkembangan teknologi, aktivitas cuaca antariksa menjadi suatu hal yang sangat penting dalam ilmu pengetahuan. Karena setiap aktivitas cuaca yang terjadi diruang angkasa dapat memengaruhi aktivitas kehidupan di bumi. Oleh karena itu, penting untuk dapat melakukan deteksi kejadian cuaca di r...
Saved in:
| Main Author: | |
|---|---|
| Format: | Book |
| Published: |
2020-05-20.
|
| Subjects: | |
| Online Access: | Link Metadata |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Seiring perkembangan teknologi, aktivitas cuaca antariksa menjadi suatu hal yang sangat penting dalam ilmu pengetahuan. Karena setiap aktivitas cuaca yang terjadi diruang angkasa dapat memengaruhi aktivitas kehidupan di bumi. Oleh karena itu, penting untuk dapat melakukan deteksi kejadian cuaca di ruang angkasa, diantaranya adalah solar flare. Hingga saat ini, belum ada satupun penelitian prediksi solar flare yang melakukan prediksi dengan menggunakan data SWAP PROBA-2 dikarenakan flare sulit tertangkap pada frekuensi tersebut. Hampir seluruh penelitian tertuju pada satelit SOHO/MDI dan SDO/HMI. Jika kedua satelit tersebut tidak dapat menangkap citra karena suatu hal, maka citra satelit SWAP PROBA2 dapat menjadi alternatif. Penelitian skripsi ini membahas bagaimana membuat sistem prediksi dengan menggunakan citra satelit SWAP PROBA2 dengan menggunakan pendekatan machine learning dan segmentasi citra. Algoritma machine learning yang digunakan adalah random forest. sedangkan algoritma segmentasi yang digunakan adalah seeded region growing. Penelitian pertama terkait prediksi solar flare dengan menggunakan citra satelit SWAP PROBA2 ini menghasilkan nilai f-measure terbaik sebesar 0.897. Along with the development of technology, space weather activity becomes a very important thing in science. Because every weather activity that occurs in space can affect the activities of life on earth. Therefore, it is important to be able to detect weather events in space, including solar flares. We believe that, There has not been a single solar flare prediction study that did a prediction using PROBA-2 SWAP data. Because flares are difficult to catch at that frequency. Nearly all previous researches has been focused on SOHO / MDI and SDO / HMI satellite. If the two satellites cannot capture the image for some reason, then PROBA2 SWAP satellite imagery can be an alternative. This thesis research discusses how to make a prediction system using SWAP PROBA2 satellite imagery using a machine learning approach and image segmentation. The machine learning algorithm used is random forest. while the segmentation algorithm used is seeded region growing. This solar flare prediction research using SWAP PROBA2 satellite imagery produced the best f-measure value of 0.897. |
|---|---|
| Item Description: | http://repository.upi.edu/48894/1/S_KOM_1606923_Title.pdf http://repository.upi.edu/48894/2/S_SKOM_1606923_Chapter1.pdf http://repository.upi.edu/48894/3/S_KOM_1606923_Chapter2.pdf http://repository.upi.edu/48894/4/S_KOM_1606923_Chapter3.pdf http://repository.upi.edu/48894/5/S_KOM_1606923_Chapter4.pdf http://repository.upi.edu/48894/6/S_KOM_1606923_Chapter5.pdf http://repository.upi.edu/48894/7/S_KOM_1606923_Appendix.pdf |