Perbandingan Klasifikasi HSI Menggunakan 3DCNN dan Pra-Pemrosesan pada Kondisi Sampel Pelatihan Terbatas

Abstract

Klasifikasi citra hiperspektral menghadapi tantangan utama berupa dimensi data yang sangat tinggi, ketidakseimbangan kelas, serta keterbatasan sampel berlabel. Penelitian ini melakukan studi komparatif untuk mengevaluasi efektivitas kombinasi metode Three-Dimensional Convolutional Neural Network (3DCNN) dengan Principal Component Analysis (PCA), oversampling, dan augmentasi data pada kondisi ekstrem, yaitu hanya 2% data latih. Menggunakan dataset Indian Pines, delapan skenario pengujian dikembangkan untuk menganalisis pengaruh masing-masing teknik praproses terhadap performa model pada 50 dan 100 epoch. Hasil eksperimen menunjukkan bahwa PCA berperan penting dalam meningkatkan stabilitas dan akurasi model, terutama ketika dikombinasikan dengan oversampling dan augmentasi. Model terbaik diperoleh pada skenario 3DCNN-PCA-oversampling-augmentasi yang mencapai Overall Accuracy 79.39%, Kappa 76.12%, dan Average Accuracy 65.54% pada 100 epoch. Kombinasi tersebut mampu mengatasi dimensi tinggi serta distribusi sampel yang tidak seimbang, dan menunjukkan kinerja yang lebih stabil dibandingkan model tanpa reduksi dimensi. Meskipun demikian, misklasifikasi masih terjadi pada kelas dengan spektrum yang sangat mirip dan kelas dengan variasi intra-kelas tinggi. Secara keseluruhan, integrasi PCA, oversampling, dan augmentasi terbukti sebagai strategi paling efektif untuk meningkatkan performa 3DCNN pada kondisi data latih yang sangat terbatas.