<![CDATA[Makalah ini menyajikan desain pengklasifikasi dengan pendekatan jaringan neural (syaraf) yang didasarkan pada penggunaan metode Ekapentasi Maksimum (EM). Aturan keputusan pengklasifikasi Bayes menggunakan kesalahan minimum dalam klasifikasi citra gabungan multi waktu. Dalam khasus ini, model jaringan neural perceptron multi lapis Probabilistic Neural Network (PNN), digunakan untuk mengestimasi nonparametrik probabilitas posterior suatu kelas. Korelasi temporal citra dihitung dengan probabilitas gabungan masing-masing kelas secara otomatis dengan menerapkan formula khusus yaitu algoritma ekspektasi maksimum dari citra multi waktu. Eksperimen dilakukan pada dua citra multi waktu yaitu citra Saguling yang diambil pada dua waktu yang berbeda. Berdasarkan hasil eksperimen pada dua daerah uji tersebut, dapat ditunjukkan bahwa tingkat akurasi pengklasifikasi PNN rata-rata lebih baik dibandingkan dengan model Propagasi Balik (BP), dan Ekepektasi Maksimum (EM) dapat meningkatkan kemampuan suatu pengklasifikasi. Pengklasifikai PNN dengan menerapkan ekpektasi maksimum memiliki kemampuan pengenalan yang konsisten untuk citra multi waktu, dan juga konsisten untuk setiap pengenalan kategori kelas obyek. Metodologi klasifikasi yang diusulkan dapat memecahkan permasalahan multi waktu secara efektif.KataKunci:Probabilistik Jaringan Syaraf, Ekspektasi Maksimm, Citra Multitemporal, Kelas Objek, Pengenalan  ABSTRACTThis paper presents a classifiers design of neural network approachbased on Expectations Maximum (EM), a Bayes classifier decision rule using the Minimum Error to clasify combined multi-temporal imageries. In this particular, multilayer perceptron neural network model with Probabilistic Neural Network (PNN) is used for nonparametric estimation of posterior class probabilities. Temporal image correlation was calculated  automatically usingprior joint probabilities of each class by applying a special formula that is algorithm expectation maximum of multi-temporal imagery. Experiments wasperformed on two multi-temporal Saguling imagestakenat two different  epochs. Based on experimental results on two test areas, it can be shown that the average accuracy rate of PNN classifier is better than the Back Propagation (BP), and the Expectation Maximum (EM) can increase the classifiers ability. Multinomial PNN classifierapplying the maximum expected have a consistent recognition capability for multitemporal imagery, and also consistent for each object class category. The proposed classification methodology can effectively solve the problem when classifying multi-temporalimagery.Keywords: Probablistic Neural Networks, Expectation Maximum, Multitemporal Images, Class Object, Recognition]]>
Copyrights © 2012
