| NIM | H1A016029 |
|---|
| Namamhs | FENDY PRAYOGI |
|---|
| Judul Artikel | IDENTIFIKASI LAHAN PERTANIAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) PADA CITRA GOOGLE EARTH |
|---|
| Abstrak (Bhs. Indonesia) | Masyarakat Indonesia umumnya dikenal sebagai masyarakat agraris, karena hampir sebagian besar dari penduduk Indonesia memiliki status pekerjaan dalam sektor pertanian sebesar 35.703.074 jiwa. Namun identifikasi suatu area lahan pertanian masih dengan metode tradisional dilakukan dengan survei lapangan, dan memerlukan banyak waktu maupun biaya. Deep learning menjadi pembelajaran fitur dan pengklasifikasi suatu objek secara bersamaan, dan menggunakan data pelatihan dengan metode CNN yang dinilai efektif dalam berbagai pengenalan. Proses dalam deteksi lahan pertanian sawah pada citra Google Earth Pro dilakukan dengan mengidentifikasi berbagai objek yang melibatkan citra yang kompleks dan variatif. Kemudian datasheet dikelola pada Google Colaboratory untuk dilatih dan didapatkan model, serta diaplikasikan hasilnya dalam pengujian citra. Terdapat dua arsitektur CNN yang digunakan LeNet-5 dan VGG-16Net, sehingga akan dibandingkan hasil perbandingan dari pemilihan arsitekur tersebut. Berdasarkan objek yang berukuran sangat kecil dengan metode CPM dapat menghasilkan potongan citra menjadi 89.100 citra yang berukuran 56x56 piksel. Perbandingan kurva akurasi dan kegagalan menunjukkan kedua arsitektur dalam kondisi goodfit, namun asitektur LeNet-5 Modifikasi memiliki hasil yang lebih baik dalam pelatihan dengan akurasi akhir sebesar 0.993 dan kegagalan 0.019 dibandingkan dengan arsitektur VGG-16Net yang akurasi diperoleh 0.992 dan kegagalan 0.022 dalam skala nilai 0 sampai 1. |
|---|
| Abtrak (Bhs. Inggris) | Indonesian society is generally known as an agrarian society, because almost the majority of Indonesia's population has employment status in the agricultural sector of 35,703,074 people. However, identification of an agricultural land area is still done by traditional methods carried out by field surveys, and requires a lot of time and money. Deep learning becomes learning features and classifying an object simultaneously, and using training data with the CNN method which is considered effective in various introductions. The process of detecting paddy fields in Google Earth Pro imagery is carried out by identifying various objects that involve complex and varied imagery. Then the obtained datasheet is managed at Google Collaboratory to be trained and obtained by the model, and the results are applied in image testing. There are two CNN architectures used by LeNet-5 and VGG-16Net, so that the results of the architectural selection will be compared. Based on very small objects using the CPM method can produce image slices into 89,100 images measuring 56x56 pixels. Comparison of accuracy and failure curves shows both architectures in goodfit conditions, but the LeNet-5 Modified architecture has better results in training with a final accuracy of 0.9936 and failure of 0.0193 compared to VGG-16Net architecture where accuracy is obtained by 0.9923 and failure by 0.0229 on a scale of values of 0 until 1. |
|---|
| Kata kunci | Identifikasi, Deep Learning, Convolution Neural Network (CNN), Google Earth |
|---|
| Pembimbing 1 | Imron Rosyadi, S.T., M.Sc. |
|---|
| Pembimbing 2 | Farida Asriani, S.Si., M.T. |
|---|
| Pembimbing 3 | |
|---|
| Tahun | 2020 |
|---|
| Jumlah Halaman | 16 |
|---|
| Tgl. Entri | 2020-02-07 20:59:47.816843 |
|---|