Layanan penulisan ilmiah yang disediakan oleh Perpustakaan Universitas Gunadarma
OPTIMASI IDENTIFIKASI JENIS POHON MANGROVE BERDASARKAN FITUR MORFOLOGI DAUN MELALUI PROSES HYPERPARAMETER TUNING CONVOLUTIONAL NEURAL NETWORK
ABSTRAKSI :
Convolutional Neural Network (CNN) merupakan bagian dari Deep learning dalam Artificial Intelligence (AI) yang umum digunakan untuk identifikasi, pengenalan atau pengklasifikasian objek. Model klasifikasi CNN telah diadopsi dan diterapkan dalam berbagai bidang aplikasi termasuk pada bidang pertanian yaitu pertanian cerdas, identifikasi serangan hama/penyakit, sistem rekomendasi pemupukan dan identifikasi jenis tanaman. Arsitektur CNN didesain dengan menggunakan sejumlah parameter yang dapat diatur selama proses pembelajaran dengan tujuan untuk dapat mengoptimalkan akurasi identifikasi, sekali pun jenis objek memiliki fitur-fitur yang kompleks. Disertasi ini mengusulkan penelitian dengan judul “Optimasi Identifikasi Jenis Pohon Mangrove Berdasarkan Fitur Morfologi Daun Melalui Proses Hyperparameter Tuning Convolutional Neural Network”. Ide dasar pemilihan objek penelitian pohon mangrove adalah pentingnya pengenalan jenis, konservasi hutan mangrove yang berperan besar sebagai penyerap dan penyimpan karbon, menjaga salinitas, abrasi pantai, perubahan iklim, pemetaan sebaran jenis mangrove, tempat hidup biota laut, dan potensi biofarmaka. Permasalahan utama dari penelitian ini adalah desain arsitektur CNN dan proses hyperparameter tuning untuk menghasilkan sebuah model identifikasi dengan akurasi tinggi. Usulan metode penelitian terdiri dari tiga bagian. Pertama adalah pengumpulan data melalui studi literatur, survey lapangan, dan akuisisi citra daun tujuh jenis pohon mangrove. Kedua adalah desain dan pelatihan model CNN, diawali oleh pembentukan dataset tujuh kelas pohon mangrove yang masing-masing direpresentasikan oleh 1,000 variasi fitur morfologi daun dan dibagi menjadi 80